- 数据分析
- 数据治理
- 产品解决方案
- 行业解决方案
- 案例
- 数据资产入表
- 赋能中心
- 伙伴
- 关于
时间:2019-12-13来源:亿信华辰浏览数:366次
送走了双十一、“黑五”、双十二又双叒叕来啦!你是否已准备好新一轮的“放血”?一打开各大电商网站,发现推荐的商品正好都是我们想买的,是不是很意外,还一边感慨真是比你自己更懂你。啊,钱包不够用了。
为什么电商网站越来越懂我们,其实这里面用到了数据挖掘中的关联规则,是典型的应用。类似应用还有很多,例如:资讯类APP的推荐;微博推荐等,他们织了一层密密的网,把用户牢牢的锁住。
接下来我们以淘宝这个典型的应用来为大家介绍,在购物场景下,是如何做关联分析,并帮助购物者更快速并更多地买到自己想要的东西。
全文讲解中所用到的产品是由亿信华辰提供的数据挖掘平台豌豆DM。
整个过程分为以下几个步骤:
应用目标:从订单数据集中找出关联度较高的商品。
下图的数据集为淘宝的订单数据集(1000条订单号,20个商品类别)。
首先通过豌豆DM提供的数据探索功能,查看数据是否存在缺失值,如果缺失应通过数据预处理功能,剔除缺失的数据。通过数据探索发现,该数据集的完整性较好,不需要做数据预处理。
然后创建关联规则的挖掘过程,选择FP-Growth或Apriori算法来训练模型,得到我们需要的关联规则。下图例子中,我们认为支持度大于10%,可信度大于60%的规则,是客户经常同时购买的商品。如客户经常就会将喜力啤酒、苏打、饼干一起购买。
这便是淘宝当发现你购买了啤酒或苏打,会推荐你购买饼干的原因。
得到关联规则模型结果后,我们可以发布该模型到模型库,以供后续模型应用使用。
最后在模型应用界面,我们只需简单的拖拽,即可完成模型应用的制作。模型应用以表格和推荐图的形式,展现了推荐商品的规则。当关联规则较多的时候,我们也可以通过筛选输入商品的参数,快速查询该商品的推荐规则。
从上图我们发现:
当购物者购买了牛油果和洋姜时,系统会自动为他推荐啤酒;购买橄榄和腌牛肉,系统会自动推荐胶鲜鱼,省去了购物者搜索的操作,提高了购物网站的销量。买完这个买那个,根本停下来。
这就是WonderDM关联分析应用的魅力所在,让不知不觉中为用户提供了很大的便利,当然,同时也榨干了我们的钱包。这些技术在方便我们的同时,也带来信息泄露、消费陷阱等风险,你怎么看?