99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話:13121318867

登錄
首頁精彩閱讀應用關聯(lián)規(guī)則模型提高超市銷量
應用關聯(lián)規(guī)則模型提高超市銷量
2018-07-14
收藏

應用關聯(lián)規(guī)則模型提高超市銷量

Statistics 和 Modeler作為 IBM SPSS 軟件家族中重要的成員,是專業(yè)的科學統(tǒng)計、數(shù)據(jù)挖掘分析工具,其具有功能強大,應用廣泛的特點。其核心 組成部分——預測分析模型,不僅是軟件功能實現(xiàn)的關鍵,同時也是軟件應用的關鍵。

Statistics中的模型側重于統(tǒng)計分析技術, 而Modeler則側重于數(shù)據(jù)挖掘技術。它們都依據(jù)現(xiàn)有數(shù)據(jù),運用某個或某幾個特定的算法,來預測用戶所關注信息的未來值。Statistics 和 Modeler提供眾多的預測模型,這使得它們可以應用在多種商業(yè)領域中:如超市商品如何擺放可以提高銷量;分析商場營銷的打折方案,以制定新的更為有效的方案;保險公司分析以往的理賠案例,以推出新的保險品種等等,具有很強的商業(yè)價值。

Statistics和 Modeler產(chǎn)品中含有大量基于高級數(shù)學統(tǒng)計算法的預測模型,為了保證算法的嚴密性及結果的精確性,模型往往還需要許多詳細的參數(shù)設定,這樣就要求用戶具有一定的統(tǒng)計專業(yè)知識,只有理解預測模型中的各項設置及運算結果的真實意義,才有可能結合結果做出正確的決策判斷;另外,為了滿足不同行業(yè)用戶的需求,Statistics和 Modeler涉及到數(shù)學領域中多個不同的范疇,即使專業(yè)用戶也很難了解所有模型,從而挑選出最適合他們應用的模型。

因此,為了讓更多的用戶更好更準確地使用我們的產(chǎn)品,最大地發(fā)揮其商業(yè)價值,我們將通過一系列的相關文章來介紹IBM SPSS軟件家族中Statistics 和 Modeler的典型預測模型以及他們在解決相應的商業(yè)問題中的實際應用。

本系列文章從實際問題出發(fā),通過一些實際生活中常見的商業(yè)問題來引出IBM SPSS 軟件家族中的典型預測模型,手把手地指導用戶如何在軟件中對該模型進行設置,如何查看運行結果,講解運行結果的真實意義,最后引申到如何將該結果應用于解決這個具體的商業(yè)問題中來。用這種最直觀簡單的方式使即使缺乏統(tǒng)計學背景的用戶也能容易地理解這些預測模型,從而很好地使用我們的產(chǎn)品。 同時,文中也涉及了一定的統(tǒng)計知識,使具有專業(yè)知識的用戶能依此線索盡可能多的了解我們的產(chǎn)品的方方面面,從而選擇最適合他們問題的模型。

下面,我們將會陸續(xù)給大家介紹IBM SPSS 軟件家族中的Statistics 和 Modeler包含的典型預測模型。

超市典型案例

如何擺放超市的商品引導消費者購物從而提高銷量,這對大型連鎖超市來說是一個現(xiàn)實的營銷問題。關聯(lián)規(guī)則模型自它誕生之時為此類問題提供了一種科學的解決方法。該模型利用數(shù)據(jù)挖掘的技術,在海量數(shù)據(jù)中依據(jù)該模型的獨特算法發(fā)現(xiàn)數(shù)據(jù)內(nèi)在的規(guī)律性聯(lián)系,進而提供具有洞察力的分析解決方案。以下我們將通過一則超市銷售商品的案例,利用 IBM SPSS Modeler 產(chǎn)品中的“關聯(lián)規(guī)則模型”,來分析商品交易流水數(shù)據(jù),以其發(fā)現(xiàn)合理的商品擺放規(guī)則,來幫助提高銷量。文中將詳細地描述產(chǎn)品的設置和使用方法,以及對計算結果的分析及應用。

關聯(lián)規(guī)則簡介

關聯(lián)規(guī)則的定義

關聯(lián)規(guī)則表示不同數(shù)據(jù)項目在同一事件中出現(xiàn)的相關性,就是從大量數(shù)據(jù)中挖掘出關聯(lián)規(guī)則。為了更直觀的理解關聯(lián)規(guī)則,我們首先來看下圖的場景。

圖 1. 超市市場分析員分析顧客購買習慣

在上圖中,超市市場分析員分析顧客購買商品的場景,顧客購買面包同時也會購買牛奶的購物模式就可用以下的關聯(lián)規(guī)則來描述:

面包 => 牛奶 [ 支持度 =2%, 置信度 =60%] (式 1)

式 1中面包是規(guī)則前項(Antecedent),牛奶是規(guī)則后項 (Consequent)。實例數(shù)(Instances)表示所有購買記錄中包含面包的記錄的數(shù)量。支持度(Support)表示購買面包的記錄數(shù)占所有的購買記錄數(shù)的百分比。規(guī)則支持度(Rule Support)表示同時購買面包和牛奶的記錄數(shù)占所有的購買記錄數(shù)的百分比。置信度(confidence)表示同時購買面包和牛奶的記錄數(shù)占購買面包記錄數(shù)的百分比。提升(Lift)表示置信度與已知購買牛奶的百分比的比值,提升大于 1 的規(guī)則才是有意義的。關聯(lián)規(guī)則 式 1的支持度 2% 意味著,所分析的記錄中的 2% 購買了面包。置信度 60% 表明,購買面包的顧客中的 60% 也購買了牛奶。如果關聯(lián)滿足最小支持度閾值和最小置信度閾值,就說關聯(lián)規(guī)則是有意義的。這些閾值可以由用戶或領域?qū)<以O定。就顧客購物而言,根據(jù)以往的購買記錄,找出滿足最小支持度閾值和最小置信度閾值的關聯(lián)規(guī)則,就找到顧客經(jīng)常同時購買的商品。

數(shù)據(jù)格式

關聯(lián)規(guī)則使用的數(shù)據(jù)可能是交易格式,也可能是表格格式,如下所述。

交易格式

交易數(shù)據(jù)對于每個交易或項目具有一個單獨的記錄。例如,如果客戶進行了多次采購,則每次采購都會有一個單獨的記錄,并且相關聯(lián)的商品與客戶 ID 相鏈接。這種格式有時稱為 行窮盡格式。

表 1. 交易格式數(shù)據(jù)
客戶    采購
1    jam
2    milk
3    jam
3    bread
4    jam
4    bread
4    milk
    表格格式
表格數(shù)據(jù)(也稱為籃子數(shù)據(jù)或真值表數(shù)據(jù)),由單獨的標志表示項目,其中每個標志字段表示一個特定項目的存在或不存在。每個記錄表示一個相關項目的完整集合。標志字段可以是分類的,也可以是數(shù)字的。
表 2. 表格格式數(shù)據(jù)
客戶    Jam    Bread    Milk
1    T    F    F
2    F    F    T
3    T    T    F
4    T    T    T規(guī)則挖掘算法

Aprior、Carma 和序列節(jié)點是常用的關聯(lián)規(guī)則挖掘算法,它們都可以使用交易格式和表格格式數(shù)據(jù)進行挖掘處理。其中 Aprior 算法,處理速度快,對包含的規(guī)則數(shù)沒有限制,是一種最有影響的挖掘關聯(lián)規(guī)則的方法。

IBM SPSS Modeler 關聯(lián)規(guī)則模型的使用

IBM SPSS Modeler 作為一種可視化的數(shù)據(jù)挖掘和建模工具,支持 Aprior、Carma 和序列節(jié)點關聯(lián)規(guī)則挖掘模型,本章節(jié)將重點介紹 Aprior 模型的設置、使用方法和結果分析。

對于超市市場分析員分析顧客購買習慣的案例,現(xiàn)在讓我們設定一個實際的場景,市場分析員利用超市海量的購物清單,從中分析出顧客購買啤酒會和哪些商品一起購買,依次來合理安排商品的擺放,進而提高啤酒的銷量。

對于此案例,我們使用 IBM SPSS Modeler 自帶的安裝目錄下的 Demos 文件夾下的 BASKETS1n 數(shù)據(jù)。我們希望分析出哪些商品會和啤酒一起購買,以此來合理安排商品的擺放,進而提高啤酒的銷量。

此數(shù)據(jù)屬于表格格式數(shù)據(jù),每條記錄表示顧客的一次購物。記錄的字段包括卡號、顧客基本信息、付款方式和商品名稱(每個商品一個字段 , 該商品字段值為 T, 表示購買該商品 , 值為 F 表示未購買,具體可參考表 2, 表格格式數(shù)據(jù))。商品名稱都有 fruitveg(水果蔬菜),freshmeat(生鮮肉),dairy(奶制品),cannedveg(罐裝蔬菜),cannedmeat(罐裝肉),fozenmeal(凍肉),beer(啤酒), wine(酒類),softdrink(軟飲),fish(魚), confectionery(甜食)。如何對這些數(shù)據(jù)進行分析和處理,本節(jié)會給出詳細的演示。

在做詳細介紹以前,讓我們先了解下 IBM SPSS Modeler 的建模過程,關于詳細的過程,可以參考本文給出的參考資料。IBM SPSS Modeler 中處理的基本對象是流,在流中可以添加數(shù)據(jù)節(jié)點、類型節(jié)點、建模節(jié)點等,運行后會生成模型節(jié)點,進而對模型節(jié)點進行分析,得出結論。

現(xiàn)在讓我們開始介紹如何創(chuàng)建一條包含關聯(lián)規(guī)則模型的流,來解決市場分析員的問題。本節(jié)使用 IBM SPSS Modeler 14.2 進行演示。首先打開 Modeler 產(chǎn)品,會出現(xiàn)一張空白的流界面,這時用戶可以在里面創(chuàng)建自己的流。

圖 2. IBM SPSS Modeler 界面

第一步,為流添加一個數(shù)據(jù)節(jié)點,這里選擇 Modeler 自帶的 Demo 數(shù)據(jù)。將界面下方選項卡的“源”選項中的“可變文件”拖放到空白界面中,雙擊打開,在文件選項卡中選擇 Modeler 自帶的 Demo 數(shù)據(jù) BASKETS1n,如圖所示。

圖 3. 選擇添加數(shù)據(jù)節(jié)點

點擊確定按鈕,這時就成功的創(chuàng)建了數(shù)據(jù)節(jié)點。

第二步,為流添加類型節(jié)點,類型節(jié)點是顯示和設置數(shù)據(jù)每個字段的類型、格式和角色。從界面下方的“字段選項”卡中,將“類型”節(jié)點拖放到界面中,接著將數(shù)據(jù)節(jié)點和類型節(jié)點連接起來,或者直接在“字段選項”卡中雙擊“類型”節(jié)點,將兩者連接起來。這時雙擊打開“類型”節(jié)點,此時“類型”節(jié)點中顯示了數(shù)據(jù)的字段和其類型,點擊“類型”節(jié)點界面上的“讀取值”按鈕,這時會將數(shù)據(jù)節(jié)點中的數(shù)據(jù)讀取過來。如下圖所示。

圖 4. 設置類型節(jié)點


數(shù)據(jù)挖掘】應用關聯(lián)規(guī)則模型提高超市銷量(二)


接著可以為參與建模的數(shù)據(jù)字段設置角色,角色分“輸入”,“目標”,“兩者”和“無”。輸入表示該字段可供建模使用,目標表示該字段為建模的預測目標,兩者表示該字段為布爾型的輸入字段,無表示該字段不參與建模。Apriori 節(jié)點需要一個或多個輸入字段和一個或多個目標字段,輸入字段和輸出字段必須是符號型字段。在此可以選擇一個或多個字段為目標字段,表明該模型的預測目標字段;對于 Apriori 建模節(jié)點,也可以不設置目標字段,則需要在建模節(jié)點中設置“后項”。

第三步,為流添加 過濾節(jié)點,將不參與的字段排除在外。該步驟為可選步驟。從“字段選項”卡中選擇“過濾”節(jié)點,并將其拖入到界面中,將“過濾”節(jié)點加入到流中。雙擊打開“過濾”節(jié)點,在不參與建模字段的箭頭上點擊,會出現(xiàn)一個紅叉,表示該字段被過濾掉了,不參與建模,如圖所示。

圖 5. 設置過濾節(jié)點

對于一些與建模關系不大的節(jié)點可以將其過濾掉,比如卡號、性別、家鄉(xiāng)和年齡字段。

第四步,有了這些前期的準備過程,接下來就可以開始創(chuàng)建關聯(lián)規(guī)則模型節(jié)點了,在此之前,讓我們先添加一個圖形節(jié)點—— 網(wǎng)絡節(jié)點,建立此節(jié)點的目的是為了讓用戶首先可以直觀的看到商品之間的關聯(lián)程度,有一個感性認識。選擇“圖形”選項卡中的“網(wǎng)絡”節(jié)點,將此拖入界面,將“網(wǎng)絡”節(jié)點加入流中,與“過濾”節(jié)點連接起來。雙擊打開網(wǎng)絡節(jié)點,在“字段”列表中選擇添加字段,可以將所有的商品字段添加進來;也可以點擊“僅顯示真值標志”,將只顯示那些“兩者”的字段,如圖所示。

圖 6. 網(wǎng)絡節(jié)點設置

點擊“選項”卡,進入選項設置,用戶可以在此設置鏈接數(shù)量的顯示范圍,不顯示一些鏈接數(shù)量低的鏈接,如圖所示。

圖 7. 網(wǎng)絡節(jié)點選項設置

點擊“運行”按鈕,這時會生成一個商品之間關聯(lián)程度(鏈接數(shù)量)的網(wǎng)絡圖,用戶可以在下方的調(diào)節(jié)桿上調(diào)節(jié)鏈接數(shù)量的顯示范圍。

圖 8. 網(wǎng)絡節(jié)點運行結果

上圖中,線的粗細和深淺代表聯(lián)系的強弱,可以直觀的看到 beer 和 frozenmeat,cannedeg 聯(lián)系程度比較強。接下來將開始本章節(jié)的重點部分,關聯(lián)規(guī)則模型節(jié)點的設置和使用。

第五步,添加“建模”節(jié)點到流中,開始關聯(lián)規(guī)則模型設置和使用的篇章。首先點擊界面下方“建?!边x項卡,再點擊“關聯(lián)”分類,將 Apriori 節(jié)點拖放到界面中,連接該節(jié)點到過濾節(jié)點上,或者雙擊 Apriori 節(jié)點。接著設置 Apriori 節(jié)點的參數(shù),建立關聯(lián)規(guī)則模型。雙擊打開 Apriori 節(jié)點,如下圖所示。

圖 9. Apriori 建模節(jié)點

該“字段”選項卡,是設置參與建模的字段和目標字段的,可以看到其中包括兩個選項,“使用類型節(jié)點設置”和“使用定制設置”,這里將為用戶分別呈現(xiàn)兩種選項的使用方法。這里無論選擇哪個選項,都需要將市場分析員重點關注的商品包括在其中,其他商品可以不包括。

如果用戶選擇“使用類型節(jié)點設置”選項,則需要雙擊打開“類型”節(jié)點,將啤酒設置為目標,將其他重點關注的商品設置為兩者或輸入,其他無用字段可以設置為無或輸入,如下圖所示。

圖 10. 設置字段當選擇“使用類型節(jié)點設置”

數(shù)據(jù)挖掘】應用關聯(lián)規(guī)則模型提高超市銷量(三)

如果用戶選擇“使用定制設置”選項,則需要將啤酒設置在“后項”列表中,將其他重點關注的商品設置在“前項”列表中,如下圖所示。

圖11. 設置字段當選擇“使用定制設置”

這里,分區(qū)允許您使用指定字段將數(shù)據(jù)分割為幾個不同的樣本,分別用于模型構建過程中的訓練、測試和驗證階段。如果設置了“分區(qū)”,除了在此選擇分區(qū)字段外,還需要在“模型”選項卡中,勾上“使用分區(qū)數(shù)據(jù)”的選擇框。關于“分區(qū)”的概念、作用和使用方法,本文不做詳細介紹。

除此,“使用事務處理格式”選擇框,是針對于事務性數(shù)據(jù)的,如果數(shù)據(jù)為交易格式,需要勾上此選擇框,但本示例的數(shù)據(jù)為表格格式,故無需選擇。

設置好了字段后,點擊“模型”選項卡,進入模型設置。如下圖所示。

圖 12. 設置模型選項卡

用戶可以在“模型名稱”處為本模型設置一個名字,如果想使用分區(qū)功能,則需要勾上“使用分區(qū)數(shù)據(jù)”選項。

用戶為規(guī)則模型設置一個 最低條件支持度,那么模型將從所有規(guī)則中選擇那些為真,并且其對應的記錄的百分比大于此值的規(guī)則。如果您獲得的規(guī)則適用于非常小的數(shù)據(jù)子集,請嘗試增加此設置。

接著,用戶需要為模型設置一個 最小規(guī)則置信度,表明正確預測的百分比。置信度低于指定標準的規(guī)則將被放棄。如果您獲得的規(guī)則太多,請嘗試增加此設置。如果您獲得的規(guī)則太少(甚至根本無法獲得規(guī)則),請嘗試降低此設置。

用戶還可以為任何規(guī)則指定“最大前項數(shù)”。這是一種用來限制規(guī)則復雜性的方式。如果規(guī)則太復雜或者太具體,請嘗試降低此設置。

對于“僅包含標志變量的真值”選項,如果對于表格格式的數(shù)據(jù)選擇了此選項,則在生成的規(guī)則中只會出現(xiàn)真值。這樣使得規(guī)則更容易理解。該選項不適用于事務格式的數(shù)據(jù)。

為了提高建模性能,設置了“優(yōu)化”選項供用戶選擇。選擇“速度”可指示算法從不使用磁盤溢出,以便提高性能。選擇“內(nèi)存”可指示算法在合適的時候,以犧牲某些速度為代價使用磁盤溢出。

接下來,進入“專家”選項卡,對于一般用戶,則選擇“簡單”選項;而對于高級用戶,則可以通過此頁面進行微調(diào),如下圖所示。

圖 13. 專家選項卡設置

關于“專家”選項的設置和介紹,請參見 IBM SPSS Modeler 幫助文檔。

此時,我們已經(jīng)創(chuàng)建好了關聯(lián)規(guī)則模型的整個流,點擊工具欄的綠色箭頭,運行該流,會生成一個“模型”節(jié)點,該節(jié)點里包含了模型運行結果。整個運行后的流圖,如下圖所示。

圖 14. 關聯(lián)規(guī)則模型流圖

第六步,在得到了運行結果后,我們雙擊打開生成的“模型”節(jié)點,點擊“顯示 / 隱藏標準菜單”下拉框,選擇“顯示所有”,結果如下圖所示。

數(shù)據(jù)挖掘】應用關聯(lián)規(guī)則模型提高超市銷量(四)


圖 15. 模型節(jié)點信息

從結果可以看出,通過關聯(lián)規(guī)則模型挖掘出了三個規(guī)則,分別是規(guī)則一,購買了凍肉(frozenmeal)和罐裝蔬菜(cannedveg)的顧客都會購買啤酒(beer);規(guī)則二,購買了凍肉的顧客都會購買啤酒;規(guī)則三,購買了罐裝蔬菜的顧客都會購買啤酒。其中,第一列代表結果,而下一列代表條件,后面的列包含規(guī)則信息,如置信度、支持度和提升等。

市場分析員對于模型結果的三條規(guī)則和規(guī)則信息,如何分析得出結論呢?首先分析第一條規(guī)則,購買了凍肉和罐裝蔬菜的顧客會購買啤酒,此規(guī)則中購買了凍肉和罐裝蔬菜的記錄有 173 條,占 17.3%,同時購買了凍肉、罐裝蔬菜和啤酒的記錄占 14.6%,而在購買了凍肉和罐裝蔬菜的顧客中會有 84.393% 的顧客會購買啤酒,并且提升為 2.88,表明此規(guī)則的相關性很強,部署能力和置信度類似,可以不考慮。對于規(guī)則二三,可以同樣分析。問題的關鍵是,哪些規(guī)則信息才能作為評判標準。通過對規(guī)則信息的分析和了解,建議將置信度和提升作為選擇規(guī)則的標準,因為置信度能反映出規(guī)則預測的準確程度,提升值越大,規(guī)則的相關性越強。據(jù)此,可以將規(guī)則一作為分析結果。

因此可以將啤酒和凍肉、罐裝蔬菜放在一起銷售,這也正好和前面的網(wǎng)絡節(jié)點圖的顯示相一致。

總結

本文通過一個實際的商業(yè)場景,引入了 IBM SPSS Modeler 關聯(lián)規(guī)則模型,首先給出了關聯(lián)規(guī)則的相關概念,接著帶領您一步一步的創(chuàng)建了數(shù)據(jù)流,并且介紹了模型的建立和設置,并且對結果進行了分析。您可以將本模型應用到其他的場景中,如網(wǎng)絡日志分析、銀行潛在客戶分析、電子商務的捆綁銷售等。



數(shù)據(jù)分析咨詢請掃描二維碼

若不方便掃碼,搜微信號:CDAshujufenxi

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進行初始化 // 參數(shù)1:配置參數(shù) // 參數(shù)2:回調(diào),回調(diào)的第一個參數(shù)驗證碼對象,之后可以使用它調(diào)用相應的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須,不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務器是否宕機 new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機 product: "float", // 產(chǎn)品形式,包括:float,popup width: "280px", https: true // 更多配置參數(shù)說明請參見:http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'!'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'!'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }