Применение метода ассоциативных правил в анализе данных для стимулирования продаж

При сравнении алгоритмов важно знать, как их сложность зависит от объёма входных данных. Так, например, при сортировке одним методом обработка тысячи чисел занимает 1 с., а обработка миллиона чисел — 10 с., при использовании другого алгоритма может потребоваться 2 с. и 5 с. соответственно. То есть сравнение алгоритмов в данном случае не возможно. Сложность алгоритма можно оценить по порядку величины. Алгоритм имеет сложность O (f (n)), если при увеличении размерности входных данных N, время выполнения алгоритма возрастает с той же скоростью, что и функция f (N).Рассмотрев критерии сравнения алгоритмов осуществим выбор наиболее эффективного из описанных выше. Оценка алгоритмов осуществлялась экспертным методом по пятибалльной шкале. В таблице 1.1 представлено сравнение рассмотренных алгоритмов поиска ассоциативных правил. Таблица 1.1Сравнение рассмотренных алгоритмов поиска ассоциативных правил

ХарактеристикиAISSETMAprioriЭффективность поиска345Вычислительная сложность345Требования к памяти344Время работы334Интегральная оценка91 114

Сравнительный анализ показал, что наиболее эффективным является алгоритм Apriori и его модификации.

1.5 Формулировка задачи поиска ассоциаций

Применение ассоциативных правил позволяет определить предпочтения клиентов, и предложить именно этот товар. Описание задачи:

Возьмем торговую компании. Компания реализует 10 000 наименований продукции. Основной задачей компании является реализация продукции. Рассмотрим существующий процесс работы с клиентом. В офис компании приходит клиент, ему предлагается прайс со всеми наименованиями товаров. Обычно клиент идет за конкретными наименованиями, но при этом у него еще есть ресурс средств, которые он не потратил. Менеджер вводит в автоматизированную систему выбранные клиентом наименования и формирует накладную. При этом он не пытается предложить клиенту прочие связанные с выбранными клиентом товарами наименования. Клиент покидает офис с выбранными наименованиями и остатком денежных средств. Это не самая лучшая ситуация. Рассмотрим теперь ситуацию, когда менеджер предлагает клиенту дополнительные позиции товара. Важным моментом при этом является большое пространство товарного ассортимента и невозможности менеджером выявить возможные потребности у покупателя. Как результат менеджер предлагает клиенту позиции, которые его не интересуют. Описанные выше ситуации — это ситуации упущенной выгоды. Помочь менеджеру может знание товарных наборов, которые содержат группы товаров приобретаемые вместе. Вариант решения задачи

Для выявления товарных наборов необходимо применение алгоритма поиска ассоциативных правил. Сформулируем правила алгоритма поиска ассоциаций:

Если покупатель купил A1 и A2 … и A n, то вероятнее всего, он купит B1 и B2 … и B m. Если покупатель купил A1 и товар A2 … и товар A n, то вероятнее всего, он купит C1 и C2 … и C

k.Если покупатель купил D1 и D2 … и D t, то вероятнее всего, он купит E1 и E2 … и E p (A1, A2, …, An), …, (D1, D2, …, Dt) — наименования, которые покупатель купил в текущей транзакции, а (B1, B2, … Bm), …, (C1, C2, …, Ck), …, (E1, E2, …, Ep) — наименования, которые он склонен купить вместе с первой группой товаров. При одном условии (A1 и A2 …

и A n) может быть несколько вариантов следствий. Если предложенные менеджером товары, входящие в следствие 1-го правила (B1, B2, … Bm), покупателя не устраивают, то менеджер может предложить товары, входящие в следствие другого правила (C1, C2, …, Ck).

1.6 Техническоезадание на разработку

Полное наименование программного обеспечения «Информационная система поиска ассоциативных правил». Данное программное обеспечение поиск ассоциаций в массиве транзакций. Объект автоматизации: торговое предприятие. Вид автоматизированной деятельности: поиск ассоциативных правил. Формат входных данных: номер транзакции, товар. Формат выходных данных: ассоциативные правила. Условия эксплуатации объекта автоматизации:

операционная система Microsoft Windows 7. С программным обеспечением может работать любой пользователь, обладающий основными навыками работы на персональном компьютере. Режим работы персонала с компонентами комплекса не должен превышать двух часов без технического перерыва (15 минут).В процессе функционирования программа не должна влиять на работу любых других программных средств и не приводить к сбоям в работе компьютера и операционной системы Windows. В качестве языка программирования используется — objectpascal. Среда разработки — DelphiStudio 7.

0.1. 7 Практическаяреализациясистемыпоиска ассоциативных правил

Программная реализация системы представляет собой win — приложение. Скрин интерфейса системы представлен на рис. 1.

3.Рис. 1.3 — Скрин интерфейса системы

Для выбора анализируемого массива транзакций, необходимо нажать кнопку «OpenDatabase». После выбора массива, открывается база данных и отображается в текстовом поле. Поступающий на вход массив не отсортирован, в нем не сформированы наборы товаров. Для формирования наборов товаров в системе реализована специальная функция. Для ее запуска необходимо нажать кнопку «Createlistofpurchases». В текстовом поле окна программы (рис.

1.3) продемонстрирован результат работы программы — привычный понятный вид покупок. Система позволяет задавать значения двух параметров системы: Поддержка и Достоверность. От пороговых значений данных значений зависит скорость выполнения алгоритма. Для запуска программы на выполнения необходимо нажать кнопку «StartAlgorithm». На рис. 1.4 представлен результат работы системы.Рис. 1.4 — Результат работы системы

В отчетной форме представлены правила и указана величина поддержки и достоверности. Полученные правила можно сохранить путем нажатия клавиши «Saverules». Заключение

Целью ВКР является повышение эффективности поиска ассоциативных правил в анализе данных для стимулирования продаж путем разработки информационной системы на базе одно из методов. В ходе анализа алгоритмов был сделан вывод, что для реализации задачи поиска ассоциаций в сфере продаж хорошо подходит алгоритм Apriori. Практическая значимость ВКР заключается в разработке программной реализации системы поиска ассоциативных правил на основе алгоритма Apriori. Программа реализована в среде разработки DelphiStudio 7.

0.В ходе тестирования программы былавыявлена следующая закономерность: Для нахождения «полезных» правил, необходимо правильно задать параметры поддержки и достоверности, так как при слишком больших параметрах выдаются очевидные, всем известные правила. Внедрение разработанной системы в любом торговом предприятии позволит повысить объемы продаж за счет предложения клиентам сопутствующих товаров к уже приобретенных клиентом. Данный факт является необходимым условие конкурентоспособности торгового предприятия, так как в настоящее время многие компании успешно используют данные методы в своих продажах предлагая различные акции и путем расстановки прилавков с продуктами рядом, в интернет-магазинах при выборе товара клиенту выдается список сопутствующих товаров. Таким образом, цель ВКР можно считать достигнутой, а задачи решенными.

Список литературы

АкобирШахиди, Введение в анализ ассоциативных правил [Электронный ресурс], Режим доступа: ;

http://www.basegroup.ru/library/analysis/association_rules/intro/. Акобир

Шахиди, Apriori — масштабируемый алгоритм поиска ассоциативных правил [Электронный ресурс], Режим доступа: ;

http://www.basegroup.ru/library/analysis/association_rules/apriori/.Agrawal R., Srikant R., Fast algorithms for mining association rules, In Proc. of the VLDB Conference, Santiago, Chile, September 1994DataMining: [Электрон. ресурс]. − Режим доступа:

http://habrahabr.ru/blogs/data_mining/66 016/.R. Agrawal and R. S rikant. F ast algorithms for mining association rules in large databases. R

esearch Report RJ 9839, IBM Almaden Research Center, San Jose, California, June 1994. R. A grawal, T. I mielinski, and A. S

wami Database mining: A performance perspective. IEEE T ransactions on Knowledge and Data Engineering, 5(6):914{925, December 1993. S pecial Issue on Learning and Discovery in Knowledge Based Databases. Association Rules Mining: A Recent Overview: Sotiris, Kotsiantis, DimitrisKanellopoulos, Educational Software Development Laboratory Department of Mathematics, University of Patras, GreeceЧубукова И., Data Mining, М.: Бином. Лаборатория знаний, 2008 — 384. Барсегян А., Методы и модели анализа данных. OLAP и D ataMining, Спб.: БХВ-Петербург, 2010 — 336. Барсегян А., Технологии анализа данных.

D ata Mining, Text Mining, Visual Mining, OLAP, Спб.: БХВ-Петербург, 2007 — 384. Барсегян А., Технологии анализа данных: DataMining, VisualMining, Text, М.: Книга по Требованию, 2008 — 382. Sholom M. Weiss, Predictive Data Mining, 2010 — 228. Pyle Dorian, Business Modeling and Data Mining, 2010 — 650. Giudici Paolo, Applied Data Mining for Business and Industry, 2009 — 258.