Sayfalar

23 Mayıs 2014 Cuma

Sepet Analizi

 Datamining yöntemlerinin Perakende sektöründe kullanılan en yayğın ve bilindik uygulması "Sepet Analizi". Bu analiz için de en yayğın kullanılan yöntem "Association rule" (Birliktelik Kuralı).

 Sepet Analizinin hedefi; Müşterilerin, birlikte satın alınma eğilimi olan ürün veya ürün gruplarını tespit edebilmek ve bu bilgiler ışığında aksiyonlar almaktır.  Bu aksiyonlar, ilgili ürün grupları için önceden Kampanyalar düzenlemek olabileceği gibi Alışveriş sitelerinde sepetteki ürünlere bakarak o anda yeni ürünler önermek olabilir.

 Sepet Analizi perakende kanalında ilk defa büyük marketler için uygulanmaya başlanmıştır. Sepet Analizi ismi de ordan gelmektedir. Analizlerde birlikte satınalma durumunu incelemek için  set olarak Sepet (fatura) kullanılmaktadır. Aynı faturadaki ürünler bir set oluşturur.

 Bu yöntem market sektörü için doğru bir yöntem olmakla beraber perakende sektörünün diğer alanlarında özellikle Tekstil alanında yetersiz kalabilir. Çünkü bu alanda sepet içindeki ortalama ürün adetleri 1.6 , 1.9 seviyelerindedir. Yani 2 adetten bile azdır.  Özellikle sektörün doğası ve kampanya gibi yan etkilerden dolayı Sepet bölünmesi denilen durumlar da sıklıkla oluşur.

 Her faturayı kime kestiğini bilen şirketler için alternatif sepet yöntemleri belirlenebilir. Örneğin bir müşterinin Aynı gün içinde yaptığı (hatta aynı grubun farklı bir mağazası bile olabilir) tüm A/V bir sepet kabul edilebilir. Hatta Müşteri ve Bir Hafta 'nın tamamı çok daha iyi olabilir.

 Analizlerin Ürün seviyesinde değil Ürün Grupları seviyesinde yapılması daha doğrudur. Özellikle Moda sektöründe sezon kavramından dolayı ürün ömrü 6 - 8 ay civarıdır. Yine aynı nedenlerden dolayı yüzbinlerce üründen bahsetmek gerekir.

 Müşteri , Hafta ve Ürün Grubu bazında çalıştığımız taktirde aşağıdaki gibi bir örnek oluşabilir.

2013-22_20182767 ,  SWEAT
2013-22_20182767 ,  JEAN
2013-22_20182767 ,  ELBİSE

2013-22_20256035 ,  SWEAT
2013-22_20256035 ,  ELBİSE

2014-21_20871114 ,  SWEAT
2014-21_20871114 ,  JEAN

2014-21_19672967 ,  JEAN

2014-21_18693948 ,  SWEAT

2014-21_18693948  , GÖMLEK

 Çoğu dataming uygulaması yukardaki gibi olan transactional verileri de desteklemektedir. Fakat yapı olarak veri aslında aşağıdaki gibi işlenir.

  SWEATJEANELBİSEGÖMLEK
2013-22_20182767 1110
2013-22_20256035 1010
2014-21_20871114 1100
2014-21_19672967 0100
2014-21_18693948 1000
2014-21_18693948 0001

Sonuç olarak aşadağıdaki değerlere ulaşabiliriz; (Kaynak veri farklıdır)



lhs
rhs support confidence lift
1 {PANTOLON,





SWEAT} => {GÖMLEK} 0.010489 0.470527  2.123
2 {TRİKO,





SWEAT} => {GÖMLEK} 0.010627 0.410873 1.8542
3 {GÖMLEK,





TRİKO} => {SWEAT} 0.010627 0.371474 2.4407
4 {GÖMLEK,





PANTOLON} => {SWEAT} 0.010489 0.316852 2.0818
5 {PANTOLON} => {GÖMLEK} 0.033104 0.307297 1.3868


ilk satır için "Bir Sepette Pantalon ,Sweat , Gömlek olması tüm sepetlerin (Müşteri değil sepet) %1'inde görünmektedir. İçinde Pantolon ve Sweat olan sepetlerin ise %47 sinde Gömlek de vardır." anlamı çıkar.

 Bu bilgilerin ışığında Sepetine Pantalon ve Sweat atmış kişilere Gömlek önermek doğru olacağı gibi, Gömlek ikamesi olan ve satılması daha çok tercih edilen başka bir ürün ön plana çıkarılabilir.

Association rule çalışma şekli ve yukardaki tarz örneklerden sonuç elde edilmesi sonraki yazılarda anlatılacaktır.


Hiç yorum yok:

Yorum Gönder