使用 Apriori 算法獲得更好的產品推薦

在本文中，您將學習有效的產品推薦方法（所謂的購物車分析）。 通過使用特殊算法（Apriori 算法），您將了解哪些產品可以成套銷售。 您將獲得有關在其他產品的網站上推薦哪種產品的信息。 這樣，您將增加商店中的平均購物車價值。

智能產品推薦 - 交叉銷售

在線商店增加銷售額的方法之一是推薦相關產品。

不幸的是，此類推薦的最常見實現是顯示同一類別的產品。 在我們正在查看的產品下，我們看到其他此類產品 - 例如其他鞋類產品。

但是，產品之間的關係並不是由它們在商店中添加的聯合類別產生的。 當顧客已經將一雙鞋放入購物車時推薦其他鞋子毫無意義。 這樣，我們就可以盲目猜測這是否有效。 也許客戶會在購物車中添加其他東西。

產品推薦的本質是給客戶一個他們會明確感興趣的產品。我們怎麼知道這些產品是什麼？ 感謝統計！ 在它的幫助下，我們可以發現大多數購買產品 A 的客戶同時購買了 B 和 C。在這種情況下，我們向將 A 放入購物車的客戶推薦 B 和 C。 這種產品推薦在購物車頁面上效果最好。

通過這種方式，進行購買的客戶可以獲得他們可以購買其他商品的信息。 我們感知到某種購買趨勢，並促進其對後續客戶的實施。

由於方便的界面，後續客戶將在他們的訂單中添加其他產品。 購物車的價值會增加。 商店會賺更多。 大家都開心 ：）

在這種追加銷售的情況下，您可以對追加銷售的產品應用折扣。 這樣，客戶對購買的滿意度就會提高。

簡而言之 Apriori 算法

什麼是購物車分析？

問題 - 如何從產品訂單中獲取有用的數據以進行產品推薦？ 答案就是所謂的購物車分析。 它是一種數據挖掘方法。

一種有效且流行的購物車分析算法是 Apriori 算法。 該算法定義了我們挖掘數據的方式以及我們如何評估其有用性。

並非客戶購物車中產品的每個相關性都將用於推薦。 如果一個案例在 1000 次中發生了 1 次，那麼在商店層面實施這樣的建議是沒有意義的。 這不是趨勢，而是個案。

有效實施的例子

在網上，我們可以找到沃爾瑪在 1990 年代使用購物車分析的信息。 它是美國最大的連鎖超市之一。 由於購物車分析，我們發現了啤酒和尿布之間的密切關係。 你不會自己想出這樣的東西，這種奇怪的相關性來自數據挖掘。

讓我們切入正題：啤酒和嬰兒尿布通常在周五晚上被年輕人購買。 多虧了這些知識，分析師已經在商店中引入了變化。 首先，他們將這些產品放在一起。 其次，他們修改了營銷活動。 大型超市對產品實行所有促銷和折扣。 週五，決定這兩種產品中只有一種會打折。 在大多數情況下，無論如何都會購買它們。 通過這種方式，商店獲得了額外的銷售額並節省了營銷活動。

傳統商店分析中使用的許多原則和方法也可以應用於電子商務。 其中一些更容易實現。 我們的在線商店可以輕鬆監控 - 點擊次數、流量、在網站上花費的時間。 使用購物車中產品的數據來改進推薦系統也是值得的。

一個很好的例子是亞馬遜。 超過 20% 的訂單是在各種推薦系統的幫助下生成的。

基本概念

Apriori 算法不僅顯示產品之間的關係，而且由於其設計，它允許您拒絕無關緊要的數據。 為此，它引入了兩個重要概念：

• 支持- 發生頻率
• 信心——規則的確定性

該算法可以確定這兩個指標的最小值。 因此，我們拒絕不符合推薦質量假設的交易。

該算法的操作是迭代的。 我們不會一次處理所有數據。 多虧了這一點，該算法限制了數據庫上的計算次數。

我將向您展示算法在實踐中的操作。 我將解釋使用支持度和置信度作為 Apriori 算法的關鍵元素。

Apriori算法的工作原理

例如初始假設

讓我們使用一個簡化的例子。 假設我們的商店中有四種產品：A、B、C、D。客戶進行了 7 筆交易，如下所示：

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

我們將使用 Apriori 來確定產品之間的關係。 作為支持，我們將值設置為 3。這意味著規則必須在給定的迭代中出現 3 次。

第一次迭代

讓我們開始第一次迭代。 我們確定產品在訂單中出現的頻率：

• A - 3次
• B - 6次
• C - 4次
• D - 5次

這些產品中的每一個都出現在訂單中超過 3 次。 所有產品均滿足支持要求。 我們將在下一次迭代中使用它們中的每一個。

第二次迭代

我們現在根據一組兩個產品尋找產品中的連接。 我們尋找客戶將兩種選定產品放在一個訂單中的頻率。

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

如您所見，集合 {A, C} 和 {A, D} 不滿足support的假設。 它們出現的次數少於 3 次。 因此，我們將它們排除在下一次迭代之外。

第三次迭代

我們尋找由三種產品組成的套裝，其中：

• 發生在客戶訂單中
• 自身不包含集合 {A, C} 和 {A, D}

因此它是一組：{B, C, D}。 它僅在訂單中出現兩次，因此不符合我們的支持假設。

結果

我們的假設滿足以下條件：

• A, B - 順序出現 3 次
• B、C - 3倍
• B、D——4次

這個例子只是為了說明算法的操作。 對於大多數在線商店來說，數據計算會復雜得多，因為它們的數量會更多。

以百分比表示的支持

值得補充的是，支持定義了規則在所有事務中的全局份額。 我們同意以數值形式支持我們的最低要求： 3. 但是，我們可以設置一個百分比。 在這種情況下：

• A、B 的支持率約為 42.9% - 7 筆交易發生 3 次
• B、C有相同的支持
• B、D 的支持率約為 57.14% - 它們發生 4 次，共 7 次交易

在我們的示例中，支持因子的高百分比來自少量產品。 我們只有 4 種產品：A、B、C、D。

例如，在有 1000 種產品的商店中，在一半的訂單中總是有兩種相同的產品是不太可能的。

這個例子是故意簡化的。 在您的商店中使用該算法時，您應該考慮到這一點。 您應該為商店、行業等單獨設置支持的最小值。

最終結論

信心問題依然存在。 它將給定規則的發生指定給所有發生初始集合的規則。

如何計算它？

{A, B} - 在訂單中出現了 3 次 初始設置為 A。該產品也已在訂單中出現 3 次。 因此置信度為 100%。

讓我們鏡像這對。 {B, A}在訂單中出現了 3 次。 這裡什麼都沒有改變——這對是一樣的。 但是，初始設置發生了變化。 這是 B。該產品已發生 6 次交易。 這給了我們50%的信心。 產品 A 僅出現在產品 B 發生的一半交易中。

• A 和 B 有 100% 的置信度
• 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 的置信度為 66.7%
• D 和 B 有 80% 的置信度

我們的簡化示例（4 個產品，7 個交易）產生了以下建議：

• A -> B
• B -> D
• C -> B
• D -> B

其中第一個產品是用戶添加到購物車的產品。 第二個是我們推薦的。

結論

購物車分析是產品推薦系統的一種非常有效的方法。 但是，我無法想像根據上述算法進行手動數據處理。 尤其是大型商店。

有效的購物車分析需要方便的實施。 Apriori 算法應該按照程序的原理工作，而不是手動數據處理。

網絡上有一個用 Python 實現的 Apriori 算法。

但是，正如您在屏幕截圖中看到的那樣，使用它需要編程技能。

另外，請查看我們的電子商務提示 →