在 WooCommerce 中使用 Apriori 算法获得更好的产品推荐引擎

在本文中，您将学习有效的产品推荐方法（即所谓的购物车分析）。 通过使用一种特殊的算法（Apriori 算法），您将了解要成套销售哪些产品。 让我们了解产品推荐引擎（Apriori 算法购物车分析）并增加 WooCommerce 商店中的平均购物车价值。

️ 你有没有想过为什么人们不购买交叉销售产品？

阅读文章，了解如何提升 WooCommerce 中的产品推荐引擎。 让我们开始！

目录

• 智能产品推荐——交叉销售
• Apriori 算法——推荐引擎简述
• WooCommerce 有效推荐引擎的提示
• Apriori算法的运行原理
• 概括

智能产品推荐——交叉销售

在线商店增加销售额的方法之一是相关产品的推荐。

不幸的是，此类推荐最常见的实现方式是展示同一类别的产品。 在我们正在查看的产品下，我们会看到该类型的其他产品 - 例如其他鞋类产品。

但是，产品之间的关系不是由将它们添加到商店的联合类别产生的。 在顾客已经将一双放入购物车时推荐其他鞋子毫无意义。 这样，我们就可以盲目猜测这是否有效。 也许客户会在购物车中添加其他东西。

产品推荐的本质是给客户一个他们会感兴趣的产品，我们怎么知道这些产品是什么？ 感谢统计！ 在它的帮助下，我们可以发现大多数购买产品A的客户同时购买了B和C。在这种情况下，我们向将A放入购物车的客户推荐B和C。 这种产品推荐在购物车页面上效果最好。

通过这种方式，进行购买的客户可以获得他们可以购买其他商品的信息。 我们察觉到某种购买趋势，并促进其对后续客户的实施。

得益于方便的界面，后续客户将在他们的订单中添加其他产品。 购物车的价值会增加。 商店将赚取更多。 大家都开心 ：）

在此类追加销售的情况下，您可以对追加销售的产品申请折扣。 这样，客户对购买的满意度就会提高。

Apriori 算法——推荐引擎简述

什么是购物车分析？

问题 - 如何从产品订单中获取有用的数据以进行产品推荐？ 答案就是所谓的购物车分析。 它是一种数据挖掘方法。

Apriori 算法是一种高效且流行的购物车分析算法。 该算法定义了我们如何挖掘数据以及我们如何评估其有用性。

并非客户购物车中产品的每个相关性都将用于推荐。 如果一个案例每 1000 次发生 1 次，那么在商店级别实施这样的建议就没有意义了。 这不是趋势，而是个例。

但是我们需要为我们的商店找到一个推荐引擎（比如 WooCommerce）。 让我们看一个例子！

有效实施的例子

网上可以查到沃尔玛在1990年代使用购物车分析的资料。 它是美国最大的连锁超市之一。 多亏了购物车分析，我们发现啤酒和尿布之间存在密切关系。 你不会自己想出这样的东西，这种奇怪的相关性来自数据挖掘。

让我们进入正题：啤酒和婴儿尿布通常在周五晚上被年轻人购买。

得益于这些知识，分析师对商店进行了更改。

首先，他们将这些产品放在一起。

其次，他们修改了营销活动。

大型超市适用于产品的所有促销和折扣。 星期五，决定两种产品中只有一种会打折。 在大多数情况下，无论如何都会购买它们。 这样，商店获得了额外的销售额并节省了营销活动。

传统店铺分析中使用的许多原理和方法也可以应用到电子商务中。 其中一些更容易实施。 我们的在线商店可以轻松监控 - 点击次数、流量和在网站上花费的时间。 还值得使用购物车中产品的数据来改进商店中的推荐引擎（如 WooCommerce） 。

WooCommerce 有效推荐引擎的提示

Apriori 算法不仅显示产品之间的关系，而且由于其设计，它允许您拒绝无关紧要的数据。 为此，它引入了两个重要的概念：

• 支持- 发生频率
• 置信度- 规则的确定性

该算法可以确定这两个指标的最小值。 因此，我们拒绝不符合推荐质量假设的交易。

该算法的操作是迭代的。 我们不会一次处理所有数据。 由于这一点，该算法限制了数据库的计算次数。

我将向您展示该算法在实践中的运行。 我将解释支持度和置信度作为 Apriori 算法的关键要素的使用。

Apriori算法的运行原理

例如初始假设

让我们使用一个简化的例子。

假设我们的商店有四种产品：A、B、C、D。客户进行了 7 笔交易，如下所示：

1. A B C D
2. 一个，乙
3. 乙、丙、丁
4. 甲、乙、丁
5. 乙丙
6. 丙、丁
7. 乙、丁

我们将使用 Apriori 来确定产品之间的关系。 作为支持，我们将值设置为 3。这意味着规则必须在给定的迭代中出现 3 次。

第一次迭代

让我们开始第一次迭代。 我们确定产品在订单中出现的频率：

• A - 3次
• B - 6次
• C - 4次
• D-5次

这些产品中的每一种都在订单中出现了 3 次以上。 所有产品均满足支持要求。 我们将在下一次迭代中使用它们中的每一个。

第二次迭代

我们现在根据一组两个产品寻找产品中的联系。 我们寻找客户将两种选定产品放在一个订单中的频率。

• A、B——3次
• A、C——1次
• A、D——2次
• B、C——3次
• B、D——4次
• C、D——3次

如您所见，集合 {A, C} 和 {A, D} 不满足支持假设。 它们出现的次数少于 3 次。 因此，我们将它们排除在下一次迭代之外。

第三次迭代

我们寻找由三种产品组成的套装，它们：

• 发生在客户订单中
• 本身不包含集合 {A, C} 和 {A, D}

因此它是一组{B, C, D} 。 它仅在订单中出现两次，因此不符合我们的支持假设。

结果

我们的假设满足以下条件：

• A、B - 在订单中出现 3 次
• B、C——同样是3倍
• B、D——4次

这个例子只是为了说明算法的操作。 对于大多数在线商店，数据的计算会复杂得多，因为它们会更多。

以百分比表示的支持

值得补充的是，支持定义了规则在所有事务中的全局份额。 我们同意支持我们的最低要求作为一个数值：3 。但是，我们可以设置一个百分比。 在这种情况下：

• A、B 的支持率约为 42.9%——7 笔交易出现 3 次
• B、C 支持度相同
• B、D 的支持率约为 57.14%——7 笔交易出现 4 次

在我们的示例中，高百分比的支持因子来自少量产品。 我们只有 4 种产品：A、B、C 和 D。

例如，在一个有 1000 种产品的商店中，一半的订单中总是有两种相同的产品是不太可能的。

这个例子是有意简化的。 在您的商店中使用该算法时，您应该考虑到这一点。 您应该为商店、行业等单独设置最低支持值。

结论

信心问题依然存在。 它将给定规则的出现指定给初始集出现的所有那些。

️如何计算呢？

{A, B} - 在订单中出现3次初始集合为A，该商品在订单中也出现过3次。 因此置信度为 100%。

让我们镜像这对。 {B, A} 在订单中出现了 3 次。 这里没有任何变化 - 这对是一样的。 但是，初始设置会发生变化。 这是B，这个产品已经发生了6笔交易。 这使我们有 50% 的信心。 产品 A 只发生在产品 B 发生的一半交易中。

• A 和 B 有 100% 的信心
• B 和 A 有 50% 的置信度
• B 和 C 有 50% 的置信度
• C 和 B 有 75% 的置信度
• B 和 D 有 66.7% 的置信度
• D 和 B 有 80% 的置信度

我们的简化示例（4 种产品，7 笔交易）产生了以下建议：

• A -> B
• B -> D
• C -> B
• D -> B

第一个产品是用户添加到购物车的产品。 第二个是我们推荐的这个。

概括

购物车分析是产品推荐系统（也适用于 WooCommerce）的一种非常有效的方法。 但是，我无法想象按照上述算法进行人工数据处理。 尤其是大型商店。

有效的购物车分析需要方便的实施。 Apriori 算法的工作原理应该是程序化，而不是人工数据处理。

网络上有Python中Apriori算法的实现。

但是，正如您在屏幕截图中所见，使用它需要编程技能。

您是否对 WooCommerce 中 Apriori 算法的便捷实现感兴趣？ 请在下面的评论部分告诉我。