Data Science in Retail: Market Basket Analysis

Daftar Sekarang

Data Science in Retail: Market Basket Analysis

Di bisnis ritel, salah satu inovasi teknologi adalah analisa otomatis terhadap ribuan sampai jutaan data transaksi untuk mendapatkan kombinasi produk yang sering dibeli bersamaan. Dari berbagai studi kasus, informasi kombinasi ini dapat digunakan untuk meningkatkan penjualan 18% sampai dengan 60%. Peningkatan ini diperoleh dengan cara:

  • Membuat paket menarik untuk ditawarkan kepada konsumen.
  • Memberikan rekomendasi produk secara proaktif.
  • Menyusun posisi produk pada rak toko dimana kemungkinan untuk dibeli lebih besar.
  • Menyusun halaman produk e-commerce dengan kombinasi tersebut ditampilkan bersama.
  • Selain efektif untuk meningkatkan penjualan, informasi ini sekaligus bisa digunakan untuk memecahkan masalah stok. Kenapa bisa? Karena apabila stok yang sebelumnya menumpuk, kini dapat dicari pasangan produk yang tepat untuk dipaketkan bersama.

Proses analisa ini dikenal sebagai Market Basket Analysis (MBA). Dan di dunia data science, algoritma yang populer untuk mendukung proses ini adalah Apriori. Course ini akan mempelajari bagaimana menerapkan MBA melalui algoritma Apriori dengan menggunakan R.

Institusi DQLab
Subjek Data Science
Bahasa Bahasa Indonesia
Metode Full Online
Detail 2 Chapters, 15 Sub-babs
Sertifikasi Data Science in Retail: Market Basket Analysis

Silabus & Beban Materi Pengajaran

Buka semua

Market Basket Analysis

  • Pengantar
  • Apa itu Market Basket Analysis
  • Tujuan dari Market Basket Analysis
  • Quiz: Apa tujuan dari Market Basket Analysis?
  • Contoh Code Market Basket Analysis di R
  • Data apa yang diperlukan oleh algoritma Market Basket Analysis?
  • Kesimpulan

Algoritma Apriori

  • Algoritma Apriori dan Association Rules
  • Menampilkan Kombinasi dari Contoh Transaksi "Kecil"
  • Menampilkan Kombinasi dari Transaksi "Besar"
  • Apa yang dimaksud dengan algoritma Apriori?
  • Apa output yang dihasilkan oleh algoritma Apriori?
  • Kenapa harus menggunakan algoritma Apriori?
  • Kesimpulan

Item, Itemset and Rules

  • Pengantar
  • Item, Itemset, and Rules
  • Mana pernyataan yang benar mengenai Item?
  • Mana yang merupakan item ?
  • Mana pernyataan yang benar mengenai Itemset?
  • Mana yang merupakan Itemset?
  • Mana yang merupakan Rule?
  • Kesimpulan

Item and Transaction

  • Pengantar
  • Contoh Dataset
  • Membaca File sebagai Data Frame
  • Berapa banyak Transaksi?
  • Berapa banyak jenis Item?
  • Berapa banyak item?
  • Membaca File sebagai Transaction
  • Menampilkan Daftar Item Transaksi
  • Menampilkan Daftar Kode Transaksi
  • Tampilan Transaksi dalam bentuk Matrix
  • Item Frequency
  • Statistik Top 3
  • Output Statistik Top 3 Sebagai File
  • Grafik Item Frequency
  • Kesimpulan

Itemset and Rules

  • Pengantar
  • Melihat Itemset per Transaksi dengan Inspect
  • Menghasilkan Rules dengan Apriori
  • Melihat Rules dengan fungsi inspect
  • Apa kegunaan dari fungsi inspect?
  • Filter RHS
  • Filter LHS
  • Filter LHS dan RHS
  • Kesimpulan

Scoring and Evaluation: Support, Confidence and Lift

  • Pengantar
  • Support, Confidence and Lift (Dictionary)
  • Menghasilkan Rules dengan Parameter Support dan Confidence
  • Inspeksi Rules Yang Dihasilkan
  • Filter LHS dan RHS (2)
  • Filter berdasarkan Lift
  • Rekomendasi - Filter dengan %ain%
  • Visualisasi Rules dengan Graph

Penutup

  • Kesimpulan
  • What Next?

Informasi Pengajar

Belum / tidak ada data pengajar pada kursus ini

Dibuat dan dikembangkan di Jakarta, Indonesia Hak Cipta Dilindungi 2015 - 2020 PT Manual Muda Indonesia ©
Rencanamu App

Platform Persiapan Kuliah & Karir No 1