[cafe] 장바구니 분석

연관분석을 통해 최강의 메뉴조합을 찾아보자

Jun 22, 2023

Contents

1. 연관 분석 2. 주요 지표 3. Apriori 알고리즘 4. 연관성 분석해보기

1. 연관 분석

‘무엇이 무엇과 잘 어울리는지’를 밝혀내는 것

서로 다른 아이템의 구매 간 의존성을 결정하기 위해 고객의 거래 데이터베이스를 분석하는데서 비롯됨(=장바구니 분석)

어떤 두 아이템 집합이 빈번히 발생하는가의 규칙을 찾아서 데이터에 숨어있는 사건 또는 항목 간의 규칙을 찾아내는 방법론

단점 :

생성되는 규칙이 너무 많음 → 유용하고 강한 규칙으로 이루어진 작은 집합으로 줄이는 방법 필요
드문 조합은 최소 지지도 조건을 만족시키지 못해 무시되는 경향

2. 주요 지표

: 한 슈퍼마켓의 DB에 10만개의 매장 거래 기록이 있고, 오렌지 주스+감기약 거래가 2,000개, +수프의 거래가 800개라면 ‘IF 오렌지 주스와 감기약이 판매되면 THEN 같은 거래에서 수프도 판매된다’는 연관규칙의 지지도는 0.8%(800/100,000), 신뢰도는 40%(800/2,000)이다.

지지도(support)

P(A∩B) = {A와 B가 동시에 포함된 거래수 \over 전체 거래수 }

신뢰도

{P(A∩B)\over P(A)} = {A와 B가 동시에 포함된 거래수 \over A를 포함하는 거래수 }

향상도 : 연관규칙의 강도를 가늠하기 위해 사용하며, 향상비가 1보다 크면 이 규칙에 유용성이 있다.

{P(B|A)\over P(B)}={P(A∩B)\over P(A)P(B)} = {A와 B가 동시에 포함된 거래수 × 전체거래수 \over A 포함거래수 × B포함 거래수}

교차 지지도 : 지지도와 향상도를 곱한 후 제곱근을 취한 값. 향상도와 지지도가 모두 높을수록 교차 지지도는 높아진다

\sqrt{Support(A,B)×Lift(A→B)}

향상도 해석	ㅤ	교차 지지도 해석	ㅤ
Lift < 1	Lift가 1보다 작을수록, X-Y는 음의 관계를 가진다	Lift는 작은데 Support 클 때	증분은 작지만 도달 범위가 넓어서 임팩트를 낼 수 있다
Lift = 1	X-Y는 관계가 없다	Lift는 큰데 Support 작을 때	ㅤ
Lift > 1	Lift가 1보다 클수록, X-Y는 양의 관계를 가진다	Lift는 작은데 Support 클 때	ㅤ
ㅤ	ㅤ	Lift는 큰데 Support 클 때	증분도 크고 도달범위도 넓어서 가장 임팩트를 내기 좋다

3. Apriori 알고리즘

최소 지지도 기준을 입력함

이 지지도 기준보다 빈번하게 발생하지 않는 항목 집합의 경우, 이후 노드에서 탐색을 추가로 진행하지 않음

https://pub.towardsai.net/association-discovery-the-apriori-algorithm-28c1e71e0f04

4. 연관성 분석해보기

데이터 전처리

방문 ID 만들기 (고객 ID와 방문일자 조합)

메뉴명 전처리 (ice/hot 통일, 세부 메뉴 합치기)

방문일자와 상품을 행으로 갖는 데이터프레임 제작

인코딩

메뉴명을 원핫인코딩해주고, 방문ID drop


te = TransactionEncoder()
te_ary = te.fit_transform(df['상품_리스트'])
df_encoded = pd.DataFrame(te_ary, columns=te.columns_)

Apriori 알고리즘 사용

최소 지지도 설정

조합 수 설정

향상도 순 정렬


def go_apriori(data, min_지지도=0.01, min_향상도=0.1, n=20, keyword='아메리카노'):
  df = data.copy()
  df = df.groupby('방문ID')['N_상품명'].apply(list).reset_index(name='상품_리스트')

  te = TransactionEncoder()
  te_ary = te.fit_transform(df['상품_리스트'])
  df_encoded = pd.DataFrame(te_ary, columns=te.columns_)

  # 부분집합들을 생성 - Apriori 함수를 통해 최소 지지도(min_support)를 입력하고 itemsets 의 최대 원소 개수(max_len)를 입력하여 필요한 부분 집합들을 생성
  frequent_featuresets = apriori(df_encoded, min_support = min_지지도, use_colnames = True, max_len = 3)
  # min 향상도 지정
  rules = association_rules(frequent_featuresets, metric = 'lift', min_threshold = min_향상도)
  # 교차지지도 지정
  rules['interest_support'] = rules['lift']*rules['support'].apply(lambda x: math.sqrt(x))

  if keyword is None:
    result = rules.sort_values(by='interest_support', ascending=False)
  else:
    result = rules[rules['consequents'].str.contains(keyword, regex=False, na=False)].sort_values(by='interest_support', ascending=False)
  return result.head(n)

1. 전체 방문

아메리카노 조합(바닐라 라떼 or 휘낭시에 or 브라운치즈크로플)이 가장 지지도가 높았다. 전반적으로 아메리카노 주문량이 높은 것에 기인하는 것으로 보인다.

시그니처 메뉴인 코클슈페너와 조합(초코크림라떼 or 휘낭시에 or 브라운치즈크로플)이 향상도가 높았다.

2. 첫 방문

에스프레소 종류가 향상도가 높은 편이었다. (주로 같이 시킨다)

아메리카노를 포함해 시그니처 메뉴가 지지도가 높았다.

3. 재 방문

첫방문 대비 눈에 띄게 향상도가 낮아졌다. (같이 시키는 메뉴가 분산되었다. 바닐라 라떼와의 조합이 많다)

Google Colaboratory

https://colab.research.google.com/drive/1gcM-vO4N5WYKPvx4CgiP_wopCf9XOyRE?usp=sharing

Contents

1. 연관 분석 2. 주요 지표 3. Apriori 알고리즘 4. 연관성 분석해보기

def go_apriori(data, min_지지도=0.01, min_향상도=0.1, n=20, keyword='아메리카노'): df = data.copy() df = df.groupby('방문ID')['N_상품명'].apply(list).reset_index(name='상품_리스트') te = TransactionEncoder() te_ary = te.fit_transform(df['상품_리스트']) df_encoded = pd.DataFrame(te_ary, columns=te.columns_) # 부분집합들을 생성 - Apriori 함수를 통해 최소 지지도(min_support)를 입력하고 itemsets 의 최대 원소 개수(max_len)를 입력하여 필요한 부분 집합들을 생성 frequent_featuresets = apriori(df_encoded, min_support = min_지지도, use_colnames = True, max_len = 3) # min 향상도 지정 rules = association_rules(frequent_featuresets, metric = 'lift', min_threshold = min_향상도) # 교차지지도 지정 rules['interest_support'] = rules['lift']*rules['support'].apply(lambda x: math.sqrt(x)) if keyword is None: result = rules.sort_values(by='interest_support', ascending=False) else: result = rules[rules['consequents'].str.contains(keyword, regex=False, na=False)].sort_values(by='interest_support', ascending=False) return result.head(n)