關聯性規則學習(Association rule learning)

關聯性規則學習就是俗稱的購物籃分析,其目的為在眾多的資料當中,尋找出可能未被發掘的組合或是消費者行為模式,最廣為人知的案例便是1990年代, Walmart的啤酒與尿布案例:在星期五去買尿布的爸爸們,會為了晚上的球賽而順手買了啤酒,商店因此將這兩樣商品的陳列位置擺得相當靠近, 看似沒有關係的兩樣商品也因而增加了彼此的銷售額。Walmart便是運用了此分析模型,分析消費者的購買紀錄後,尋找出高頻率出現的商品組合推廣。

在30年後的現今,數位經濟開創消費行為有更多元的場域應用,對於線上線下的結合,提供顧客更緊密的消費體驗, 台灣睿智近年將AnalyzerTM服務,加入全球潮流引用之演算法,首先將銷售分析解決方案結合Python語言開發資料採礦模型, 利用「關聯性規則學習」模型所產生的商品組合或推薦商品清單進行搭配銷售(Bundle)或交互銷售(Cross-Selling), 未來將融合更多的演算機制,讓數據分析更加的細膩與精準。透過一對一&一對多&多對多的建議組合,提供與競品差異化的商業模式,以期提供顧客更加多元化的消費體驗。

目前台灣睿智與許多零售產業客戶合作,將「關聯性規則學習」模型應用更加廣泛,相關案例如下: 餐飲業:透過多元化的餐點組合,消費者選定幾項來店必吃商品後,系統立即分析多數消費者選擇上述餐點後,會額外選擇哪些餐點,將推薦餐點從過往每日固定進化成為消費者量身打造。

  • 實體服飾商店:藉由模型分析,提供客戶客製化搭配建議,增加消費者單次來店的連帶率。
  • 電商平台:呈現多樣化的商品選擇方案、結合CRM針對消費者特徵進行商品推薦、傳遞目標客戶可能有興趣商品的資訊。
  • 未來:將分析模型結合行動載具(自助點餐/選購系統),讓終端消費者來店消費時,點選商品或掃瞄有興趣的商品QR Code, 即能自己透過行動載具查詢商品選擇的客製化建議,讓營運模式真正貼近顧客購物所需。

台灣睿智近期特聘曾任職於美國財政體系/保險體系之大數據顧問,協助收集外在環境之大數據資料,並結合上述分析模型,將商品建議組合搭配外在環境數據,強化現有的設計,挖掘出消費足跡,並將企業內小數據結合外在大數據分析,掌握消費脈動、分析市場趨勢,未來將協助企業提供顧客更多元的差異化創新購物體驗。

Python如何跟AnalyzerTM結合?

使用Python擷取資料倉儲的資料處理採礦模型分析,將分析結果回存至資料庫中;透過微軟SSAS或Analyzer TM Data Package包裝Cube, 最後於AnalyzerTM報表呈現。

歡迎與我們聯繫,了解更多Analyzer TM 大數據分析解決方案!!


( ) - #

- -