[cafe] 장바구니 분석

연관분석을 통해 최강의 메뉴조합을 찾아보자

Jun 22, 2023

Contents

1. 연관 분석 2. 주요 지표 3. Apriori 알고리즘 4. 연관성 분석해보기

1. 연관 분석

‘무엇이 무엇과 잘 어울리는지’를 밝혀내는 것

서로 다른 아이템의 구매 간 의존성을 결정하기 위해 고객의 거래 데이터베이스를 분석하는데서 비롯됨(=장바구니 분석)

어떤 두 아이템 집합이 빈번히 발생하는가의 규칙을 찾아서 데이터에 숨어있는 사건 또는 항목 간의 규칙을 찾아내는 방법론

단점 :

생성되는 규칙이 너무 많음 → 유용하고 강한 규칙으로 이루어진 작은 집합으로 줄이는 방법 필요
드문 조합은 최소 지지도 조건을 만족시키지 못해 무시되는 경향

2. 주요 지표

: 한 슈퍼마켓의 DB에 10만개의 매장 거래 기록이 있고, 오렌지 주스+감기약 거래가 2,000개, +수프의 거래가 800개라면 ‘IF 오렌지 주스와 감기약이 판매되면 THEN 같은 거래에서 수프도 판매된다’는 연관규칙의 지지도는 0.8%(800/100,000), 신뢰도는 40%(800/2,000)이다.

지지도(support)

신뢰도

향상도 : 연관규칙의 강도를 가늠하기 위해 사용하며, 향상비가 1보다 크면 이 규칙에 유용성이 있다.

교차 지지도 : 지지도와 향상도를 곱한 후 제곱근을 취한 값. 향상도와 지지도가 모두 높을수록 교차 지지도는 높아진다

향상도 해석	ㅤ	교차 지지도 해석	ㅤ
Lift < 1	Lift가 1보다 작을수록, X-Y는 음의 관계를 가진다	Lift는 작은데 Support 클 때	증분은 작지만 도달 범위가 넓어서 임팩트를 낼 수 있다
Lift = 1	X-Y는 관계가 없다	Lift는 큰데 Support 작을 때	ㅤ
Lift > 1	Lift가 1보다 클수록, X-Y는 양의 관계를 가진다	Lift는 작은데 Support 클 때	ㅤ
ㅤ	ㅤ	Lift는 큰데 Support 클 때	증분도 크고 도달범위도 넓어서 가장 임팩트를 내기 좋다

3. Apriori 알고리즘

최소 지지도 기준을 입력함

이 지지도 기준보다 빈번하게 발생하지 않는 항목 집합의 경우, 이후 노드에서 탐색을 추가로 진행하지 않음

https://pub.towardsai.net/association-discovery-the-apriori-algorithm-28c1e71e0f04

4. 연관성 분석해보기

데이터 전처리

방문 ID 만들기 (고객 ID와 방문일자 조합)

메뉴명 전처리 (ice/hot 통일, 세부 메뉴 합치기)

방문일자와 상품을 행으로 갖는 데이터프레임 제작

인코딩

메뉴명을 원핫인코딩해주고, 방문ID drop


te = TransactionEncoder()
te_ary = te.fit_transform(df['상품_리스트'])
df_encoded = pd.DataFrame(te_ary, columns=te.columns_)

Apriori 알고리즘 사용

최소 지지도 설정

조합 수 설정

향상도 순 정렬


def go_apriori(data, min_지지도=0.01, min_향상도=0.1, n=20, keyword='아메리카노'):
  df = data.copy()
  df = df.groupby('방문ID')['N_상품명'].apply(list).reset_index(name='상품_리스트')

  te = TransactionEncoder()
  te_ary = te.fit_transform(df['상품_리스트'])
  df_encoded = pd.DataFrame(te_ary, columns=te.columns_)

  # 부분집합들을 생성 - Apriori 함수를 통해 최소 지지도(min_support)를 입력하고 itemsets 의 최대 원소 개수(max_len)를 입력하여 필요한 부분 집합들을 생성
  frequent_featuresets = apriori(df_encoded, min_support = min_지지도, use_colnames = True, max_len = 3)
  # min 향상도 지정
  rules = association_rules(frequent_featuresets, metric = 'lift', min_threshold = min_향상도)
  # 교차지지도 지정
  rules['interest_support'] = rules['lift']*rules['support'].apply(lambda x: math.sqrt(x))

  if keyword is None:
    result = rules.sort_values(by='interest_support', ascending=False)
  else:
    result = rules[rules['consequents'].str.contains(keyword, regex=False, na=False)].sort_values(by='interest_support', ascending=False)
  return result.head(n)