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

Daftar Sekarang

Data Science in Retail: Market Basket Analysis