Affinitetsanalys
Affinitetsanalys faller under paraplybegreppet data mining som avslöjar meningsfulla korrelationer mellan olika enheter beroende på deras samtidiga förekomst i en datamängd. I nästan alla system och processer kan tillämpningen av affinitetsanalys extrahera betydande kunskap om de oväntade trenderna [ citat behövs ] . Faktum är att affinitetsanalys drar fördel av att studera attribut som går ihop, vilket hjälper till att avslöja de dolda mönstren i en stor data genom att generera associationsregler. av associationsregler är tvåfaldig: för det första hittar den alla frekventa attribut i en datamängd och genererar sedan associationsregler som uppfyller vissa fördefinierade kriterier, stöd och förtroende, för att identifiera de viktigaste relationerna i den frekventa artikeluppsättningen. Det första steget i processen är att räkna samförekomsten av attribut i datamängden. Därefter skapas en delmängd som kallas den frekventa artikeluppsättningen. Föreningens regler gruvdrift tar formen av att om ett tillstånd eller en egenskap (A) är närvarande, så existerar ett annat tillstånd eller en egenskap (B). Det första villkoret eller särdraget (A) kallas antecedent och det senare (B) kallas konsekvent . Denna process upprepas tills inga fler vanliga objektuppsättningar hittas. Det finns två viktiga mått för att utföra föreningsreglernas gruvteknik: stöd och förtroende. Dessutom en a priori-algoritm för att minska sökutrymmet för problemet.
Stödmåttet i algoritmen för inlärning av associationsregeln definieras som frekvensen av att föregångaren eller följden uppträder tillsammans i en datamängd. Dessutom uttrycks förtroende som tillförlitligheten hos associeringsreglerna som bestäms av förhållandet mellan dataposterna som innehåller både A och B. Minimitröskeln för stöd och förtroende är input till modellen. Med tanke på alla ovan nämnda definitioner kan affinitetsanalys utveckla regler som kommer att förutsäga förekomsten av en händelse baserat på förekomsten av andra händelser. Denna datautvinningsmetod har utforskats inom olika områden, inklusive sjukdomsdiagnos, marknadskorganalys, detaljhandel, högre utbildning och finansiell analys. Inom detaljhandeln används affinitetsanalys för att utföra marknadskorganalys, där återförsäljare försöker förstå kundernas köpbeteende. Denna information kan sedan användas för korsförsäljning och merförsäljning , förutom att påverka säljkampanjer , lojalitetsprogram, butiksdesign och rabattplaner .
Tillämpning av affinitetsanalystekniker i detaljhandeln
Marknadskorganalys kan berätta för en återförsäljare att kunder ofta köper schampo och balsam tillsammans , så att sätta båda artiklarna på kampanj samtidigt skulle inte skapa en betydande ökning av intäkterna, medan en kampanj som bara involverar en av artiklarna sannolikt skulle öka försäljningen av Övrig.
Marknadskorgsanalys kan ge återförsäljaren information för att förstå köpbeteendet hos en köpare. Denna information kommer att göra det möjligt för återförsäljaren att förstå köparens behov och skriva om butikens layout i enlighet därmed, utveckla korskampanjer eller till och med fånga nya köpare (ungefär som korsförsäljningskonceptet ) . Ett apokryfiskt tidigt illustrativt exempel på detta var när en supermarknadskedja i sin analys upptäckte att manliga kunder som köpte blöjor ofta också köpte öl, har lagt blöjorna nära ölkylarna och deras försäljning ökat dramatiskt. Även om denna urbana legend bara är ett exempel som professorer använder för att illustrera konceptet för studenter, kan förklaringen till detta imaginära fenomen vara att pappor som skickas ut för att köpa blöjor ofta också köper en öl som belöning. Denna typ av analys är förmodligen ett exempel på användningen av data mining . Ett flitigt använt exempel på korsförsäljning på webben med marknadskorganalys är Amazon.com:s användning av "kunder som köpte bok A köpte också bok B", t.ex. "Personer som läste History of Portugal var också intresserade av Naval History " .
Marknadskorgsanalys kan användas för att dela in kunder i grupper . Ett företag kan titta på vilka andra saker som folk köper tillsammans med ägg och klassificera dem som att baka en kaka (om de köper ägg tillsammans med mjöl och socker) eller göra omeletter (om de köper ägg tillsammans med bacon och ost). Denna identifiering kan sedan användas för att driva andra program. På samma sätt kan den användas för att dela in produkter i naturliga grupper. Ett företag kan titta på vilka produkter som oftast säljs tillsammans och anpassa sin kategorihantering efter dessa klickar.
Företagsanvändningen av marknadskorganalys har ökat avsevärt sedan införandet av elektroniska försäljningsställen . Amazon använder affinitetsanalys för korsförsäljning när det rekommenderar produkter till människor baserat på deras köphistorik och köphistoriken för andra personer som köpt samma vara. Family Dollar planerar att använda marknadskorganalys för att bibehålla försäljningstillväxten samtidigt som de går mot att lagra fler förbrukningsvaror med låg marginal .
Tillämpning av affinitetsanalystekniker i klinisk diagnostik
En viktig klinisk tillämpning av affinitetsanalys är att den kan utföras på medicinska patientjournaler för att generera associationsregler. De erhållna associationsreglerna kan ytterligare bedömas för att hitta olika förhållanden och egenskaper som sammanfaller på ett stort informationsblock. Det är avgörande att förstå om det finns ett samband mellan olika faktorer som bidrar till ett tillstånd för att kunna administrera de effektiva förebyggande eller terapeutiska insatserna. Inom evidensbaserad medicin kan det att hitta samtidiga symtom som är associerade med att utveckla tumörer eller cancer hjälpa till att diagnostisera sjukdomen i dess tidigaste skede. Förutom att utforska sambandet mellan olika symtom hos en patient relaterade till en specifik sjukdom, kan de möjliga sambanden mellan olika sjukdomar som bidrar till ett annat tillstånd också identifieras med hjälp av affinitetsanalys.
Se även
Vidare läsning
- J. Han et al., 2006, Data Mining: Concepts and Techniques ISBN 978-1-55860-901-3
- V. Kumar et al. 2005 Introduktion till Data Mining ISBN 978-0-321-32136-7
- U. Fayyad et al. 1996 Advances in Knowledge Discovery and Data Mining ISBN 978-0-262-56097-9