การวิเคราะห์ตะกร้าสินค้า (Market Basket Analysis) คืออะไร? ตัวชี้วัด ตัวอย่าง และกรณีการใช้งาน

การวิเคราะห์ตะกร้าสินค้า (Market basket analysis) เป็นวิธีการค้นหาว่าสินค้าใดบ้างที่มักจะถูกซื้อร่วมกันในธุรกรรมเดียวกัน โดยจะสแกนข้อมูลการสั่งซื้อเพื่อหาการจับคู่สินค้าที่เกิดขึ้นบ่อยกว่าที่คาดเดาโดยบังเอิญ รูปแบบแต่ละแบบจะอธิบายด้วยเกณฑ์ชี้วัดสามตัว ได้แก่ support, confidence และ lift ผู้ค้าปลีกและร้านค้าออนไลน์ใช้วิธีนี้ในการขายพ่วง (cross-selling) การจัดชุดสินค้า (bundles) และการจัดวางสินค้า

คู่มือนี้จะอธิบายวิธีการทำงานของวิธีนี้ วิธีคำนวณเกณฑ์ชี้วัดแต่ละตัว และวิธีอ่านผลลัพธ์ นอกจากนี้ยังครอบคลุมถึงอัลกอริทึมทั่วไป กรณีการใช้งานหลัก และข้อจำกัดที่ควรรู้ก่อนที่คุณจะนำกฎไปใช้งานจริง

การวิเคราะห์ตะกร้าสินค้าคืออะไร

แนวคิดพื้นฐานเบื้องหลังการวิเคราะห์ตะกร้าสินค้านั้นง่ายมาก ทุกคำสั่งซื้อคือตะกร้าสินค้าหนึ่งใบ จากตะกร้าสินค้าหลายพันใบ สินค้าบางรายการมักจะปรากฏร่วมกันอยู่เสมอ การวิเคราะห์นี้จะค้นหาการจับคู่เหล่านั้นและวัดว่าความสัมพันธ์แต่ละคู่นั้นแข็งแกร่งเพียงใด

ผลลัพธ์ที่ได้คือชุดของกฎความสัมพันธ์ (association rules) กฎจะระบุว่า "หากตะกร้าสินค้ามี A ก็มีแนวโน้มที่จะมี C ด้วย" โดยเรียก A ว่าเหตุ (antecedent) และเรียก C ว่าผล (consequent) ซึ่งทั้งสองอย่างนี้อาจเป็นสินค้าชิ้นเดียวหรือกลุ่มของสินค้าก็ได้

เอกสารประกอบของ mlxtend ซึ่งเป็นไลบรารี Python ที่ใช้กันอย่างแพร่หลายสำหรับงานนี้ ได้ยกตัวอย่างสุดคลาสสิกไว้ โดยอธิบายถึงกฎที่เสนอว่า "คนที่ซื้อผ้าอ้อมก็มีแนวโน้มที่จะซื้อเบียร์ด้วยเช่นกัน" ไม่ว่าการจับคู่นั้นจะเกิดขึ้นจริงในร้านค้าใดร้านค้าหนึ่งหรือไม่ แต่มันก็แสดงให้เห็นถึงรูปแบบของผลลัพธ์ที่ได้

เทคนิคนี้อยู่ในสาขาที่กว้างกว่าซึ่งเรียกว่าการเรียนรู้กฎความสัมพันธ์ (association rule learning) เอกสารของ mlxtend ระบุว่าอัลกอริทึม Apriori "ได้รับการออกแบบมาเพื่อทำงานกับฐานข้อมูลที่มีธุรกรรม เช่น การซื้อสินค้าโดยลูกค้าของร้านค้า" ธุรกิจค้าปลีกคือจุดเริ่มต้นของวิธีการนี้ แต่ข้อมูลใดๆ ที่ประกอบขึ้นเป็นตะกร้าสินค้าก็สามารถนำมาใช้ได้เช่นกัน

วิธีการทำงาน

การวิเคราะห์ตะกร้าสินค้าดำเนินการในสองขั้นตอน

ขั้นตอนที่หนึ่งคือการค้นหากลุ่มสินค้าที่พบบ่อย (frequent itemsets) กลุ่มสินค้าคือกลุ่มของสินค้าใดๆ เช่น {เคสโทรศัพท์, ฟิล์มกันรอย} จะถือว่าเป็นกลุ่มสินค้าที่พบบ่อยเมื่อปรากฏในสัดส่วนขั้นต่ำของธุรกรรมทั้งหมด โดยคุณเป็นผู้กำหนดค่าขั้นต่ำนั้น ซึ่งเรียกว่าเกณฑ์สนับสนุน (support threshold)

ขั้นตอนที่สองคือการเปลี่ยนกลุ่มสินค้าให้เป็นกฎ สำหรับกลุ่มสินค้าที่พบบ่อยแต่ละกลุ่ม อัลกอริทึมจะแบ่งกลุ่มสินค้าออกเป็นเหตุและผล และให้คะแนนกฎที่ได้ เอกสารของ mlxtend อธิบายว่าการสร้างกฎเป็น "งานทั่วไปในการทำเหมืองรูปแบบที่พบบ่อย (mining of frequent patterns)"

ข้อมูลนำเข้าจะมีรูปแบบเดียวกันเสมอ โดยแต่ละแถวคือหนึ่งธุรกรรม และแต่ละคอลัมน์จะระบุว่ามีสินค้านั้นอยู่ในธุรกรรมหรือไม่ ข้อมูลการสั่งซื้อที่ส่งออกจากแพลตฟอร์มอีคอมเมิร์ซส่วนใหญ่สามารถปรับให้อยู่ในรูปแบบนี้ได้ด้วยการทำ pivot

ตัวเลือกในการเตรียมข้อมูลสามประการจะกำหนดผลลัพธ์ก่อนที่จะคำนวณเกณฑ์ชี้วัดใดๆ ประการแรก ตัดสินใจว่าธุรกรรมคืออะไร ซึ่งปกติแล้วคือรหัสคำสั่งซื้อหนึ่งรายการ ประการที่สอง บันทึกการมีอยู่แทนที่จะเป็นจำนวน ดังนั้นสินค้าชิ้นเดียวกันสามชิ้นจะยังคงนับเป็นหนึ่งครั้ง ประการที่สาม เลือกระดับของรายละเอียด หมวดหมู่สินค้าจะให้กฎที่กว้างกว่าและมีจำนวนน้อยกว่า ในขณะที่ SKU แต่ละรายการจะให้กฎที่แม่นยำกว่าแต่ต้องการข้อมูลที่มากกว่า

เกณฑ์ชี้วัดหลักสามตัว

ทุกกฎจะได้รับตัวเลขสามตัว การอ่านค่าเหล่านี้ร่วมกันคือสิ่งที่จะช่วยแยกแยะระหว่างกฎที่มีประโยชน์กับการเกิดขึ้นโดยบังเอิญ

Support

Support คือสัดส่วนของธุรกรรมทั้งหมดที่มีกลุ่มสินค้านั้น หากคำสั่งซื้อ 60 จาก 1,000 รายการมีทั้งเคสโทรศัพท์และฟิล์มกันรอย ค่า support ของคู่นั้นคือ 0.06 หรือ 6%

Support จะบอกคุณว่ารูปแบบนั้นเกิดขึ้นบ่อยเพียงใด กฎที่มีค่า support ต่ำมากอาจเกิดขึ้นจริง แต่อาจเกิดขึ้นน้อยเกินกว่าจะนำไปใช้งานจริง

Confidence

Confidence คือความน่าจะเป็นที่จะพบผลลัพธ์ (consequent) เมื่อตะกร้าสินค้ามีเหตุ (antecedent) อยู่แล้ว ซึ่งมีค่าเท่ากับค่า support ของคู่สินค้าหารด้วยค่า support ของเหตุ

Confidence มีทิศทาง โดยค่า confidence ของ A ที่นำไปสู่ C มักจะแตกต่างจาก C ที่นำไปสู่ A ตัวอย่างการคำนวณด้านล่างจะแสดงให้เห็นว่าเพราะเหตุใด

Lift

Lift จะเปรียบเทียบความถี่ที่เกิดขึ้นจริงของคู่สินค้ากับสิ่งที่คุณคาดหวังหากสินค้าทั้งสองรายการไม่มีความเกี่ยวข้องกัน ซึ่งมีค่าเท่ากับค่า confidence ของกฎหารด้วยค่า support ของผลลัพธ์

เอกสารของ mlxtend อธิบายจุดอ้างอิงไว้อย่างชัดเจน: "หาก A และ C เป็นอิสระต่อกัน คะแนน Lift จะเท่ากับ 1 พอดี" ค่า lift ที่มากกว่า 1 หมายความว่าสินค้าปรากฏร่วมกันบ่อยกว่าที่คาดเดาโดยบังเอิญ ส่วนค่า lift ที่น้อยกว่า 1 หมายความว่าสินค้าปรากฏร่วมกันน้อยกว่าที่คาดเดาโดยบังเอิญ

ตัวอย่างการคำนวณ

สมมติว่าร้านค้าอิเล็กทรอนิกส์ออนไลน์แห่งหนึ่งมีคำสั่งซื้อ 1,000 รายการในหนึ่งเดือน

เกณฑ์ชี้วัด	ค่า
คำสั่งซื้อที่มีเคสโทรศัพท์	200
คำสั่งซื้อที่มีฟิล์มกันรอย	100
คำสั่งซื้อที่มีทั้งสองอย่าง	60
Support ของคู่สินค้า	60 / 1,000 = 0.06
Confidence, เคสโทรศัพท์ ไปยัง ฟิล์มกันรอย	0.06 / 0.20 = 0.30
Confidence, ฟิล์มกันรอย ไปยัง เคสโทรศัพท์	0.06 / 0.10 = 0.60
Lift	0.30 / 0.10 = 3.0

อ่านผลลัพธ์ในภาษาที่เข้าใจง่าย: ผู้ซื้อเคสโทรศัพท์สามในสิบคนซื้อฟิล์มกันรอยด้วย ผู้ซื้อฟิล์มกันรอยหกในสิบคนซื้อเคสโทรศัพท์ด้วย และสินค้าคู่นี้ปรากฏร่วมกันบ่อยกว่าที่คาดเดาโดยบังเอิญถึงสามเท่า

เมื่อได้ตารางกฎทั้งหมดกลับมา ให้ตรวจสอบตามลำดับขั้นตอน เรียงลำดับตามค่า lift เพื่อค้นหาความเชื่อมโยงที่แข็งแกร่งที่สุด ตัดกฎที่ต่ำกว่าค่า support ขั้นต่ำของคุณออก เนื่องจากเกิดขึ้นน้อยเกินกว่าจะนำไปใช้งานจริง จากนั้นใช้ค่า confidence เพื่อตัดสินใจว่าจะแนะนำในทิศทางใด

ตัวเลข confidence ทั้งสองตัวนำไปสู่การดำเนินการที่แตกต่างกัน การแนะนำเคสโทรศัพท์ให้กับผู้ซื้อฟิล์มกันรอยเป็นคำแนะนำที่แข็งแกร่งกว่า เนื่องจาก 60% ของพวกเขาเลือกซื้อเคสโทรศัพท์อยู่แล้ว ค่า lift จะเท่ากันทั้งสองทิศทาง ซึ่งเป็นเหตุผลว่าทำไม lift จึงเป็นเกณฑ์ชี้วัดที่ดีกว่าในการวัดความแข็งแกร่งของความเชื่อมโยงนั้นเอง

เกณฑ์ชี้วัดอื่นๆ ที่ควรรู้

เกณฑ์ชี้วัดหลักทั้งสามตัวครอบคลุมความต้องการส่วนใหญ่แล้ว แต่ไลบรารีต่างๆ จะรายงานเกณฑ์ชี้วัดอื่นๆ ที่ช่วยกรองกฎที่อ่อนแอออกไปด้วย

Leverage วัดช่องว่างระหว่างการเกิดขึ้นร่วมกันที่สังเกตได้กับการเกิดขึ้นร่วมกันที่คาดหวัง เอกสารของ mlxtend นิยามค่านี้โดยการเปรียบเทียบการเกิดขึ้นร่วมกันที่สังเกตได้กับ "ความถี่ที่คาดหวังหาก A และ C เป็นอิสระต่อกัน" ค่า leverage ที่เท่ากับ 0 หมายถึงความเป็นอิสระต่อกัน

Conviction วัดว่าผลลัพธ์ขึ้นอยู่กับเหตุมากน้อยเพียงใด เช่นเดียวกับ lift ค่าที่เท่ากับ 1 บ่งชี้ถึงความเป็นอิสระต่อกัน ค่าที่สูงขึ้นหมายความว่ากฎนี้ถูกละเมิดน้อยกว่าที่คาดเดาโดยบังเอิญ

ในทางปฏิบัติ ทีมส่วนใหญ่จะเรียงลำดับกฎตามค่า lift จากนั้นกรองด้วยค่า support และ confidence ขั้นต่ำ การผสมผสานดังกล่าวจะช่วยเผยให้เห็นรูปแบบที่แข็งแกร่ง เกิดขึ้นบ่อยพอที่จะมีความสำคัญ และน่าเชื่อถือ

อัลกอริทึม: Apriori และ FP-Growth

Apriori เป็นอัลกอริทึมสุดคลาสสิก เอกสารประกอบของ mlxtend อ้างอิงงานวิจัยปี 1994 ของ Agrawal และ Srikant เกี่ยวกับอัลกอริทึมที่รวดเร็วสำหรับการทำเหมืองกฎความสัมพันธ์เป็นแหล่งที่มา Apriori จะสร้างกลุ่มสินค้าทีละระดับและตัดกลุ่มสินค้าใดๆ ที่กลุ่มย่อยของมันไม่พบบ่อยออกไป ซึ่งช่วยให้การค้นหาอยู่ในขอบเขตที่จัดการได้

FP-Growth เข้าถึงกลุ่มสินค้าที่พบบ่อยแบบเดียวกันด้วยเส้นทางที่ต่างออกไป เอกสารของ mlxtend อธิบายว่ามันเป็น "ทางเลือกยอดนิยมแทนอัลกอริทึม Apriori ที่มีอยู่เดิม" โดยจะสร้างต้นไม้รูปแบบที่พบบ่อย (frequent pattern tree) และไม่จำเป็นต้องสร้างผู้สมัคร (candidate generation) เอกสารระบุว่าสิ่งนี้ทำให้มัน "น่าดึงดูดเป็นพิเศษสำหรับชุดข้อมูลขนาดใหญ่"

เกณฑ์สนับสนุน (support threshold) ทำงานในลักษณะเดียวกันในทั้งสองอัลกอริทึม เอกสารของ mlxtend ยกตัวอย่างง่ายๆ ว่า ที่เกณฑ์ 0.5 กลุ่มสินค้าที่พบบ่อยจะต้องปรากฏในธุรกรรมอย่างน้อยครึ่งหนึ่งของทั้งหมด เกณฑ์สำหรับธุรกิจค้าปลีกมักจะต่ำกว่านั้นมาก เนื่องจากแม้แต่คู่สินค้าที่ได้รับความนิยมก็ยังปรากฏในสัดส่วนที่น้อยของคำสั่งซื้อทั้งหมด

สำหรับคำถามทางธุรกิจส่วนใหญ่ การเลือกใช้อัลกอริทึมจะเปลี่ยนแค่ความเร็ว ไม่ใช่ผลลัพธ์ ทั้งสองวิธีจะให้กลุ่มสินค้าแบบเดียวกันสำหรับเกณฑ์สนับสนุนเดียวกัน

การวิเคราะห์ตะกร้าสินค้าใช้ทำอะไรบ้าง

การวิเคราะห์ตะกร้าสินค้ามักใช้กันมากที่สุดในธุรกิจค้าปลีกและอีคอมเมิร์ซ แต่กรณีการใช้งานยังขยายไปไกลกว่านั้นอีกด้วย

• การขายพ่วง (Cross-selling) แนะนำผลลัพธ์ (consequent) ที่หน้าชำระเงินเมื่อมีเหตุ (antecedent) อยู่ในรถเข็น
• การจัดชุดสินค้า (Bundles) รวมสินค้าที่มีค่า lift สูงเข้าด้วยกันเป็นข้อเสนอเดียว
• การจัดวางหน้าร้านและหน้าเว็บ วางสินค้าที่มักจะจับคู่กันไว้ใกล้กัน บนชั้นวางหรือบนหน้าสินค้า
• การวางแผนสินค้าคงคลัง จัดเก็บสินค้าที่จับคู่กันไว้ด้วยกัน เพื่อไม่ให้การขาดแคลนสินค้าชิ้นหนึ่งไปฉุดยอดขายของสินค้าอีกชิ้นหนึ่งโดยไม่รู้ตัว
• เนื้อหาและสื่อ มองเซสชันของผู้ใช้เป็นตะกร้าสินค้า และค้นหาว่าบทความหรือวิดีโอใดที่ถูกรับชมร่วมกัน
• บริการ ในธุรกิจธนาคารหรือโทรคมนาคม ให้มองผลิตภัณฑ์ของลูกค้าแต่ละรายเป็นตะกร้าสินค้า และค้นหาว่าการจับคู่แบบใดที่มักจะไปด้วยกัน
• การทบทวนแคมเปญ เปรียบเทียบค่า lift ของคู่สินค้าก่อนและระหว่างแคมเปญ การเพิ่มขึ้นอย่างรวดเร็วแสดงให้เห็นว่าแคมเปญได้เปลี่ยนพฤติกรรมการซื้อ ไม่ใช่แค่ปริมาณการซื้อ

แต่ละกรณีการใช้งานเริ่มต้นจากคำถามเดียวกัน: เมื่อลูกค้าเลือกสิ่งหนึ่งแล้ว พวกเขามีแนวโน้มที่จะเลือกอะไรอีกบ้าง?

การดำเนินการที่ตามมาควรสอดคล้องกับทิศทางของ confidence การจัดชุดสินค้าจะได้ผลดีเมื่อลูกค้าต้องการสินค้าทั้งสองอย่างร่วมกัน การแนะนำที่หน้าชำระเงินจะได้ผลดีเมื่อสินค้าชิ้นหนึ่งนำไปสู่อีกชิ้นหนึ่งได้อย่างน่าเชื่อถือ

การวิเคราะห์ตะกร้าสินค้า เปรียบเทียบกับ วิธีการที่เกี่ยวข้อง

การวิเคราะห์ตะกร้าสินค้ามักถูกสับสนกับการแบ่งส่วนลูกค้าและระบบแนะนำสินค้า ตารางด้านล่างแสดงให้เห็นถึงความแตกต่างของวิธีการเหล่านี้

วิธีการ	หน่วยของการวิเคราะห์	คำถามหลัก	ผลลัพธ์ทั่วไป
การวิเคราะห์ตะกร้าสินค้า	ธุรกรรม	สินค้าใดบ้างที่ไปด้วยกัน?	กฎความสัมพันธ์ที่มีค่า support, confidence และ lift
การแบ่งส่วนลูกค้า (Customer segmentation)	ลูกค้า	ลูกค้ากลุ่มใดที่มีความคล้ายคลึงกัน?	กลุ่มลูกค้าที่มีคุณลักษณะร่วมกัน
Collaborative filtering	ประวัติลูกค้าและสินค้า	คนๆ นี้จะชอบอะไรเป็นลำดับถัดไป?	การแนะนำแบบเฉพาะบุคคล (Personalized recommendations)
การวิเคราะห์กลุ่มประชากรตามรุ่น (Cohort analysis)	กลุ่มตามวันที่เริ่มต้น	พฤติกรรมเปลี่ยนแปลงไปอย่างไรตามกาลเวลา?	เส้นโค้งและตารางการรักษาลูกค้า (Retention curves and tables)

วิธีการเหล่านี้ส่งเสริมซึ่งกันและกัน การแบ่งส่วนลูกค้าสามารถบอกคุณได้ว่าใครคือลูกค้าที่มีมูลค่าสูงของคุณ และการวิเคราะห์ตะกร้าสินค้าสามารถบอกคุณได้ว่าลูกค้าเหล่านั้นซื้ออะไรบ้างร่วมกัน คู่มือการสร้างรายงานการแบ่งส่วนลูกค้าของเราจะครอบคลุมเนื้อหาในส่วนแรก และคำอธิบายเกี่ยวกับการวิเคราะห์กลุ่มประชากรตามรุ่น (cohort analysis) ของเราจะครอบคลุมในมิติด้านเวลา

ข้อจำกัดที่ควรรู้

กฎที่ได้จากการวิเคราะห์ตะกร้าสินค้านั้นมีประโยชน์ แต่ก็ง่ายที่จะตีความเกินจริงไป

การเกิดขึ้นร่วมกันไม่ใช่ความเป็นเหตุเป็นผล (Co-occurrence is not causation) คู่สินค้าที่มีค่า lift สูงจะบอกคุณว่าสินค้าสองรายการนั้นถูกซื้อร่วมกัน แต่ไม่ได้บอกว่าการซื้อสินค้าชิ้นหนึ่งเป็นสาเหตุให้อีกชิ้นหนึ่งถูกซื้อ

เกณฑ์เป็นตัวกำหนดคำตอบ หากตั้งค่า support สูงเกินไป คุณจะพลาดคู่สินค้าเฉพาะกลุ่ม (niche) ที่มีมูลค่า แต่หากตั้งค่าต่ำเกินไป คุณจะได้กฎหลายพันข้อ ซึ่งส่วนใหญ่เป็นเพียงสัญญาณรบกวน (noise)

สินค้าหายากจะตกหล่นไป สินค้าราคาแพงที่ถูกซื้อเพียงไม่กี่ครั้งต่อเดือนอาจไม่มีทางผ่านเกณฑ์ support ได้เลย แม้ว่าการจับคู่ของมันจะแข็งแกร่งมากก็ตาม

การคืนสินค้าและการยกเลิกทำให้ข้อมูลตะกร้าสินค้าบิดเบือน หากสินค้าที่ถูกคืนยังคงอยู่ในข้อมูล การวิเคราะห์จะนับการจับคู่ที่ลูกค้าได้ยกเลิกไปแล้ว คู่มือการทำรายงานการคืนสินค้าของเราจะครอบคลุมวิธีการวัดผลในส่วนนั้นแยกต่างหาก

คู่สินค้าจำนวนมากอาจทำให้เกิดรูปแบบที่ผิดพลาด แคตตาล็อกที่มีสินค้า 500 รายการจะมีคู่สินค้าที่เป็นไปได้มากกว่า 100,000 คู่ บางคู่อาจแสดงค่า lift ที่สูงโดยบังเอิญเท่านั้น ควรยืนยันกฎที่สำคัญกับข้อมูลในช่วงเวลาที่สองก่อนที่จะนำไปใช้งานจริง

เวลาเป็นสิ่งสำคัญ รูปแบบพฤติกรรมในช่วงเทศกาลวันหยุดอาจไม่เหมือนเดิมในฤดูใบไม้ผลิ ควรทำการวิเคราะห์กับช่วงเวลาที่เปรียบเทียบกันได้ก่อนที่คุณจะเปลี่ยนการจัดวางสินค้าหรือการจัดชุดสินค้า

วิธีการวิเคราะห์โดยไม่ต้องเขียนโค้ด

วิธีการแบบดั้งเดิมคือการใช้ Python ร่วมกับไลบรารีอย่าง mlxtend หรือใช้ SQL ในการนับคู่สินค้า ซึ่งทั้งสองวิธีจำเป็นต้องปรับรูปแบบข้อมูลการสั่งซื้อให้เป็นหนึ่งแถวต่อหนึ่งธุรกรรม และหนึ่งคอลัมน์ต่อหนึ่งสินค้า

สเปรดชีตสามารถจัดการกับข้อมูลขนาดเล็กได้ ตาราง pivot table จะนับคำสั่งซื้อต่อสินค้า และสูตร COUNTIFS จะนับคำสั่งซื้อที่มีสินค้าทั้งสองรายการในคู่ ข้อจำกัดคือเรื่องของขนาดข้อมูล เนื่องจากจำนวนคู่สินค้าที่เป็นไปได้จะเพิ่มขึ้นอย่างรวดเร็วตามขนาดของแคตตาล็อก

พื้นที่ทำงาน AI สามารถปรับรูปแบบข้อมูลและนับจำนวนจากการส่งออกข้อมูลคำสั่งซื้อทั่วไปได้ Powerdrill Bloom รองรับการอัปโหลดไฟล์ Excel และ CSV ในทุกแผนบริการ คุณสามารถถามได้ว่าสินค้าใดที่มักจะถูกซื้อร่วมกันบ่อยที่สุด และขอค่า support, confidence และ lift สำหรับคู่สินค้าอันดับต้นๆ ได้

เริ่มต้นด้วยการวิเคราะห์ในระดับหมวดหมู่เพื่อดูรูปแบบกว้างๆ จากนั้นจึงวิเคราะห์ซ้ำในระดับ SKU สำหรับหมวดหมู่ที่มีความสำคัญที่สุด

ตรวจสอบผลลัพธ์ในลักษณะเดียวกับที่คุณตรวจสอบสคริปต์ ยืนยันจำนวนธุรกรรม สุ่มตรวจคู่สินค้าหนึ่งคู่ด้วยตนเอง และตรวจสอบให้แน่ใจว่าได้คัดแยกคำสั่งซื้อที่คืนสินค้าออกไปแล้ว หน้า CSV AI assistant จะแสดงขั้นตอนการทำงานที่เน้นไฟล์เป็นหลัก

หากคุณมีข้อมูลการสั่งซื้อที่ส่งออกพร้อมแล้ว คุณสามารถทดลองใช้งาน Powerdrill Bloom กับข้อมูลนั้น และเปรียบเทียบคู่สินค้าอันดับต้นๆ กับสิ่งที่ทีมของคุณคาดการณ์ไว้ได้

คำถามที่พบบ่อย

การวิเคราะห์ตะกร้าสินค้าคืออะไร อธิบายแบบง่ายๆ?

มันคือวิธีการค้นหาว่าสินค้าใดบ้างที่ลูกค้ามักจะซื้อร่วมกัน โดยจะพิจารณาจากคำสั่งซื้อจำนวนมากและวัดว่าการจับคู่แต่ละแบบเกิดขึ้นบ่อยเพียงใด เมื่อเปรียบเทียบกับสิ่งที่คาดเดาโดยบังเอิญ

Lift ในการวิเคราะห์ตะกร้าสินค้าคืออะไร?

Lift จะเปรียบเทียบความถี่ที่สินค้าสองรายการปรากฏร่วมกันกับความถี่ที่พวกมันจะปรากฏหากไม่มีความเกี่ยวข้องกัน ค่า lift ที่เท่ากับ 1 หมายความว่าไม่มีความสัมพันธ์กัน ค่าที่มากกว่า 1 หมายความว่าปรากฏร่วมกันมากกว่าที่คาดไว้ และค่าที่น้อยกว่า 1 หมายความว่าน้อยกว่าที่คาดไว้

วิธีการคำนวณ support และ confidence ทำอย่างไร?

Support คือจำนวนธุรกรรมที่มีกลุ่มสินค้านั้นหารด้วยธุรกรรมทั้งหมด ส่วน Confidence คือค่า support ของคู่สินค้าหารด้วยค่า support ของเหตุ โดยปกติทั้งสองค่าจะแสดงในรูปของทศนิยมหรือเปอร์เซ็นต์

อัลกอริทึมใดที่ใช้สำหรับการวิเคราะห์ตะกร้าสินค้า?

Apriori เป็นอัลกอริทึมสุดคลาสสิก และ FP-Growth เป็นทางเลือกที่รวดเร็วกว่าซึ่งนิยมใช้กันทั่วไป ทั้งสองวิธีจะค้นหากลุ่มสินค้าที่พบบ่อยจากข้อมูลธุรกรรม จากนั้นจึงสร้างและให้คะแนนกฎจากกลุ่มสินค้าเหล่านั้น

คุณสามารถทำการวิเคราะห์ตะกร้าสินค้าใน Excel ได้หรือไม่?

ได้ สำหรับชุดข้อมูลขนาดเล็ก ตาราง pivot table จะนับคำสั่งซื้อต่อสินค้า และ COUNTIFS จะนับคำสั่งซื้อที่มีคู่สินค้า สำหรับแคตตาล็อกขนาดใหญ่ จำนวนคู่สินค้าจะเพิ่มขึ้นอย่างรวดเร็ว ดังนั้นการใช้สคริปต์หรือเครื่องมือ AI จึงมีความเหมาะสมในทางปฏิบัติมากกว่า

แหล่งที่มา: mlxtend, Association rules · mlxtend, Apriori ตัวอย่างการคำนวณใช้ตัวเลขเพื่อประกอบการอธิบายเท่านั้น