Интеллектуальный анализ данных в 1С Предприятие 8.0



             

Поиск ассоциаций


Этот метод предназначен для выявления устойчивых комбинаций элементов в определенных событиях или объектах . Результаты анализа представляются в виде групп ассоциированных элементов. Здесь же, помимо выявленных устойчивых комбинаций элементов, приводится развернутая аналитика по ассоциированным элементам (рис. 4).

Fig.4

Рис. 4. Представление результатов анализа методом "поиска ассоциаций" в виде групп ассоциированных элементов.

Первоначально метод был разработан для поиска типичных сочетаний товаров в покупках, поэтому иногда его еще называют анализом покупательской корзины. Применительно к этому сценарию в качестве ассоциируемых элементов, как правило, выступают товарные группы или отдельные товары. А группирующим объектом, объединяющим элементы выборок, может быть любой объект информационной системы, идентифицирующий сделку: например, заказ покупателя, акт об оказании услуг или кассовый чек.

Информация о закономерностях в товарных предпочтениях покупателей повышает эффективность управления отношениями с клиентами (в части рекламных кампаний и маркетинговых акций), ценообразования (формирование комплексных предложений и системы скидок), управления запасами и мерчендайзинга (распределение товаров в торговых залах). Другой пример использования этого метода - определение предпочитаемых клиентами комбинаций рекламных каналов, чтобы исключить их дублирование при проведении целевых рекламных кампаний. Это позволяет существенно снизить издержки на подобные мероприятия.

Реализованный в платформе алгоритм поиска ассоциаций имеет достаточно гибкие средства управления адекватностью моделей анализа или прогноза. Параметр "Минимальный процент случаев" определяет "порог срабатывания" алгоритма на ту или иную комбинацию элементов в событии или объекте, что позволяет не принимать во внимание слабо распространенные ассоциации. Параметр "Минимальная достоверность" определяет требуемую устойчивость искомых ассоциаций, а параметр "Минимальная значимость" позволяет выявить наиболее приоритетные из них. Существенно облегчает восприятие результатов анализа и прогноза параметр "Тип отсечения правил", который может принимать значения "Отсекать избыточные" и "Отсекать покрытые другими правилами".

Для практической интерпретации результатов, полученных с помощью данного алгоритма, критически важно разбиение исходного множества ассоциируемых элементов на действительно однородные с точки зрения проводимого анализа группы.




Содержание  Назад  Вперед