Η Ανάλυση συσχέτισης (Association Analysis) και η μάθηση κανόνων συσχέτισης (Association Rule Learning), περιλαμβάνουν ένα σύνολο τεχνικών ανάλυσης που αποσκοπούν στην εύρεση συσχετίσεων μεταξύ συγκεκριμένων στοιχείων. Τα στοιχεία μπορεί να είναι είτε προϊόντα, είτε κατηγορίες προϊόντων σε καταστήματα λιανικής πώλησης, είτε άτομα που πραγματοποιούν αγορές σε ένα συγκεκριμένο ιστότοπο ή σε μη διαδικτυακό χώρο. Ακόμα τέτοιες τεχνικές μπορούν να λάβουν χώρα σε ιατρικά δεδομένα, περιβαλλοντολογικά δεδομένα και σε πολλά άλλα επιστημονικά πεδία. Από το σύνολο των τεχνικών ανάλυσης, η ανάλυση του καλαθιού αγοράς (Market Basket Analysis ) είναι η τεχνική με την οποία θα ασχοληθούμε σε αυτή την εργασία.
Το αντικείμενο μελέτης της παρούσας εργασίας είναι η αναγνώριση προτύπων συμπεριφοράς καταναλωτών μέσα από πραγματικά δεδομένα συναλλαγών. Πιο συγκεκριμένα, η ανάλυσή μας αποτελείται από δύο μέρη. Αρχικά, ερευνούμε μέσα από τα καλάθια των καταναλωτών ενός συγκεκριμένου καταστήματος λιανικής πώλησης, για διάστημα δύο μηνών, εάν και σε πιο βαθμό υπάρχουν προϊόντα που αγοράζονται μαζί από τους καταναλωτές. Προσπαθούμε να διακρίνουμε τις καταναλωτικές ανάγκες βρίσκοντας συνδυασμούς προϊόντων και κατηγοριών προϊόντων που εμφανίζονται συχνά μαζί στα καλάθια των καταναλωτών. Εν συνεχεία, στο δεύτερο μέρος της ανάλυσης μας, χρησιμοποιούμε δεδομένα συναλλαγών από το ίδιο κατάστημα, για διάστημα δύο εβδομάδων όπου τη μία από τις δύο εβδομάδες κάποια προϊόντα βρίσκονται σε προσφορά. Με την ανάλυση αυτών των δεδομένων ελέγχουμε αν οι προωθητικές ενέργειες επηρεάζουν τη συμπεριφορά των καταναλωτών ως προς την επιλογή των προϊόντων που τοποθετούν στο καλάθι τους.
Για να αναλύσουμε τα καλάθια των καταναλωτών και να βρούμε πιθανές συσχετίσεις των προϊόντων που περιέχουν, χρησιμοποιούμε τα εργαλεία της ανάλυσης συσχέτισης. Προκειμένου να εξορύξουμε τις ανωτέρω συσχετίσεις χρησιμοποιούμε τον Αλγόριθμο Apriori, έναν αλγόριθμο συσχετίσεων, ο οποίος εντοπίζει αρχικά μεμονωμένα στοιχεία που εμφανίζονται συχνά στη βάση δεδομένων και τα επεκτείνει σε μεγαλύτερα σύνολα, εφόσον τα τελευταία έχουν και αυτά μεγάλη συχνότητα εμφάνισης.
Αξιολογώντας τα αποτελέσματα που εξόρυξε ο αλγόριθμος, καταλήγουμε σε αρκετά συμπεράσματα. Τα αποτελέσματα που προήλθαν από τα πραγματικά δεδομένα του καταστήματος δείχνουν ότι υπάρχουν συσχετίσεις τόσο μεταξύ των προϊόντων όσο και μεταξύ των κατηγοριών, εκ των οποίων οι περισσότερες είναι αναμενόμενες.
(EL)
Association Analysis and Learning Association Rules include a set of analysis techniques designed to find correlations between items. Items can be either products or product categories in retail stores, or people who shop on a specific site or on a non-online site. Moreover, such techniques can take place in medical data, environmental data and in many other scientific fields. From all the analysis techniques, the market basket analysis is the technique with which we will deal with in this work.
The subject of this study is the recognition of consumer behavior patterns through real data transactions. More specifically, our analysis consists of two parts. Initially, we investigate through the consumer baskets of a specific store for a period of two months, if and to what extent there are products purchased at the same time by consumers. We try to discern consumer needs by finding combinations of products and product categories that often appear together in consumer baskets. Then, in the second part of our analysis, we used transaction data from the same store for a two-week period where several products on the second week are on offer. The analysis of these data determines whether the promotional actions affect the behavior of consumers in choosing the products they place together in their basket.
To analyze consumer baskets and find possible associations of the items they contain, we use the tools of association analysis. In order to extract the above associations, we use the Apriori Algorithm, an association algorithm, which initially identifies individual items most frequently displayed in the database and extends them to larger sets, since the latter also have a high incidence.
Evaluating the results that the algorithm exerted, we come up with several conclusions. The results from the actual store data show that there are associations between both products and categories, most of which are expected.
(EN)
