推 jlhc:看是要從刺激消費 鼓勵消費 還是鞏固消費的角度出發和實驗吧 04/30 01:30
※ 引述《pologuy (購物慾好強)》之銘言：
: ex：
: 甲買商品A 同時會購買BC
: 乙買商品A 同時會購買CD
: 因此A和C的關聯性較高
: 那麼要如何將A商品的關聯性商品記錄下來，並且將較高關聯性的商品（如上述C）推薦給
: \
: 消費者？
: 這是小弟之前面試的題目，想不到好的方法，想請教各位！
比較好的策略在其他篇已經有許多人討論過了。
我試著回憶一下 association rule 怎麼玩（無奈都還給老師了xd）
看了 wiki 複習一下手算比較好算的 fp-tree
首先，我們要先 count 每個 item 出現的數量
T1 A, B, C
T2 A, C, D
COUNT:
A=2
C=2
B=1
D=1
依 count 數重排 Tx 內的 item：
T1 A, C, B
T2 A, C, D
然後，依出現頻率建出 fp-tree：
(FP-ROOT)
/
A:2
/
C:2
/ \
B:1 D:1
PS. 廣告時間：
fp-tree 小巧輕便，現在 ram 又那麼便宜（不然就上 ec2 開個機器吧）
分別算出各種 rule 的支持度與信賴度：
conf(A(supp:1) => C(supp:1)) = (1 * 1) / 1 = 100%
conf(A(supp:1) => B(supp:0.5)) = (1 * 0.5) / 1 = 50%
conf(A(supp:1) => D(supp:0.5)) = (1 * 0.5) / 1 = 50%
conf(AC(supp:1) => B(supp:0.5)) = (1 * 0.5) / 1 = 50%
conf(AC(supp:1) => D(supp:0.5)) = (1 * 0.5) / 1 = 50%
conf(AB(supp:0.5) => C(supp:1)) = (0.5 * 1) / 0.5 = 100%
conf(AB(supp:0.5) => D(supp:0.5)) = (0.5 * 0.5) / 0.5 = 50%
conf(AD(supp:0.5) => B(supp:0.5)) = (0.5 * 0.5) / 0.5 = 50%
conf(AD(supp:0.5) => C(supp:1)) = (0.5 * 1) / 0.5 = 100%
conf(CB(supp:0.5) => A(supp:1)) = (0.5 * 1) / 0.5 = 100%
conf(CB(supp:0.5) => D(supp:0.5)) = (0.5 * 0.5) / 0.5 = 50%
conf(CD(supp:0.5) => A(supp:1)) = (0.5 * 1) / 0.5 = 100%
conf(CD(supp:0.5) => B(supp:0.5)) = (0.5 * 0.5) / 0.5 = 50%
...........................................................
(手酸了，這也許會有算錯xd)
在原來的要是，你得找出購買 A 一定會購買 C 的理由。
單純依信賴度（簡單說，它是條件機率），來看
A => C, confidence = 100%
但是『連結帳櫃檯都觀察得到的 rule』真的有利可圖嗎！？
如果今天進來 100 人，有 99 人都買了 A, C。
你投入的行銷資源只能進歩 1% 而已耶。
公佈這結果只是幫助還沒有達到這成果的競爭對手撿便宜罷了。
除非你有同相近性質的銷售點可以運用這個規則來獲利。
Data Mining 的課本總寫著找出 interesting rule，
這也是為什麼顧問重要，算出結果後要怎麼用是一門大學問。
那個題目讓我會很想要挑戰它，挑戰的點在於這條 rule 能產生多少利益。
以這個 case 來說，那些 50% conf 的反而值得去促銷。
把一定能賣得出去 A, C 在不同點綁 B, D 賣（做 AB Test !?）
看哪種策略能把獲利再提昇。
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 220.130.128.164