Regras de Associação
Muito popular em sites de ecommerce, as Regras de Associação ou Basket Analysis identificam relações entre produtos. É com esse tipo de técnica que torna possível ofertar produtos que outras pessoas compraram quando está navegando pela página de um produto específico.
Muitas outras aplicações são possíveis com esse tipo de técnica, como identificar fraudes em licitações (associações entre as empresas participantes), identificação de afinidades entre pessoas dentre outras aplicações.
O Gaio utiliza o Pycaret para realizar os cálculos.
1. Configuração
Para identificar associações entre seus dados, clique na tabela que contém pelo menos as duas colunas (Transação e Item), acesse o menu Tarefas e escolha a tarefa Regras de Associação.
Defina o nome da tarefa.
Defina o nome da tabela a ser gerada com as regras.
Suporte mínimo (Support): quantidade de vendas em que os dois "produtos" estavam juntos dividido pelo total de vendas.
Confiança mínima (Confidence): Dado que o produto A foi vendido, qual a probabilidade do B ser vendido?
ID Transação: Essa é a coluna que precisa ser informada, contendo o "código da venda".
ID Item: Aqui deve ser sinalizada a coluna que contém a identificação do "produto".
Tendo configurado essas informações, a tarefa pode ser executada para buscar associações.
2. Resultados
Como resultado da execução da técnica, é gerada uma tabela contendo as associações. Cada linha representa uma associação encontrada a partir do dois critérios definidos (suporte mínimo e confiança mínima).
antecedents: Nessa coluna aparecem um ou mais "produtos" que se "comprados", aumentam a probabilidade do que está no consequents ser adquirido.
consequents: Aqui são apresentados os "produtos" que são potencializados se os antecedents forem vendidos.
Já as colunas com estatísticas das relações são:
Indicador | Fórmula | Variação |
support(A->B) | support(A+B) | 0 a 1 |
confidence(A->B) | support(A+B) / support(A) | 0 a 1 |
lift(A->B) | confidence(A->B) / support(B) | 0 a inf |
leverage(A->B) | support(A->B) – support(A)*support(B) | 0 a 1 |
conviction | [1 – support(B)] / [1 – confidence(A->B)] | 0 a inf |
Last updated
