Daha İyi Ürün Önerileri için Apriori Algoritmasını Kullanın

Bu makalede, etkili ürün önerileri yöntemini (sözde sepet analizi) öğreneceksiniz. Özel bir algoritma (Apriori algoritması) kullanarak hangi ürünleri set halinde satacağınızı öğreneceksiniz. Başka bir ürünün web sitesinde hangi ürünü önereceğiniz konusunda bilgi edineceksiniz. Bu sayede mağazanızdaki ortalama sepet değerini artıracaksınız.

Akıllı ürün önerileri - çapraz satış

Online mağazada satışları artırmanın yollarından biri de ilgili ürünlerin tavsiye edilmesidir.

Ne yazık ki, bu tür önerilerin en yaygın uygulaması aynı kategorideki ürünleri sergilemektir. İncelediğimiz ürünün altında bu türden başka ürünler görüyoruz - örneğin diğer ayakkabı teklifleri.

Ancak ürünler arasındaki ilişki, mağazada eklendikleri ortak kategoriden kaynaklanmaz. Müşteri sepete bir çift ayakkabı koyduğunda başka ayakkabı önermenin hiçbir anlamı yoktur. Bu şekilde, bunun işe yarayıp yaramadığı konusunda kör tahminler yapıyoruz. Belki müşteri sepete başka bir şey ekler.

Ürün tavsiyelerinin özü, müşterilere açıkça ilgi duyacakları bir ürün vermektir. Bu ürünlerin ne olduğunu nasıl bileceğiz? İstatistikler sayesinde! Onun yardımıyla, A ürününü alan müşterilerin çoğunluğunun B ve C'yi de satın aldığını öğrenebiliriz. Bu durumda, A'yı sepete koyan müşteriye B ve C'yi tavsiye ederiz. Bu tür ürün önerileri en iyi şekilde alışveriş sepeti sayfasında çalışır.

Bu sayede satın alma işlemini gerçekleştiren müşteriler, başka ürünleri de satın alabilecekleri bilgisini alır. Belirli bir satın alma eğilimi algılarız ve sonraki müşterilere uygulanmasını kolaylaştırırız.

Kullanışlı bir arayüz sayesinde, sonraki müşteriler siparişlerine ek ürünler ekleyecektir. Sepetin değeri artacaktır. Mağaza daha fazla kazanacak. Herkes mutlu :)

Bu tür bir üst satış durumunda, satılan ürün için indirim uygulayabilirsiniz. Bu şekilde satın alma ile müşteri memnuniyeti artacaktır.

Kısaca Apriori algoritması

Sepet analizi nedir?

Soru - ürün önerileri için ürün siparişlerinden faydalı veriler nasıl alınır? Cevap, sözde sepet analizidir. Bir veri madenciliği yöntemidir.

Sepet analizi için verimli ve popüler bir algoritma Apriori algoritmasıdır. Bu algoritma, veri madenciliği yöntemimizi ve yararlılığını nasıl değerlendirdiğimizi tanımlar.

Müşterinin sepetindeki ürünlerin her korelasyonu öneriler için kullanılmayacaktır. 1000'de 1 kez bir vaka meydana geldiyse, mağaza düzeyinde böyle bir önerinin uygulanmasının bir anlamı yoktur. Bu bir trend değil, tek bir vaka.

Etkili uygulama örnekleri

Online alışveriş sepeti analizinin 1990'larda Wal-Mart tarafından kullanıldığına dair bilgileri bulabiliriz. Amerika Birleşik Devletleri'ndeki en büyük hipermarket zincirlerinden biridir. Sepet analizi sayesinde bira ve çocuk bezi arasında güçlü bir ilişki keşfedildi. Böyle bir şeyi kendi başınıza bulamazsınız, böyle garip korelasyonlar veri madenciliğinden kaynaklanır.

Asıl meseleye gelelim: Bira ve bebek bezleri genellikle Cuma geceleri genç erkekler tarafından alınırdı. Bu bilgi sayesinde analistler mağazada değişiklikler yaptılar. İlk olarak, bu ürünleri birbirine yaklaştırıyorlar. İkincisi, pazarlama faaliyetlerini değiştirdiler. Büyük bir hipermarket, ürünlerde tüm promosyonları ve indirimleri uygular. Cuma günleri ise iki üründen sadece birinin indirimli olmasına karar verildi. Çoğu durumda her ikisi de nasılsa satın alınacaktır. Bu sayede mağaza ek satışlar elde etmiş ve pazarlama faaliyetlerinden tasarruf etmiştir.

Geleneksel mağazaların analizinde kullanılan ilke ve yöntemlerin birçoğu e-ticarette de uygulanabilmektedir. Bazılarının uygulanması daha kolaydır. Çevrimiçi mağazalarımız kolayca izlenebilir - tıklamalar, trafik, sitede geçirilen süre. Öneri sistemini iyileştirmek için sepetteki ürünlerle ilgili verileri kullanmaya da değer.

Burada iyi bir örnek Amazon. Siparişlerin %20'den fazlası çeşitli öneri sistemlerinin yardımıyla oluşturulur.

Temel konseptler

Apriori algoritması sadece ürünler arasındaki ilişkileri göstermekle kalmaz, tasarımı sayesinde önemsiz verileri reddetmenize olanak tanır. Bu amaçla, iki önemli kavramı tanıtmaktadır:

• destek - oluşma sıklığı
• güven - kuralın kesinliği

Algoritma, bu iki gösterge için minimum değerleri belirlemeyi mümkün kılar. Bu nedenle, tavsiye için kalite varsayımlarını karşılamayan işlemleri reddediyoruz.

Bu algoritmanın çalışması yinelemelidir. Tüm verileri bir kerede işlemeyiz. Bu sayede algoritma, veritabanındaki hesaplama sayısını sınırlar.

Algoritmanın işleyişini uygulamalı olarak göstereceğim. Apriori algoritmasının temel unsurları olarak destek ve güven kullanımını açıklayacağım.

Apriori Algoritmasının çalışma prensibi

Örneğin ilk varsayımlar

Basitleştirilmiş bir örnek kullanalım. Mağazamızda A, B, C, D olmak üzere dört ürün olduğunu varsayalım.

1. A, B, C, D
2. A, B
3. B, C, D
4. A, B, D
5. M.Ö
6. C, D
7. B, D

Ürünler arasındaki ilişkileri belirlemek için Apriori'yi kullanacağız. Destek olarak değeri 3 olarak belirledik. Bu, kuralın verilen yinelemede 3 kez gerçekleşmesi gerektiği anlamına gelir.

ilk yineleme

İlk yinelemeye başlayalım. Ürünün siparişlerde ne sıklıkla göründüğünü belirleriz:

• A - 3 kez
• B - 6 kez
• C - 4 kez
• D - 5 kez

Bu ürünlerin her biri siparişlerde 3 defadan fazla göründü. Tüm ürünler destek gereksinimlerini karşılar. Her birini bir sonraki yinelemede kullanacağız.

ikinci yineleme

Şimdi iki üründen oluşan bir sete dayalı ürünlerde bağlantılar arıyoruz. Müşterilerin seçilen iki ürünü tek bir siparişte ne sıklıkta bir araya getirdiğine bakarız.

• A, B - 3 kez
• A, C - 1 kez
• A, D - 2 kez
• B, C - 3 kez
• B, D - 4 kez
• C, D - 3 kez

Gördüğünüz gibi {A, C} ve {A, D} kümeleri support varsayımlarını karşılamamaktadır. Üç defadan daha az meydana gelirler. Bu nedenle, onları bir sonraki yinelemeden hariç tutuyoruz.

Üçüncü yineleme

Aşağıdaki üç üründen oluşan setler arıyoruz:

• müşteri siparişlerinde meydana geldi
• {A, C} ve {A, D} kümelerini kendi içlerinde içermez

Bu nedenle {B, C, D} kümesidir. Siparişlerde sadece iki kez gerçekleşir, bu nedenle destek varsayımlarımızı karşılamaz.

Sonuç

Varsayımlarımız aşağıdaki kümeleri karşılamaktadır:

• A, B - sırayla üç kez meydana geldi
• B, C - 3 kez de
• B, D - 4 kez

Bu örnek sadece algoritmanın işleyişini göstermek içindir. Çoğu çevrimiçi mağaza için, daha fazlası olacağından, veriler üzerindeki hesaplamalar çok daha karmaşık olacaktır.

Yüzde olarak ifade edilen destek

Desteğin , kuralın tüm işlemlerdeki küresel payını tanımladığını eklemekte fayda var. Minimum gereksinimlerimizi sayısal bir değer olarak desteklemeye karar verdik: 3. Ancak, bir yüzde belirleyebiliriz. Bu durumda:

• A, B yaklaşık %42,9'a eşit desteğe sahiptir - 7 işlem için 3 kez gerçekleşir
• B, C aynı desteğe sahip
• B, D yaklaşık %57,14'e eşit desteğe sahiptir - 7 işlem için 4 kez gerçekleşir

Destek faktörünün yüksek yüzdeleri, örneğimizde az sayıda üründen kaynaklanmaktadır. Sadece 4 ürünümüz var: A, B, C, D.

Örneğin 1000 ürüne sahip bir mağazada, siparişlerin yarısında her zaman iki özdeş ürün olması pek olası değildir.

Bu örnek kasıtlı olarak basitleştirilmiştir. Mağazanızda algoritmayı kullanırken bunu dikkate almalısınız. Mağaza, endüstri vb. için minimum destek değerini ayrı ayrı ayarlamalısınız.

Nihai sonuçlar

Güven sorunu devam ediyor. İlk kümenin gerçekleştiği herkese belirli bir kuralın oluşumunu belirtir.

Nasıl hesaplanır?

{A, B} - siparişlerde üç kez oluştu İlk set A'dır. Bu ürün siparişlerde de üç kez göründü. Bu nedenle güven %100'dür.

Bu çifti aynaya yansıtalım. {B, A} siparişlerde 3 kez meydana geldi. Burada hiçbir şey değişmedi - çift aynı. Ancak, ilk set değişir. Burası B. Bu ürün 6 işlemde gerçekleşti. Bu da bize %50 düzeyinde güven veriyor. A ürünü, B ürününün gerçekleştiği işlemlerin yalnızca yarısında gerçekleşti.

• A ve B %100 güvenilirdir
• B ve A %50 güvene sahiptir
• B ve C %50 güvene sahiptir
• C ve B %75 güvene sahiptir
• B ve D %66,7 güvene sahiptir
• D ve B %80 güvene sahiptir

Basitleştirilmiş örneğimiz (4 ürün, 7 işlem) aşağıdaki önerileri doğurur:

• A -> B
• B -> D
• C -> B
• D -> B

burada ilk ürün, kullanıcının sepete eklediği ürün. İkincisi ise tavsiye ettiğimiz şey.

Çözüm

Sepet analizi, ürün tavsiye sistemi için oldukça etkili bir yöntemdir. Ancak, yukarıdaki algoritmaya göre manuel veri işlemeyi hayal edemiyorum. Özellikle büyük mağazalarda.

Etkili bir alışveriş sepeti analizi, uygun bir uygulama gerektirir. Apriori algoritması, manuel veri işleme değil, bir program prensibi üzerinde çalışmalıdır.

Ağ üzerinde Python'da Apriori Algoritmasının bir uygulaması var.

Ancak ekran görüntüsünde de görebileceğiniz gibi, onu kullanmak için programlama becerileri gerekiyor.

Ayrıca, E-Ticaret İpuçlarımıza göz atın →