ما هو تحليل سلة المشتريات؟ المقاييس، والأمثلة، وحالات الاستخدام

يعد تحليل سلة السوق طريقة لمعرفة المنتجات التي يتم شراؤها معًا في نفس المعاملة. حيث يفحص بيانات الطلبات للبحث عن مجموعات العناصر التي تظهر معًا بشكل متكرر أكثر مما قد يتوقعه الاحتمال العشوائي. وتصف ثلاثة مقاييس كل نمط: الدعم (support)، والثقة (confidence)، والرفع (lift). ويستخدمه تجار التجزئة والمتاجر الإلكترونية للبيع العابر، وتقديم حزم المنتجات، وتنسيق عرض المنتجات.

يوضح هذا الدليل كيفية عمل هذه الطريقة، وكيفية حساب كل مقياس، وكيفية قراءة النتائج. كما يغطي الخوارزميات الشائعة، وحالات الاستخدام الرئيسية، والحدود التي يجدر بك معرفتها قبل اتخاذ أي إجراء بناءً على أي قاعدة.

ما هو تحليل سلة السوق؟

الفكرة الأساسية وراء تحليل سلة السوق بسيطة؛ فكل طلب يمثل سلة من العناصر. وعبر آلاف السلال، تستمر بعض العناصر في الظهور معًا. ويكشف هذا التحليل تلك المجموعات ويقيس مدى قوة كل منها.

وتكون المخرجات عبارة عن مجموعة من قواعد الارتباط. وتُقرأ القاعدة كالتالي: "إذا كانت السلة تحتوي على أ، فمن المحتمل أيضًا أن تحتوي على ج". يُطلق على "أ" اسم المقدم (antecedent)، وعلى "ج" اسم التالي (consequent). ويمكن أن يكون كلاهما عناصر فردية أو مجموعات من العناصر.

تقدم وثائق mlxtend، وهي مكتبة Python مستخدمة على نطاق واسع في هذا العمل، المثال التوضيحي الكلاسيكي؛ حيث تصف قاعدة تشير إلى "أن الأشخاص الذين يشترون حفاضات الأطفال من المحتمل أيضًا أن يشتروا البيرة". وسواء كان هذا الاقتران صحيحًا في متجر معين أم لا، فإنه يوضح شكل المخرجات.

تنتمي هذه التقنية إلى مجال أوسع يسمى تعلم قواعد الارتباط. وتشير وثائق mlxtend إلى أن خوارزمية Apriori "قد صُممت للعمل على قواعد البيانات التي تحتوي على معاملات، مثل عمليات الشراء التي يقوم بها عملاء المتجر". وقطاع التجزئة هو المكان الذي بدأت فيه هذه الطريقة، ولكنها صالحة للعمل مع أي بيانات تتكون من سلال.

كيف يعمل؟

يمر تحليل سلة السوق بمرحلتين.

المرحلة الأولى تبحث عن مجموعات العناصر المتكررة. مجموعة العناصر هي أي مجموعة من المنتجات، مثل {حافظة الهاتف، واقي الشاشة}. وتُعتبر متكررة عندما تظهر في حد أدنى معين على الأقل من إجمالي المعاملات. وأنت من يحدد هذا الحد الأدنى، والذي يُسمى عتبة الدعم (support threshold).

المرحلة الثانية تحول مجموعات العناصر إلى قواعد. فلكل مجموعة عناصر متكررة، تقوم الخوارزمية بتقسيمها إلى مقدم وتالٍ، ثم تمنح القاعدة الناتجة درجة تقييم. وتصف وثائق mlxtend توليد القواعد بأنه "مهمة شائعة في تنقيب الأنماط المتكررة".

وتكون المدخلات دائمًا بنفس الشكل؛ حيث يمثل كل صف معاملة، ويحدد كل عمود ما إذا كان العنصر موجودًا فيها أم لا. ويمكن إعادة تشكيل ملفات تصدير الطلبات من معظم منصات التجارة الإلكترونية إلى هذا التنسيق باستخدام جدول محوري (pivot).

وتحدد ثلاثة خيارات للتحضير شكل النتيجة قبل حساب أي مقياس. أولاً، حدد ما تشكله المعاملة، وعادةً ما تكون معرف طلب واحد. ثانياً، سجل وجود العنصر بدلاً من كميته، بحيث تُحسب ثلاث وحدات من عنصر واحد كمرة واحدة فقط. ثالثاً، اختر مستوى التفاصيل؛ حيث تعطي فئات المنتجات قواعد أقل وأوسع نطاقاً، بينما تعطي رموز SKU الفردية قواعد أكثر دقة تتطلب المزيد من البيانات.

المقاييس الثلاثة الأساسية

يحصل كل نمط على ثلاثة أرقام. وقراءتها معًا هي ما يميز القاعدة المفيدة عن الصدفة العابرة.

الدعم (Support)

الدعم هو نسبة المعاملات التي تحتوي على مجموعة العناصر من إجمالي المعاملات. فإذا كان 60 طلباً من أصل 1,000 طلب يحتوي على كل من حافظة الهاتف وواقي الشاشة، فإن دعم هذا الزوج هو 0.06، أو 6%.

يخبرك الدعم بمدى شيوع النمط. فالقاعدة ذات الدعم المنخفض للغاية قد تكون حقيقية ولكنها نادرة جداً لدرجة يصعب معها اتخاذ إجراء بناءً عليها.

الثقة (Confidence)

الثقة هي احتمالية ظهور العنصر التالي، بشرط أن تحتوي السلة بالفعل على العنصر المقدم. وهي تساوي دعم الزوج مقسوماً على دعم العنصر المقدم.

للتوجيه اتجاه محدد؛ فثقة أن يؤدي "أ" إلى "ج" تختلف عادةً عن ثقة أن يؤدي "ج" إلى "أ". ويوضح المثال العملي أدناه سبب ذلك.

الرفع (Lift)

يقارن مقياس الرفع التكرار الفعلي للزوج بما تتوقعه إذا كان العنصران غير مرتبطين. وهو يساوي ثقة القاعدة مقسومة على دعم العنصر التالي.

تصف وثائق mlxtend النقطة المرجعية بوضوح: "إذا كان أ و ج مستقلين، فستكون درجة الرفع 1 تماماً". ويعني الرفع الذي يزيد عن 1 أن العناصر تظهر معاً بشكل متكرر أكثر مما قد يحدث بالصدفة، بينما يعني الرفع الأقل من 1 أنها تظهر معاً بشكل أقل تكراراً.

مثال عملي

لنأخذ متجراً إلكترونياً للأجهزة الإلكترونية يتلقى 1,000 طلب في الشهر.

المقياس	القيمة
الطلبات التي تحتوي على حافظة هاتف	200
الطلبات التي تحتوي على واقي شاشة	100
الطلبات التي تحتوي على كليهما	60
دعم الزوج	60 / 1,000 = 0.06
الثقة، من حافظة الهاتف إلى واقي الشاشة	0.06 / 0.20 = 0.30
الثقة، من واقي الشاشة إلى حافظة الهاتف	0.06 / 0.10 = 0.60
الرفع (Lift)	0.30 / 0.10 = 3.0

اقرأ النتائج بعبارات بسيطة: ثلاثة من كل عشرة مشترين لحافظة الهاتف اشتروا أيضاً واقي شاشة. وستة من كل عشرة مشترين لواقي الشاشة اشتروا أيضاً حافظة هاتف. ويظهر الزوج معاً بمعدل ثلاثة أضعاف ما قد يتوقعه الاحتمال العشوائي.

عندما تحصل على جدول القواعد الكامل، اقرأه بترتيب محدد؛ قم بالفرز حسب الرفع للعثور على أقوى الروابط، واستبعد القواعد التي تقل عن الحد الأدنى للدعم لديك لأنها نادرة جداً لدرجة يصعب معها اتخاذ إجراء، ثم استخدم الثقة لتحديد الاتجاه الذي ستوصي به.

تؤدي قيمتا الثقة إلى إجراءات مختلفة؛ فاقتراح حافظة هاتف لمشتري واقي الشاشة هو التوصية الأقوى، لأن 60% منهم يشترونها بالفعل. وتكون قيمة الرفع هي نفسها في كلا الاتجاهين، ولهذا السبب يعد الرفع مقياساً أفضل لقوة الرابط نفسه.

مقاييس أخرى يجدر بك معرفتها

تغطي المقاييس الثلاثة الأساسية معظم الاحتياجات، لكن المكتبات البرمجية تقدم مقاييس أخرى تساعد في تصفية القواعد الضعيفة.

يقيس مقياس التأثير (Leverage) الفجوة بين التزامن الملاحظ والمتوقع. وتعرفه وثائق mlxtend بمقارنة التزامن الملاحظ مع "التكرار المتوقع إذا كان أ و ج مستقلين". وتعني قيمة التأثير البالغة 0 الاستقلالية التامة.

يقيس مقياس اليقين (Conviction) مدى قوة اعتماد العنصر التالي على المقدم. ومثل مقياس الرفع، تشير القيمة 1 إلى الاستقلالية، وتعني القيم الأعلى أن القاعدة تُخترق بمعدل أقل مما قد توحي به الصدفة.

ومن الناحية العملية، تقوم معظم الفرق بفرز القواعد حسب الرفع، ثم تصفيتها بناءً على حد أدنى من الدعم والثقة. ويُظهر هذا المزيج الأنماط القوية والشائعة بما يكفي لتكون ذات أهمية وموثوقية.

الخوارزميات: Apriori و FP-Growth

تعد Apriori الخوارزمية الكلاسيكية في هذا المجال. وتستشهد وثائق mlxtend بورقة بحثية نُشرت عام 1994 بواسطة Agrawal و Srikant حول الخوارزميات السريعة لتنقيب قواعد الارتباط كمصدر لها. وتقوم Apriori ببناء مجموعات العناصر مستوى تلو الآخر وتستبعد أي مجموعة عناصر لا تكون مجموعاتها الفرعية متكررة، مما يحافظ على إمكانية إدارة عملية البحث.

تصل خوارزمية FP-Growth إلى نفس مجموعات العناصر المتكررة عبر مسار مختلف. وتصفها وثائق mlxtend بأنها "بديل شائع لخوارزمية Apriori الراسخة". وهي تبني شجرة أنماط متكررة ولا تتطلب توليد مرشحين، وتقول الوثائق إن هذا يجعلها "جذابة بشكل خاص لمجموعات البيانات الكبيرة".

تعمل عتبة الدعم بنفس الطريقة في كلتيهما. وتعطي وثائق mlxtend مثالاً بسيطاً: عند عتبة 0.5، يجب أن تظهر مجموعة العناصر المتكررة في نصف المعاملات على الأقل. وعادةً ما تكون العتبات في قطاع التجزئة أقل بكثير، لأن الأزواج الشائعة تظهر في حصة صغيرة من الطلبات.

بالنسبة لمعظم أسئلة الأعمال، فإن اختيار الخوارزمية يغير السرعة وليس النتائج؛ فكلتاهما تعيدان نفس مجموعات العناصر لنفس عتبة الدعم.

ما هي استخدامات تحليل سلة السوق؟

يعد تحليل سلة السوق أكثر شيوعاً في قطاع التجزئة والتجارة الإلكترونية، ولكن حالات استخدامه تمتد إلى مجالات أوسع.

• البيع العابر (Cross-selling). التوصية بالعنصر التالي عند الدفع عندما يكون العنصر المقدم في عربة التسوق.
• حزم المنتجات. تجميع العناصر ذات الرفع العالي في عرض واحد.
• تنسيق المتجر والصفحة. وضع العناصر المقترنة بشكل متكرر بالقرب من بعضها البعض، سواء على الرف أو في صفحة المنتج.
• تخطيط المخزون. تخزين العناصر المقترنة معاً، حتى لا يؤدي نقص أحدها إلى تراجع مبيعات الآخر دون أن تشعر.
• المحتوى والوسائط. معاملة جلسة المستخدم كسلة، ومعرفة المقالات أو مقاطع الفيديو التي يتم استهلاكها معاً.
• الخدمات. في قطاع البنوك أو الاتصالات، يتم التعامل مع منتجات كل عميل كسلة ومعرفة المجموعات التي تميل للظهور معاً.
• تقييم الحملات. مقارنة الرفع لزوج من المنتجات قبل الحملة وأثنائها؛ حيث يظهر حدوث قفزة أن الحملة غيرت سلوك الشراء، وليس فقط حجم المبيعات.

تبدأ كل حالة استخدام من نفس السؤال: عندما يختار العملاء شيئاً واحداً، ما الذي يميلون إلى اختياره أيضاً؟

ويجب أن يتطابق الإجراء التالي مع اتجاه الثقة؛ فالحزمة المشتركة تنجح عندما يكون كلا العنصرين مطلوبين معاً، بينما ينجح اقتراح الدفع عندما يؤدي عنصر واحد بشكل موثوق إلى الآخر.

تحليل سلة السوق مقارنة بالطرق ذات الصلة

غالباً ما يتم الخلط بين تحليل سلة السوق وتقسيم العملاء ومحركات التوصية. ويوضح الجدول التالي أوجه الاختلاف بينها.

الطريقة	وحدة التحليل	السؤال الرئيسي	المخرجات النموذجية
تحليل سلة السوق	المعاملات	ما هي العناصر التي تتماشى معاً؟	قواعد الارتباط مع الدعم والثقة والرفع
تقسيم العملاء	العملاء	أي العملاء متشابهون؟	مجموعات من العملاء ذوي السمات المشتركة
التصفية التعاونية	سجل العميل والعنصر	ما الذي سيعجب هذا الشخص بعد ذلك؟	توصيات مخصصة
تحليل الفئات (Cohort analysis)	المجموعات حسب تاريخ البدء	كيف يتغير السلوك بمرور الوقت؟	منحنيات وجداول الاحتفاظ بالعملاء

تكمل هذه الطرق بعضها البعض؛ حيث يمكن أن يخبرك التقسيم بمن هم عملاؤك ذوو القيمة العالية، ويمكن أن يخبرك تحليل سلة السوق بما يشتريه هؤلاء العملاء معاً. ويغطي دليلنا حول كيفية بناء تقرير تقسيم العملاء النصف الأول، بينما يغطي شرحنا لـ تحليل الفئات (cohort analysis) البعد الزمني.

حدود يجدر بك معرفتها

القواعد الناتجة عن تحليل سلة السوق مفيدة، ولكن من السهل المبالغة في تفسيرها.

التزامن لا يعني السببية. يخبرك الزوج ذو الرفع العالي أن عنصرين يتم شراؤهما معاً، ولكنه لا يخبرك أن شراء أحدهما يتسبب في شراء الآخر.

العتبات تحدد الإجابة. إذا قمت بتعيين حد الدعم مرتفعاً جداً، فستفقد أزواجاً متخصصة ولكنها قيمة. وإذا قمت بتعيينه منخفضاً جداً، فستحصل على آلاف القواعد، والكثير منها مجرد تشويش.

العناصر النادرة تضيع. قد لا يصل عنصر باهظ الثمن يتم شراؤه بضع مرات في الشهر إلى عتبة الدعم أبداً، حتى لو كانت اقتراناته قوية.

المرتجعات والإلغاءات تشوه السلال. إذا بقيت العناصر المرتجعة في البيانات، فسيحسب التحليل اقترانات تراجع عنها العملاء. ويغطي دليلنا لـ تقرير مرتجعات المنتجات كيفية قياس هذا الجانب بشكل منفصل.

كثرة الأزواج تعني وجود بعض الأنماط الخاطئة. يحتوي كتالوج يضم 500 عنصر على أكثر من 100,000 زوج محتمل. وسوف يظهر لبعضها رفع عالٍ بمحض الصدفة وحدها. تأكد من القواعد المهمة في فترة بيانات ثانية قبل اتخاذ إجراءات بناءً عليها.

الوقت مهم. قد لا تستمر الأنماط التي تظهر خلال موسم العطلات في فصل الربيع. قم بإجراء التحليل على فترات قابلة للمقارنة قبل تغيير التنسيق أو الحزمة.

كيف تقوم بالتحليل دون كتابة تعليمات برمجية؟

المسار الكلاسيكي هو استخدام Python مع مكتبة مثل mlxtend، أو استخدام SQL لعد الأزواج. ويتطلب كلاهما إعادة تشكيل بيانات الطلبات لتصبح في صف واحد لكل معاملة وعمود واحد لكل عنصر.

يمكن لجدول البيانات معالجة نسخة مصغرة؛ حيث يقوم الجدول المحوري بعد الطلبات لكل عنصر، وتقوم صيغة COUNTIFS بعد الطلبات التي تحتوي على كلا العنصرين في الزوج. والحد هنا هو الحجم، لأن عدد الأزواج المحتملة ينمو بسرعة مع نمو الكتالوج.

يمكن لمساحة عمل الذكاء الاصطناعي إجراء إعادة التشكيل والعد من ملف تصدير طلبات عادي. يتيح Powerdrill Bloom تحميل ملفات Excel و CSV في كل خطة. ويمكنك السؤال عن المنتجات التي يتم شراؤها معاً في أغلب الأحيان وطلب الدعم والثقة والرفع لأبرز الأزواج.

ابدأ بالتشغيل على مستوى الفئة لرؤية الأنماط العامة، ثم أعد التشغيل على مستوى SKU للفئات الأكثر أهمية.

تحقق من المخرجات بنفس الطريقة التي تتحقق بها من أي كود برمجى؛ تأكد من عدد المعاملات، وافحص زوجاً واحداً يدوياً بشكل عشوائي، وتأكد من استبعاد الطلبات المرتجعة. وتوضح صفحة مساعد CSV بالذكاء الاصطناعي سير العمل الذي يركز على الملفات أولاً.

إذا كان لديك ملف تصدير طلبات جاهز، فيمكنك تجربة Powerdrill Bloom عليه ومقارنة الأزواج الأكثر تكراراً بما يتوقعه فريقك.

الأسئلة الشائعة

ما هو تحليل سلة السوق بكلمات بسيطة؟

هو طريقة لمعرفة المنتجات التي يميل العملاء إلى شراؤها معاً. حيث ينظر في العديد من الطلبات ويقيس مدى تكرار ظهور كل مجموعة، مقارنة بما قد يتوقعه الاحتمال العشوائي.

ما هو مقياس الرفع (lift) في تحليل سلة السوق؟

يقارن مقياس الرفع مدى تكرار ظهور عنصرين معاً بمدى تكرار ظهورهما إذا كانا غير مرتبطين. ويعني الرفع بقيمة 1 عدم وجود ارتباط، بينما يعني ما فوق 1 أنهما يظهران معاً أكثر من المتوقع، وما دون 1 يعني أقل.

كيف تحسب الدعم والثقة؟

الدعم هو عدد المعاملات التي تحتوي على مجموعة العناصر مقسوماً على إجمالي المعاملات. والثقة هي دعم الزوج مقسوماً على دعم العنصر المقدم. ويتم عرض كليهما عادةً كأرقام عشرية أو نسب مئوية.

ما هي الخوارزمية المستخدمة في تحليل سلة السوق؟

تعد Apriori الخوارزمية الكلاسيكية، وتعتبر FP-Growth بديلاً أسرع وشائعاً. وتجد كلتاهما مجموعات العناصر المتكررة من بيانات المعاملات، ثم يتم توليد القواعد وتقييمها بناءً على تلك المجموعات.

هل يمكنك إجراء تحليل سلة السوق في Excel؟

نعم، لمجموعات البيانات الصغيرة؛ حيث يقوم الجدول المحوري بعد الطلبات لكل عنصر، وتقوم صيغة COUNTIFS بعد الطلبات التي تحتوي على زوج معين. وبالنسبة للكتالوجات الكبيرة، ينمو عدد الأزواج بسرعة، لذا فإن استخدام كود برمجي أو أداة ذكاء اصطناعي يعد أكثر عملية.

المصادر: mlxtend، قواعد الارتباط · mlxtend، Apriori. يستخدم المثال العملي أرقاماً توضيحية.