En el apasionante mundo del análisis de datos, existe una técnica que ha ganado popularidad en los últimos años: el Market Basket Analysis (Análisis de la Cesta de la Compra). Este enfoque nos permite descubrir patrones ocultos en los datos de compra de los clientes y entender las asociaciones entre los productos.
Los datos, la analítica y la inteligencia empresarial están revolucionando el mundo del comercio minorista. Un ejemplo claro es el análisis del carrito de compra, una técnica de minería de datos que descubre patrones de compra en el comercio minorista. Los minoristas de hoy deben centrarse necesariamente en el cliente si quieren ser competitivos a largo plazo. A este respecto, el análisis de la cesta de la compra viene al rescate, ya que permite realizar cálculos estadísticos de afinidad entre productos. El análisis de la cesta de la compra también desempeña un papel fundamental en la fidelización de los clientes. Gracias a esta técnica de análisis, se pueden personalizar las sugerencias y promociones en función de las compras ya realizadas por el cliente.
Para aplicar correctamente el análisis de la cesta de la compra, hay que partir del conjunto de datos de las transacciones. Pero es sobre todo la capacidad de aislar los datos más significativos, definir las métricas pertinentes y las reglas de análisis lo que garantiza el éxito del Análisis de la Cesta de Mercado.
¿Qué es el Market Basket Analysis?
El Market Basket Analysis es una técnica de análisis de datos que se utiliza para descubrir las asociaciones entre los productos comprados por los clientes. Se basa en la idea de que ciertos productos tienden a ser comprados juntos con más frecuencia de lo que se esperaría al azar. Por ejemplo, es posible que los clientes que compran cerveza también tiendan a comprar aceitunas o aquellos que compran leche también adquieran cereales.
Mediante el uso de algoritmos de minería de datos, es posible identificar combinaciones frecuentes de productos en las transacciones de compra.
Lea también: Guía Completa: Carrefour Market
Pasos Clave en el Market Basket Analysis
- Preparación de los datos: El primer paso en el Market Basket Analysis es recopilar los datos de las transacciones de compra de los clientes. Cada transacción se representa como un conjunto de productos adquiridos en una compra específica. Estos datos se estructuran en una matriz, donde cada fila representa una transacción y cada columna representa un producto.
- Cálculo de medidas: A partir de los datos de transacciones, se calculan varias medidas importantes para el análisis de la cesta de la compra. La medida principal es la frecuencia de co-ocurrencia, que indica cuántas veces ocurre una combinación particular de productos en todas las transacciones. También se calcula el soporte, que representa la proporción de transacciones que contienen esa combinación de productos.
- Generación de conjuntos frecuentes: Utilizando algoritmos de minería de datos como Apriori o FP-Growth, se identifican los conjuntos de productos que superan un umbral predefinido de frecuencia de ocurrencia.
- Generación de reglas de asociación: Una vez que se han identificado los conjuntos frecuentes, se generan reglas de asociación a partir de ellos. Una regla de asociación se compone de un antecedente (conjunto de productos) y un consecuente (otro conjunto de productos). Estas reglas se generan utilizando un umbral de confianza, que establece la probabilidad mínima requerida para que una regla sea considerada válida.
- Evaluación y selección de reglas: Las reglas de asociación generadas se evalúan utilizando medidas como la confianza y el lift. La confianza de una regla mide la proporción de transacciones que contienen el consecuente dado el antecedente. El lift, por otro lado, mide la fuerza de la asociación entre los conjuntos de productos y se calcula comparando la confianza de la regla con la probabilidad de que los conjuntos de productos se compren por separado.
- Interpretación de los resultados: Finalmente, las reglas de asociación seleccionadas se interpretan para obtener información valiosa.
Aplicaciones del Market Basket Analysis
El Market Basket Analysis tiene diversas aplicaciones en el mundo empresarial, especialmente en el retail.
- Estrategias de colocación de productos: El análisis de los patrones de compra puede ayudar a las tiendas a colocar los productos de manera más estratégica en las estanterías, colocando artículos relacionados cerca unos de otros para aumentar las ventas cruzadas.
- Recomendaciones personalizadas: Al comprender las asociaciones entre los productos, las empresas pueden ofrecer recomendaciones personalizadas a los clientes en función de sus compras anteriores. Esto mejora la experiencia del cliente y puede aumentar las ventas.
- Promociones y ofertas especiales: El Market Basket Analysis permite identificar qué productos tienen una alta probabilidad de ser comprados en conjunto.
Análisis de Reglas de Asociación
El análisis de reglas de asociación es una técnica para descubrir qué elementos de un conjunto y cómo éstos están asociados entre sí. Por ejemplo, qué conjunto de productos compran a la vez los consumidores con mayor frecuencia (es decir qué productos están relacionados entre sí). Lo que sirve de insumo de diversas estrategias tales como:
- Análisis del comportamiento del consumidor
- Ventas cruzadas
- Publicidad y descuentos personalizados
- Diseño de catálogo
- Cambio en la distribución de los productos
- Envío de correos electrónicos personalizados
A modo de ilustración, consideremos el siguiente ejemplo: Tenemos un conjunto de transacciones numeradas del 1 al 5. Cada transacción muestra los productos comprados. Se puede observar que los pañales son comprados en conjunto con las cervezas en 3 transacciones, al igual que el pan y la leche. Ambos conjuntos de productos se denominan conjuntos frecuentes.
Luego de aplicar el algoritmo respectivo a este conjunto de transacciones y de determinar ciertos parámetros se obtienen como resultado las reglas de asociación.
Un ejemplo de una regla de asociación es: {Pañales} → {Cerveza}. Que se puede interpretar de la siguiente manera: Los clientes que compran pañales también compran cerveza en la misma transacción. Sin embargo, a esta regla de como tal le faltan datos como: ¿Con qué probabilidad los clientes compraran ambos productos? ¿Qué tan fuerte es esta regla?
Lea también: El legado del Mercado de Vegueta en Gran Canaria
Por ello, formalmente una regla de asociación se presenta de la siguiente manera:
A → B [Soporte, Confianza]
Donde: "A" representa el antecedente y "B" el consecuente. Asimismo, A y B son conjuntos de productos del conjunto de transacciones y son conjuntos disjuntos.
Volviendo al ejemplo anterior, tenemos la regla de asociación:
Pañales → Cerveza [Soporte = 20%, Confianza = 60%]
Lea también: Vender Cursos Online: Análisis del Mercado
Que se puede interpretar de la siguiente manera: (i) 20% de las transacciones muestran que la Cerveza es comprada cuando se compran Pañales y (ii) 60% de los clientes que compraron Cerveza, compraron Pañales.
Conceptos Clave en el Análisis de Reglas de Asociación
Una vez que ya conocemos la estructura de una regla de asociación, es importante conocer los conceptos involucrados en su obtención.
- Conjunto: Colección de 1 o más elementos.
- Cuenta de soporte: Frecuencia de ocurrencia de un conjunto.
Soporte
Fracción del número de transacciones que contiene el conjunto "X".
Para un conjunto X: Soporte(X) = Frecuencia(X)/N
Para una regla de asociación A → B: Soporte(A→B) = Frecuencia (A,B)/N
Confianza
Para la regla A → B, la confianza muestra el porcentaje en la que B es comprado cuando se compra A. Confianza(A→B) = Frecuencia(A,B)/Frecuencia(A)
Es decir, el número de transacciones que presentan los conjuntos A y B, divididos por el número total de transacciones con el conjunto A presente.
En el ejemplo anterior, la confianza de la regla Pañales → Cerveza es:
Confianza(Pañales→Cerveza) = Frecuencia(Pañales,Cerveza)/Frecuencia(Pañales)
Confianza(Pañales→Cerveza) = 3/4 = 75%
La Cerveza es comprada en un 75% de ocasiones en las que los Pañales también son comprados.
Elevación
Para la regla A → B, la elevación indica la correlación entre A y B. La correlación muestra cómo el conjunto de elementos A afecta al conjunto de elementos B.
Elevación(A→B) = Soporte(A→B) / {Soporte(A) * Soporte(B)}
El resultado de la elevación se interpreta de la siguiente manera:
- Si la regla tiene una elevación de 1, entonces A y B son independientes y no se puede derivar ninguna regla de ellos.
- Si la elevación es > 1, entonces A y B dependen el uno del otro, y el grado del cual dependen está dado por el valor de la elevación.
- Si la elevación es <1, entonces la presencia de A tendrá un efecto negativo en B.
En el ejemplo anterior, la elevación de la regla Pañales → Cerveza es:
Elevación(Pañales→Cerveza) = Sop.(Pañales→Cerveza)/{Sop.(Pañales)*Sop.(Cervezas)}
Elevación(Pañales→Cerveza) = (3/5) / {(4/5) * (3/5)}
Elevación(Pañales→Cerveza) = 1.25
En este caso ambos conjuntos dependen el uno del otro.
Algoritmo Apriori
Existen varios algoritmos que buscan reglas de asociación en bases de datos. Los más utilizados son:
- Apriori
- Eclat
- Partition
Este algoritmo reduce la cantidad de conjuntos que necesitamos examinar de una base de datos de transacciones. Es decir, el algoritmo establece que si un conjunto de elementos es poco frecuente, entonces todos sus subconjuntos también deben ser poco frecuentes. Por ejemplo, si se descubrió que el conjunto {Leche} es poco frecuente, podemos esperar que {Leche, Mantequilla} sea igual o incluso menos frecuente. Por lo tanto, al consolidar la lista de conjuntos de elementos populares, no necesitamos considerar {Leche, Mantequilla}, ni ninguna otra configuración de conjunto de elementos que contenga {Leche}.
El algoritmo Apriori consta de los siguientes pasos:
- Paso 0. Empieza con conjuntos de elementos que contengan un solo elemento, como {Cerveza} y {Pañales}.
- Paso 1. Determina el soporte para los conjuntos de elementos. Mantiene los conjuntos de elementos que cumplan con un umbral mínimo de soporte y elimina los conjuntos de elementos que no.
- Paso 2. Utilizando los conjuntos de elementos que se guardaron del Paso 1, genera todas las configuraciones posibles de conjuntos de elementos.
- Paso 3. Repite los pasos 1 y 2 hasta que no haya más conjuntos de elementos nuevos.
IMPORTANTE: Se debe tener en cuenta que el umbral mínimo de soporte que elija en el Paso 1 puede basarse en análisis formales o experiencias pasadas.
El Market Basket Analysis es una poderosa técnica que permite a las empresas descubrir patrones ocultos en los datos de compra y utilizar esos conocimientos para mejorar sus estrategias de ventas y marketing. Al comprender las asociaciones entre los productos, las empresas pueden aumentar las ventas, mejorar la experiencia del cliente y optimizar su gestión de inventario.