充分利用购物篮分析
R 中的购物篮分析
Christopher Bruffaerts
Statistician
购物篮分析实战
理解客户/用户
- 了解哪些商品会被一起购买
- 提取规则集
- 推断商品间关系
MBA 的进阶
- 添加客户/用户信息
- 按偏好对客户分群（聚类）
向客户/用户推荐
- 线下场景：在店内将经常一起购买的商品相邻陈列。
- 线上场景：在同一页面展示关联商品，一键可达。
是什么影响了酸奶？
以酸奶为后件（consequent）
# 提取右侧为 Yogurt 的规则
yogurt_rules_rhs = apriori(Groceries, parameter = list(supp = 0.001,conf = 0.8),
appearance = list(default = "lhs",rhs = "yogurt"))
# 按 lift 降序查看前几条规则
inspect(head(sort(yogurt_rules_rhs, by="lift")))
lhs rhs support confidence lift count
[1] {root vegetables,butter,cream cheese } => {yogurt} 0.001016777 0.9090909 6.516698 10
[2] {tropical fruit,whole milk,butter,sliced cheese} => {yogurt} 0.001016777 0.9090909 6.516698 10
[3] {other vegetables,curd,whipped/sour cream,cream cheese } => {yogurt} 0.001016777 0.9090909 6.516698 10
[4] {tropical fruit,other vegetables,butter,white bread} => {yogurt} 0.001016777 0.9090909 6.516698 10
[5] {sausage,pip fruit,sliced cheese} => {yogurt} 0.001220132 0.8571429 6.144315 12
[6] {tropical fruit,whole milk,butter,curd} => {yogurt} 0.001220132 0.8571429 6.144315 12
酸奶影响了什么？
以酸奶为前件（antecedent）
# 提取左侧为 Yogurt 的规则
yogurt_rules_lhs = apriori(Groceries, parameter = list(supp = 0.001, conf = 0.8, minlen = 2),
appearance = list(default = "rhs",lhs = "yogurt"))
# 规则摘要
summary(yogurt_rules_lhs)
set of 0 rules
来为电影找出推荐！
R 中的购物篮分析
