購物籃分析 — Python實戰:如何找出商品搭配的總體策略?(附Python程式碼)

跟我一起準備進入分析環節吧!!

資料確認

圖一、購物籃資料示意圖

購物籃分析-apriori

association_rules = apriori(record, min_support=0.003, min_lift = 1.000000001)association_results = pd.DataFrame(association_rules)
圖二、產品組合資料示意圖

分析結果提取

thebig = association_results[‘items’].str.len().max()separate = pd.DataFrame(association_results[‘items’].values.tolist(),columns=[ ‘p’+ str(x) for x in range(thebig)])separate[‘support’] = association_results[‘support’].values
圖三、產品組合資料示意圖
圖四、ordered_statistics欄位內資料範例
separate[‘confidence’] = association_results[‘ordered_statistics’].str[0].str[2]separate[‘lift’]=association_results[‘ordered_statistics’].str[0].str[3]
圖四、購物籃分析結果dataframe

產出商業價值💎💎

  1. 較高的購買機率
  2. 較高的獲利組合

潛在產品組合利潤=購買機率×產品組合利潤

產品組合總利潤=行銷活動次數×潛在產品利潤

for s in top3_series:series_data=alldata[alldata[‘系列’]==s]order_number=np.unique(series_data[‘訂單編號’])os.mkdir(s + ‘商品搭配分析’)for i in order_number:cart =series_data[series_data[‘訂單編號’]==i][‘產品’].valuesrecord.append(cart)print(cart)association_rules = apriori(record, min_support=0.003, min_lift = 1.000000001)association_results = pd.DataFrame(association_rules)# 兩個以上產品組合association_results= association_results[association_results[‘items’].str.len() >1]# 提取rules 中結果thebig = association_results[‘items’].str.len().max()association_results[‘confidence’] = association_results[‘ordered_statistics’].str[0].str[2]separate = pd.DataFrame(association_results[‘items’].values.tolist(), columns=[ ‘p’+ str(x) for x in range(thebig)])separate[‘support’] = association_results[‘support’].valuesseparate[‘confidence’] = association_results[‘confidence’].valuesseparate[‘lift’]=association_results[‘ordered_statistics’].str[0].str[3]# 產出csvfor i in np.unique(separate[‘p0’]):data = separate[separate[‘p0’]==i]# 利潤找尋profit_list=[]for p in data[‘p1’]:cart_profit = profit_df[profit_df[‘產品’]==p][‘利潤’].values+profit_df[profit_df[‘產品’]==i][‘利潤’].valuesprofit_list.append(cart_profit[0])sortval = pd.DataFrame({‘當購買時’:i,‘購買產品’:data[‘p1’],‘機率’:data[‘confidence’],‘提升度’:data[‘lift’],‘產品組合利潤’:profit_list,‘潛在利潤’:data[‘confidence’]*profit_list #多項推廣時})sortval.sort_values(by=[‘機率’], ascending=False , inplace = True)sortval.to_csv( os.getcwd()+’/’+s+’商品搭配分析/’+ s+”_當購買 “+ i +” 時購買以下商品機率.csv”, encoding = ‘utf-8-sig’)
圖五、產品搭配分析結果
sortval.to_csv( os.getcwd()+’/’+s+’商品搭配分析/’+ s+”_當購買 “+ i +” 時購買以下商品機率.csv”, encoding = ‘utf-8-sig’)
圖六、產品搭配分析結果
歡迎加入我們的Telegram獲取即時訊息!https://t.me/marketingdatascience
歡迎加入我們的Line@獲取即時訊息!https://line.me/R/ti/p/%40cde8265r

現在報名課程享56折起優惠!

您可能有興趣:

📢熱騰騰~最新募資上架【TMR最新募資課程】

《Python行銷資料科學-基礎語法入門最前線》

📢【TMR 已上架課程】

👨‍🎓TMR為您量身打造「全方位數據課程」

《 Python 0到1 基礎商業數據分析實戰 》

《 顧客分類大師:Python x RFM 會員經營新觀點 》

--

--

--

Marketing data science. 台灣第一個行銷資料科學(MDS)知識部落,本粉絲專頁在探討行銷資料科學之基礎概念、趨勢、新工具和實作,讓粉絲們瞭解資料科學的行銷運用,並開啟厚植數據分析能力之契機。粉絲專頁:https://www.facebook.com/MarketingDataScienceTMR

Love podcasts or audiobooks? Learn on the go with our new app.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store
行銷資料科學

行銷資料科學

Marketing data science. 台灣第一個行銷資料科學(MDS)知識部落,本粉絲專頁在探討行銷資料科學之基礎概念、趨勢、新工具和實作,讓粉絲們瞭解資料科學的行銷運用,並開啟厚植數據分析能力之契機。粉絲專頁:https://www.facebook.com/MarketingDataScienceTMR

More from Medium

What’s Stopping You?

What are the Most Effective Game Engines?

Most Effective Game Engines

Salivary Gland Infection Market: Analysis of Epidemiology, Pipeline Therapies, and Key Companies…

An Overlook to Cosmia