WooCommerce에서 더 나은 제품 추천 엔진을 위해 Apriori 알고리즘 사용

이 기사에서는 효과적인 상품 추천 방법(소위 장바구니 분석)에 대해 알아봅니다. 특수 알고리즘(Apriori 알고리즘)을 사용하여 어떤 상품을 세트로 판매할지 학습합니다. 상품 추천 엔진(Apriori 알고리즘 장바구니 분석)에 대해 알아보고 WooCommerce 매장의 평균 장바구니 금액을 높여보세요.

️ 사람들이 교차 판매 제품을 구매하지 않는 이유가 궁금한 적이 있습니까?

WooCommerce에서 제품 추천 엔진을 강화하는 방법을 보려면 기사를 읽으십시오. 의 시작하자!

목차

• 지능형 제품 추천 - 교차 판매
• Apriori 알고리즘 - 간단히 말해서 추천 엔진
• WooCommerce를 위한 효과적인 추천 엔진을 위한 팁
• Apriori 알고리즘의 작동 원리
• 요약

지능형 제품 추천 - 교차 판매

온라인 상점에서 판매를 늘리는 방법 중 하나는 관련 제품을 추천하는 것 입니다.

불행하게도 이러한 권장 사항의 가장 일반적인 구현은 동일한 범주의 제품을 표시하는 것입니다. 우리가 보고 있는 제품 아래에는 이 유형의 다른 제품(예: 기타 신발 제안)이 표시됩니다.

그러나 상품 간의 관계는 상품이 상점에 추가된 공동 카테고리에서 발생하지 않습니다. 고객이 이미 한 켤레를 장바구니에 담았을 때 다른 신발을 추천하는 것은 전혀 의미가 없습니다. 이런 식으로 우리는 이것이 효과가 있는지 맹목적으로 추측합니다. 고객이 장바구니에 다른 것을 추가할 수도 있습니다.

제품 추천의 본질은 고객이 관심을 가질만한 제품을 제공하는 것입니다. 이러한 제품이 무엇인지 어떻게 알 수 있습니까? 통계 덕분에! 그것의 도움으로 우리는 제품 A를 구매하는 대부분의 고객이 B와 C도 구매한다는 것을 알 수 있습니다. 이 경우 A를 장바구니에 넣은 고객에게 B와 C를 추천합니다. 이러한 종류의 제품 추천은 카트 페이지에서 가장 잘 작동합니다.

이런 식으로 구매하는 고객은 다른 항목을 구입할 수 있다는 정보를 얻습니다. 우리는 특정 구매 경향을 감지하고 후속 고객에게 구현을 촉진합니다 .

편리한 인터페이스 덕분에 후속 고객은 주문에 추가 제품을 추가할 것입니다. 장바구니의 가치가 높아집니다 . 상점은 더 많은 수익을 올릴 것입니다. 모든 사람이 행복하다 :)

이러한 상향 판매의 경우 상향 판매된 제품에 대해 할인을 적용할 수 있습니다. 이렇게 하면 구매에 대한 고객 만족도가 높아집니다.

Apriori 알고리즘 - 간단히 말해서 추천 엔진

카트 분석이란 무엇입니까?

질문 - 제품 추천을 위해 제품 주문에서 유용한 데이터를 가져오는 방법은 무엇입니까? 대답은 소위 카트 분석입니다. 그것은 데이터 마이닝의 방법입니다 .

카트 분석을 위한 효율적이고 대중적인 알고리즘은 Apriori 알고리즘입니다. 이 알고리즘은 데이터를 마이닝하는 방법과 데이터의 유용성을 평가하는 방법을 정의합니다.

고객 카트에 있는 제품의 모든 상관 관계가 추천에 사용되는 것은 아닙니다. 사례가 1000번 중 1번 발생했다면 매장 수준에서 이러한 권장 사항을 구현하는 것은 의미가 없습니다. 이것은 추세가 아니라 단일 사례입니다.

하지만 우리 매장을 위한 추천 엔진(예: WooCommerce)을 찾아야 합니다. 예를 보자!

효과적인 구현의 예

온라인에서 카트 분석이 1990년대 월마트에서 사용되었다는 정보를 찾을 수 있습니다. 그것은 미국에서 가장 큰 대형 슈퍼마켓 체인 중 하나입니다. 카트 분석 덕분에 맥주와 기저귀 사이의 강력한 관계가 발견되었습니다 . 이와 같은 이상한 상관 관계는 데이터 마이닝에서 비롯됩니다.

본론으로 들어가자면 맥주와 아기 기저귀는 종종 금요일 밤에 젊은이들이 구입했습니다 .

이 지식 덕분에 분석가는 매장에 변화를 도입했습니다.

첫째, 그들은 이 제품들을 서로 더 가깝게 만듭니다.

둘째, 그들은 마케팅 활동을 수정했습니다.

대형 대형 슈퍼마켓은 제품에 대한 모든 판촉 및 할인을 적용합니다. 금요일에는 두 제품 중 한 제품만 할인하기로 했습니다. 대부분의 경우 둘 다 어떻게든 구매하게 됩니다 . 이 방법으로 상점은 추가 매출을 올리고 마케팅 활동을 절약했습니다.

전통적인 매장 분석에 사용되는 많은 원칙과 방법은 전자상거래에도 적용될 수 있습니다 . 그들 중 일부는 구현하기가 더 쉽습니다. 당사의 온라인 상점은 클릭, 트래픽 및 사이트에서 보낸 시간을 쉽게 모니터링할 수 있습니다. 또한 장바구니에 있는 제품에 대한 데이터를 사용하여 상점의 추천 엔진(예: WooCommerce)을 개선 할 가치가 있습니다.

WooCommerce를 위한 효과적인 추천 엔진을 위한 팁

Apriori 알고리즘은 제품 간의 관계를 보여줄 뿐만 아니라 그 설계 덕분에 중요하지 않은 데이터를 거부할 수 있습니다. 이를 위해 두 가지 중요한 개념을 소개합니다.

• 지원 - 발생 빈도
• 확신 - 규칙의 확실성

알고리즘을 통해 이 두 지표의 최소값을 결정할 수 있습니다. 따라서 권장 사항에 대한 품질 가정을 충족하지 않는 트랜잭션을 거부합니다.

이 알고리즘의 작동은 반복적입니다. 우리는 한 번에 모든 데이터를 처리하지 않습니다. 덕분에 알고리즘은 데이터베이스의 계산 수를 제한합니다.

실제로 알고리즘의 작동을 보여 드리겠습니다. Apriori 알고리즘의 핵심 요소인 지원 과 신뢰 의 사용에 대해 설명하겠습니다.

Apriori 알고리즘의 작동 원리

예를 들어 초기 가정

간단한 예를 사용하겠습니다.

매장에 A, B, C, D의 4개 제품이 있다고 가정합니다. 고객은 다음과 같이 7개의 거래를 했습니다.

1. A, B, C, D
2. A, B
3. 비, 씨, 디
4. A, B, D
5. B, C
6. CD
7. 비,디

Apriori를 사용하여 제품 간의 관계를 결정합니다. 지원 으로 값을 3으로 설정합니다. 이는 규칙이 주어진 반복에서 3번 발생해야 함을 의미합니다.

첫 번째 반복

첫 번째 반복을 시작하겠습니다. 제품이 주문에 포함된 빈도를 결정합니다.

• A-3번
• B - 6회
• 씨 - 4번
• 디 - 5회

이러한 각 제품은 주문에 3회 이상 등장했습니다. 모든 제품은 지원 요구 사항을 충족합니다 . 다음 반복에서 각각을 사용할 것입니다.

두 번째 반복

이제 우리는 두 제품 세트를 기반으로 제품에서 연결을 찾습니다. 우리는 고객이 선택한 두 제품을 하나의 주문으로 얼마나 자주 조합하는지 살펴봅니다.

• A, B - 3번
• A, C - 1회
• A, D - 2번
• B, C - 3번
• 나, 라 - 4번
• 씨, 디 - 3번

보시다시피 세트 {A, C} 및 {A, D}는 지원 가정 을 충족하지 않습니다 . 그들은 세 번 미만으로 발생합니다. 따라서 다음 반복에서 제외합니다 .

세 번째 반복

다음과 같은 세 가지 제품으로 구성된 세트를 찾습니다.

• 고객 주문에서 발생한
• {A, C} 및 {A, D} 집합 자체를 포함하지 않음

따라서 {B, C, D} 의 집합입니다. 주문에서 두 번만 발생하므로 지원 가정을 충족하지 않습니다.

결과

우리의 가정은 다음 세트를 충족합니다.

• A, B - 순서대로 세 번 발생
• B, C - 3번
• 나, 라 - 4번

이 예제는 알고리즘의 작동을 설명하기 위한 것일 뿐입니다. 대부분의 온라인 상점의 경우 데이터가 더 많기 때문에 데이터 계산이 훨씬 더 복잡합니다.

백분율로 표시되는 지원

지원이 모든 트랜잭션에서 규칙의 글로벌 공유를 정의한다는 점을 추가할 가치가 있습니다. 우리는 최소 요구 사항을 숫자 값인 3으로 지원하기 로 동의했습니다 . 그러나 백분율을 설정할 수 있습니다 . 이 경우:

• A, B는 약 42.9%에 해당하는 지원을 받습니다. 7개의 거래에 대해 3번 발생합니다.
• B, C는 동일한 지원을 받습니다.
• B, D는 약 57.14%에 해당하는 지원을 가지고 있습니다. 7개의 거래에 대해 4번 발생합니다.

이 예에서 지원 요인의 높은 비율은 제품 수가 적기 때문에 발생합니다. A, B, C, D의 4가지 제품만 있습니다.

예를 들어, 1000개의 제품이 있는 상점에서 주문의 절반에 항상 동일한 제품 두 개가 있을 가능성은 거의 없습니다.

이 예제는 의도적으로 단순화되었습니다. 상점에서 알고리즘을 사용할 때 이를 고려해야 합니다. 매장, 업종 등에 따라 개별적으로 지원의 최소값을 설정해야 합니다.

결론

자신감 의 문제가 남아 있습니다. 초기 설정이 발생한 모든 규칙에 대해 주어진 규칙의 발생을 지정합니다.

️ 어떻게 계산하나요?

{A, B} - 주문에서 세 번 발생 초기 세트는 A입니다. 이 제품도 주문에서 세 번 나타났습니다. 따라서 신뢰도는 100%입니다.

이 쌍을 미러 이미지로 만들어 봅시다. {B, A}는 주문에서 3번 발생했습니다. 여기서 변경된 사항은 없습니다. 쌍은 동일합니다. 그러나 초기 설정이 변경됩니다. B입니다. 이 상품은 총 6건의 거래가 발생했습니다. 이것은 우리에게 50% 수준의 자신감을 줍니다. 제품 A는 제품 B가 발생한 거래의 절반에서만 발생했습니다.

• A와 B의 신뢰도는 100%
• B와 A의 신뢰도는 50%
• B와 C의 신뢰도는 50%
• C와 B의 신뢰도는 75%입니다.
• B와 D의 신뢰도는 66.7%입니다.
• D와 B의 신뢰도는 80%입니다.

단순화된 예(제품 4개, 트랜잭션 7개)는 다음 권장 사항을 생성합니다.

• A -> B
• B -> D
• C -> B
• D -> B

여기서 첫 번째 제품은 사용자가 장바구니에 추가한 제품입니다. 두 번째는 우리가 추천하는 것입니다 .

요약

카트 분석은 제품 추천 시스템(우커머스에도 해당)에 매우 효과적인 방법입니다 . 그러나 위의 알고리즘에 따른 수동 데이터 처리는 상상할 수 없습니다. 특히 대형 매장의 경우.

효과적인 카트 분석을 위해서는 편리한 구현이 필요합니다. Apriori 알고리즘은 수동 데이터 처리가 아닌 프로그램 원칙에 따라 작동해야 합니다.

네트워크에는 Python의 Apriori 알고리즘 구현이 있습니다.

그러나 스크린샷에서 볼 수 있듯이 이를 사용하려면 프로그래밍 기술이 필요합니다.

WooCommerce에서 Apriori 알고리즘의 편리한 구현에 관심이 있습니까? 아래 댓글 섹션에서 알려주세요.