Data Science in Retail: Market Basket Analysis
Daftar SekarangData 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.
Silabus & Beban Materi Pengajaran
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