Вы когда-нибудь задумывались, как супермаркеты или интернет-магазины рекомендуют продукты, которые идеально сочетаются с вашими покупками? Все это благодаря увлекательной концепции анализа рыночной корзины (MBA).
MBA — это мощный метод, который ритейлеры используют для понимания поведения клиентов, выявления скрытых ассоциаций между продуктами и улучшения своих маркетинговых стратегий.
Не волнуйтесь, если вы не эксперт в области ИТ. В этом посте я объясню MBA на простом английском языке и продемонстрирую его с помощью вычислений Python.
Что такое анализ рыночной корзины?
Анализ рыночной корзины подобен обнаружению секретных моделей покупок. Это помогает розничным торговцам определить, какие продукты клиенты обычно покупают вместе.
Например, если клиенты часто покупают чипсы и газировку, магазин может разместить их на одной полке, чтобы увеличить продажи.
MBA использует метрику под названием «поддержка» для измерения частоты совпадения элементов в транзакциях, что упрощает выявление популярных комбинаций.
Пример из реальной жизни: книжный интернет-магазин
Представьте, что вы управляете книжным интернет-магазином и хотите оптимизировать свои книжные рекомендации.
Анализируя данные о покупках клиентов, MBA может выявить, что клиенты, которые покупают детективные романы, также с большой вероятностью приобретут детективные триллеры.
С помощью этой информации вы можете адаптировать свой веб-сайт, чтобы предлагать эти дополнительные книги покупателям, увеличивая шансы на совершение нескольких покупок.
Как работает анализ рыночной корзины?
Сбор данных: сбор данных о транзакциях, включая список продуктов, купленных вместе.
Расчет поддержки: определите, как часто продукты встречаются вместе в транзакциях. Поддержка рассчитывается как (количество транзакций с продуктом)/(общее количество транзакций).
Расчет достоверности. Измерьте, как часто покупают один продукт при покупке другого. Уверенность рассчитывается как (количество транзакций с обоими продуктами)/(количество транзакций с первым продуктом).
Вычисление эффективности. Выясните, насколько эти два продукта связаны между собой. Подъем рассчитывается как (уверенность)/(поддержка второго продукта).
Демонстрация Python: расчет рыночной корзины
Давайте выполним простой MBA с использованием Python. Я буду анализировать транзакции клиентов в продуктовом магазине.
Демонстрация Python: расчет рыночной корзины
Чтобы выполнить анализ рыночной корзины с помощью Python, я буду использовать популярную библиотеку обработки данных pandas для чтения данных из демонстрационной таблицы Excel и расширенную библиотеку для вычислений MBA.
Если у вас не установлены эти библиотеки, вы можете установить их с помощью следующих команд:
!pip установить панды
!pip install mlxtend
Подробнее о документации библиотеки: mlxtend
Предположим, наша демонстрационная таблица Excel называется «demo_data.xlsx» и содержит шесть столбцов: Transaction_ID, Product_1, Product_2, Product_3, Product_4 и Product_5.
Каждая строка представляет транзакцию, а ячейки содержат названия продуктов, купленных вместе.
импортировать панд как pd
из априорного импорта из mlxtend.frequent_patterns
из mlxtend.frequent_patterns импортировать Association_rules
# Загрузить демонстрационные данные Excel в DataFrame
данные = pd.read_excel("demo_data.xlsx")
# Кодировать данные, чтобы сделать их подходящими для MBA (преобразование продуктов в двоичные значения)
data_encoded = pd.get_dummies(данные)
# Применение априорного алгоритма для поиска часто встречающихся наборов элементов
frequent_itemsets = apriori(data_encoded, min_support=0.1, use_colnames=True)
# Создание правил ассоциации с минимальной достоверностью, равной 0,5
rules = Association_rules(frequent_itemsets, metric="доверие", min_threshold=0,5)
# Расчет роста для правил
правила["подъем"] = правила["уверенность"] / правила["поддержка"]
# Отображение результатов
print("Частые наборы элементов:")
печать(frequent_itemsets)
print("\nПравила ассоциации:")
печать(правила)
В этом коде я сначала загружаю демонстрационные данные в DataFrame и кодирую их так, чтобы Априорный алгоритм мог работать с двоичными данными.
Затем я использовал алгоритм Apriori для поиска часто встречающихся наборов элементов (комбинаций продуктов, которые часто встречаются вместе) на основе минимального порога поддержки 0,1 (10%).
Затем я сгенерировал правила ассоциации, установив минимальный доверительный порог 0,5 (50%).
Правила DataFrame покажет нам обнаруженные правила ассоциации, а также их поддержку, достоверность и рост. Lift помогает нам понять, насколько тесно связаны эти два продукта.
Подъем больше 1 указывает на положительную ассоциацию, а это означает, что два продукта, вероятно, будут покупать вместе чаще, чем ожидалось случайно.
Запустив этот код Python, мы можем выполнить анализ рыночной корзины на наших демонстрационных данных и выявить интересные закономерности и взаимосвязи между продуктами в транзакциях клиентов в продуктовом магазине.
Эти идеи могут направлять маркетинговые стратегии, планировку магазина и решения по комплектованию продуктов, чтобы максимизировать удовлетворенность клиентов и продажи.
Я работал в сфере розничной торговли более 15 лет, и когда я проводил анализ на основе данных, я связывал его с покупательским поведением клиентов в торговом зале. Это потрясающе!
Окончательный вердикт
Анализ потребительской корзины — ценный метод, который позволяет розничным торговцам понять предпочтения клиентов, увеличить продажи и оптимизировать маркетинговые стратегии.
Компании могут принимать обоснованные решения о продакт-плейсменте, перекрестных продажах и персонализированных рекомендациях, анализируя модели покупок.
Сила анализа MBA заключается в его способности выявлять скрытые взаимосвязи между продуктами и улучшать общее впечатление от покупок для клиентов.
В этом сообщении блога я дал простое объяснение анализа рыночной корзины, используя простые для понимания примеры и демонстрации Python.
Я надеюсь, что это прояснило для вас эту концепцию и показало, как она может произвести революцию в том, как бизнес работает в мире розничной торговли.
Помните, что даже несмотря на то, что MBA может показаться сложным, его приложения могут значительно повысить прибыль магазина, что делает его важным инструментом для каждого розничного продавца, стремящегося к успеху на конкурентном рынке.
Удачного анализа и разработки стратегии! Поставьте лайк, поделитесь и подпишитесь на DataXpert Connect
