- 产品
- 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
全程“零”编码,高效实现主数据模型、主数据维护、主数据分发、主数据质量的全过程管理,为企业主数据管理落地提供有效支撑,实现各业务系统间的主数据共享,保障企业主数据的唯一性、准确性、一致性。
覆盖数据建模、采集、处理、集成、共享、交换、安全脱敏于一体,一站式解决数据开发所有的问题。
统一指标定义,实现“一变多变、一数多现”的数据管理效果,为企业提供强有力的数字化保障和驱动效应。
零代码+AI,有“问”必答的数字助理,利用AI大模型和数字人技术,通过语音&文字输入问题,自动识别业务指令,深度理解用户意图的问题,洞察数据,人机交互,重新定义BI新体验。
面向企业级数据资产交易运营场景,助力企业实现数据资产的价值挖掘、升值和资产变现。
时间:2019-12-13来源:亿信华辰浏览数:409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?
对分析表中的数据进行补录或修改
在可视化建模的同时同步完成ETL流程设计
可任意制作酷炫灵动的图标和大屏
只需简单拖拽维度和指标即可生成相应的分析图表
让繁琐复杂的数据挖掘过程变得简单易用