从非技术的角度 直白的解释“关联规则”推荐

我们在线上购物的时候,经常都会遇到这种情况:当我把一件商品加入购物车以后,系统自动为我推荐了很多其他的商品。

这些其实关联规则推荐的应用案例,比较经典的就是“把啤酒放在尿不湿的旁边,有助于提升啤酒的销量”。

从非技术的角度 直白的解释“关联规则”推荐

什么是关联规则呢?

关联规则其实是一种数据挖掘概念,通过对数据的分析,找到数据之间的关联。

例如:

我们买面包的时候,常常会买牛奶。

我们买尿不湿的时候,常常都会买啤酒。

对于面包和牛奶、尿不湿和啤酒,他们就是一种关联规则。

什么是关联规则推荐呢?

其实就是,我让你在购买一件商品的同时,通过这件商品的关联规则,来对你进行商品的推荐,希望你也同时的将其购买。

例如:

我们把尿不湿和啤酒放在一起。

我们把牛奶放在面包的旁边。

从非技术的角度 直白的解释“关联规则”推荐

为什么要做关联规则推荐呢?

因为,在你购买了尿不湿以后,我给你推荐啤酒,比我直接给你推荐啤酒更加的有效。

试想一下,我如果直接给一个人推荐啤酒,其实我并不知道你是不是啤酒的潜在用户,失败的几率很大。

但是,如果一个男人去买尿不湿,那么他一定刚刚成为父亲不久,那么,买啤酒的几率就非常的大。因此,给买尿不湿的男人推销啤酒的效果就非常有效。

如何分析关联规则呢?

我们先假设我们的电商网站上有5中商品,分别是苹果、面包、牛奶、饼干、矿泉水。

今天,整个网站一共有5笔订单,分别购买了其中不同的几件商品,我们将这些订单进行分析。

从非技术的角度 直白的解释“关联规则”推荐

我们可以先分析一下,不同商品的支持度,也就是受欢迎层度。从上图我们可以知道,5笔订单中,有3笔都购买了苹果,那么说,苹果的支持度就是60%,最受欢迎的是什么呢?面包。所有的订单都购买了面包,支持率是100%。

支持度了解后,我们还要分析置信度。

什么是置信度呢?

就是,如果我们买了苹果,那么我们有多大可能性会买面包呢?

从非技术的角度 直白的解释“关联规则”推荐

从这张图我们可以看出,买了苹果的人,都会去买面包,也就是说,苹果->面包的置信度是100%。

那举一反三一下,面包->苹果的置信度呢?5次购买面包中,3次是买了苹果,也就是说,面包->苹果的置信度是60%。

关联规则的运用

从上面的图中,我们了解到了,买苹果的人一定会买面包,那么我们去给买苹果的人推荐面包,那么效果一定最好。

No,这种想法是错误的,因为买苹果的人100%会买面包,我们的推荐等于毫无意义。并且我们还可以看到,面包的支持率是100%,也就是说,我直接推荐面包,别人也会买,我不需要看到买苹果的人才去推荐。

我们怎么知道,我们应该推荐什么商品,应该在用户买什么商品的时候推荐呢?

其实就是看苹果->面包的置信度和面包支持度谁更高。


如果置信度更高,那么说明这样推荐是好的。

如果相等,那么说明两者没有直接的关系,推荐无意义。

如果支持度更高,那么说明这样的推荐是负面的。

例如:苹果-> 面包 置信度 = 100%,面包支持度 = 100%,两者相等,在买苹果时推荐面包是无意义的。

牛奶->矿泉水 置信度 = 50%,矿泉水支持度 = 40%,那么在买牛奶时推荐矿泉水是比单独推荐矿泉水好的,好的推荐。

牛奶->饼干 置信度 = 50%,饼干支持度 = 60%,那么在买牛奶时推荐饼干并没有单独推荐饼干好,这个推荐并不好。

如果大家有什么不同的意见,都可以留言告知我。


分享到:


相關文章: