Как составлять товарные пары, если нет времени ждать

Как составлять товарные пары

Бизнесу важно знать, кто твои покупатели, сколько им лет, где они живут и что любят. Эти характеристики помогают успешно сегментировать покупателей. Но не менее важно быть в курсе, что именно и как они покупают. С этим поможет анализ потребительской корзины с точки зрения подбора товаров из разных категорий.

Он позволит:

  • повысить эффективность маркетинговых кампаний;
  • оптимизировать ассортимент и запасы;
  • создать бизнес-шаблоны покупок.

Самый забавный пример такого анализа — это анализ товарных корзин в компании Teradata, где самой популярной оказалась пара «пиво — подгузники». Без специальных алгоритмов такую связь выявить очень тяжело.

Функционал для подбора товарных пар есть во многих платформах. Они используют собственные решения для подбора. Но на их настройку уходит много времени, к тому же модели потребуется не меньше двух недель на обучение.

Наше решение позволит собрать такую пару за несколько часов и частично автоматизировать ручные рекомендации.

Алгоритм подбора товарных пар

Мы используем для подбора алгоритмы поиска ассоциативных правил, то есть ищем логические взаимосвязи между связанными данными. В нашем случае правило звучит как: «Если в корзине есть товар A, то с некой вероятностью будет и товар B».

Чем больше товаров, тем больше получится товарных пар. При этом товарная пара не обязательно состоит из двух товаров, это могут быть три, четыре, пять товаров и так далее. Количество пар вычисляется по формуле: 2^n — 1 , n — количество товаров. Например, если у вас 10 товаров, то товарных пар будет 210 — 1 = 1023 Поэтому важно понимать, что не все полученные правила будут статистически значимы.

Чтобы получать только реальные правила, необходимо использовать два самых важных критерия — поддержка и достоверность.

  1. Поддержка (support) — это % транзакций, содержащий определённый товар или набор товаров.
    Используется для выявления часто встречающихся товаров.компонент support при подборе товарных пар
  2. Достоверность (confidence) — это вероятность того, что если есть товар А, то будет и В.компонент confidence при подборе товарных пар

Для работы алгоритма необходимо установить минимальные значения поддержки (min_sup) и достоверности (min_conf).

Читайте также

Товарные рекомендации в email-рассылках: как это работает

Как правило, минимальные пороги определяются экспериментальным путем. Но следует помнить об особенностях минимальных значений порогов:

  1. Если поддержка будет иметь большое значение, то алгоритм на выходе определит слишком очевидные правила. Поэтому не рекомендуется задавать поддержку более 20%.
  2. Если выбрать малое значение поддержки, то среди правил могут оказаться пары товаров, которые в действительности являются случайными. В этом случае смотреть необходимо на значение lift.
  3. Если достоверность имеет слишком малое значение, то вряд ли такую пару можно вообще считать правилом. Значение достоверности 7% больше похоже на случайность.
  4. Значение достоверности более 85% говорит о том, что такую пару товаров пользователи покупают практически всегда.

В итоге задача поиска ассоциативных правил решается в два этапа:

  1. поиск часто встречающихся элементов (support > min_sup);
  2. выявление правил из элементов, сформированных на первом шаге (confidence > min_conf).

Самый популярный и производительный data mining алгоритм поиска ассоциативных правил — это самообучающийся алгоритм Apriori.

Пакет arules содержит функции, реализующие работу Apriori. Провести анализ товарных пар можно через RStudio, но мы рассмотрим реализацию этого алгоритма в среде Power BI.

Читайте также

Что делать интернет-магазинам в email-маркетинге

Подготовка данных для запуска алгоритма

Для корректной работы алгоритма необходимо предварительно обработать данные. От качества исходных данных зависит 80% результата работы алгоритма. К тому же, если у вас недостаточный объём исходных данных, вряд ли вы получите адекватные результаты.

Данные, которые подаются на вход, должны быть представлены в виде транзакционной таблицы, где каждая строка — это отдельная транзакция, а в столбцах содержится наименование купленного товара. В нашем случае это CSV-файл. Мы изменили наименования некоторых товаров, чтобы не нарушать конфиденциальность данных клиента.

транзакционная таблица для подбора товарных пар

Загружаем эти данные в Power BI:

Загрузка данных в Power BI при подборе товарных пар

Следите за эффективностью вашего маркетинга. Закажите

Отчётность в Power BI

Запуск алгоритма

Реализацию алгоритма Apriori осуществляем через R-скрипт, вызываемый в Power BI. Разберем подробнее работу скрипта.

  1. Подключаем библиотеки, которые потребуются для выполнения скрипта: library(Matrix)library(arules)library(readr). Не забудьте до начала запуска скрипта в Power BI убедиться, что у вас установлены необходимые пакеты. Например, вызовите install.packages(«arules») в R-studio для установки пакета «arules».
  2. Загруженные данные в Power Query в существующем виде не подходят для работы алгоритма Apriori в R, поэтому с помощью следующей функции данные преобразуются в объекты транзакций: data<-read.transactions(«адрес файла», header=TRUE, sep=«,», encoding=«UTF-8»).
  3. Поиск правил, которые формируют товарные пары, осуществляется с помощью функции apriori. В качестве параметров используются минимальные значения поддержки и достоверности, а также минимальна длина: datarules<-apriori(data, parameter = list(support=0.003, confidence=0.4, minlen=2)).
  4. Записываем полученные правила из предыдущего шага в понятный для Power Query формат данных: output<-DATAFRAME(datarules).

Если вам нужно вывести только первые N правил: output<-DATAFRAME(datarules[1:N]).

вывести первые N правил при подборе товарных пар

Все правила находятся в столбце Value, раскрываем столбец и сохраняем результаты:

результаты работы скрипта при подборе товарных пар

LHS (left-hand-side) — основной товар.

RSH (right-hand-side) — сопутствующий товар.

lift отражает уровень связи между переменными. Если lift < 1, то связь отрицательная, то есть товары являются товарами-заменителями, если lift = 1, то связь отсутствует, если lift > 1, то связь положительная.

Если в результате вы получили слишком очевидные правила или совершенно необъяснимые, изменяйте значения минимальных порогов.

Представление результатов

После сохранения полученных правил необходимо их представить в удобном виде. Для визуализации ассоциативных правил лучше использовать граф или дерево круговых диаграмм.

Дерево круговых диаграмм при подборе товарных пар
Дерево круговых диаграмм

Анализ такого графа позволяет выделить категории товаров, исходя из поведения покупателей, а также определить роли товаров в этих категориях.

Основные товары — это самые популярные товары в каждой группе. Например, в группе № 1 такими товарами являются трек-автотранспортер и Lego City. Остальные товары являются сопутствующими.

основные товары в товарных парах

Товары-посредники — это товары, соединяющие между собой две группы товаров. Продажи между группами происходят именно через такие товары.

товары-посредники в товарных парах

И ещё один граф для примера:

товары-посредники в товарных парах пример 2

Узнавайте об обновлениях блога Email Soldiers первым

Спасибо!

Осталось подтвердить подписку — кликнуть по кнопке в письме, которое мы вам отправили.

Похожие статьи

Какие ошибки в utm-метках мешают правильно анализировать email-маркетинг

Рассказываем, что можно напутать в utm-метках, как это повлияет на аналитику и как обнаружить косяки.

Давайте разберёмся с бизнес-аналитикой в маркетинге

В идеальном мире продукт продаёт себя сам. Бизнес-аналитика в маркетинге — инструмент для достижения этой цели. Рассказываем подробности процесса.

Когортный анализ в email-маркетинге и других сферах

Чтобы понять поведение клиента на разных стадиях, недостаточно сегментировать аудиторию. Глубокую оценку даст когортный анализ.