在 WooCommerce 中使用 Apriori 算法獲得更好的產品推薦引擎

在本文中，您將學習有效的產品推薦方法（即所謂的購物車分析）。 通過使用一種特殊的算法（Apriori 算法），您將了解要成套銷售哪些產品。 讓我們了解產品推薦引擎（Apriori 算法購物車分析）並增加 WooCommerce 商店中的平均購物車價值。

️ 你有沒有想過為什麼人們不購買交叉銷售產品？

閱讀文章，了解如何提升 WooCommerce 中的產品推薦引擎。 讓我們開始！

目錄

• 智能產品推薦——交叉銷售
• Apriori 算法——推薦引擎簡述
• WooCommerce 有效推薦引擎的提示
• Apriori算法的運行原理
• 概括

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相關產品的推薦。

不幸的是，此類推薦最常見的實現方式是展示同一類別的產品。 在我們正在查看的產品下，我們會看到該類型的其他產品 - 例如其他鞋類產品。

但是，產品之間的關係不是由將它們添加到商店的聯合類別產生的。 在顧客已經將一雙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。 我們察覺到某種購買趨勢，並促進其對後續客戶的實施。

得益於方便的界面，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。 商店將賺取更多。 大家都開心 ：）

在此類追加銷售的情況下，您可以對追加銷售的產品申請折扣。 這樣，客戶對購買的滿意度就會提高。

Apriori 算法——推薦引擎簡述

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。

Apriori 算法是一種高效且流行的購物車分析算法。 該算法定義了我們如何挖掘數據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。 如果一個案例每 1000 次發生 1 次，那麼在商店級別實施這樣的建議就沒有意義了。 這不是趨勢，而是個案。

但是我們需要為我們的商店找到一個推薦引擎（比如 WooCommerce）。 讓我們看一個例子！

有效實施的例子

網上可以查到沃爾瑪在1990年代使用購物車分析的資料。 它是美國最大的連鎖超市之一。 多虧了購物車分析，我們發現啤酒和尿布之間存在密切關係。 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。

讓我們進入正題：啤酒和嬰兒尿布通常在周五晚上被年輕人購買。

得益於這些知識，分析師對商店進行了更改。

首先，他們將這些產品放在一起。

其次，他們修改了營銷活動。

大型超市適用於產品的所有促銷和折扣。 星期五，決定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。 這樣，商店獲得了額外的銷售額並節省了營銷活動。

傳統店鋪分析中使用的許多原理和方法也可以應用到電子商務中。 其中一些更容易實施。 我們的在線商店可以輕鬆監控 - 點擊次數、流量和在網站上花費的時間。 還值得使用購物車中產品的數據來改進商店中的推薦引擎（如 WooCommerce） 。

WooCommerce 有效推薦引擎的提示

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，它引入了兩個重要的概念：

• 支持- 發生頻率
• 置信度- 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。 由於這一點，該算法限制了數據庫的計算次數。

我將向您展示該算法在實踐中的運行。 我將解釋支持度和置信度作為 Apriori 算法的關鍵要素的使用。

Apriori算法的運行原理

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. 一個，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

這些產品中的每一種都在訂單中出現了 3 次以上。 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聯繫。 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} 不滿足支持假設。 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，它們：

• 發生在客戶訂單中
• 本身不包含集合 {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 - 在訂單中出現 3 次
• B、C——同樣是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，數據的計算會復雜得多，因為它們會更多。

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。 我們同意支持我們的最低要求作為一個數值：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 筆交易出現 3 次
• B、C 支持度相同
• B、D 的支持率約為 57.14%——7 筆交易出現 4 次

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

例如，在一個有 1000 種產品的商店中，一半的訂單中總是有兩種相同的產品是不太可能的。

這個例子是有意簡化的。 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、行業等單獨設置最低支持值。

結論

信心問題依然存在。 它將給定規則的出現指定給初始集出現的所有那些。

️如何計算呢？

{A, B} - 在訂單中出現3次初始集合為A，該商品在訂單中也出現過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。 這裡沒有任何變化 - 這對是一樣的。 但是，初始設置會發生變化。 這是B，這個產品已經發生了6筆交易。 這使我們有 50% 的信心。 產品 A 只發生在產品 B 發生的一半交易中。

• 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

我們的簡化示例（4 種產品，7 筆交易）產生了以下建議：

• A -> B
• B -> D
• C -> B
• D -> B

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這個。

概括

購物車分析是產品推薦系統（也適用於 WooCommerce）的一種非常有效的方法。 但是，我無法想像按照上述算法進行人工數據處理。 尤其是大型商店。

有效的購物車分析需要方便的實施。 Apriori 算法的工作原理應該是程序化，而不是人工數據處理。

網絡上有Python中Apriori算法的實現。

但是，正如您在屏幕截圖中所見，使用它需要編程技能。

您是否對 WooCommerce 中 Apriori 算法的便捷實現感興趣？ 請在下面的評論部分告訴我。