Thread by @pacmannai

Mau sales meningkat drastis? 📈🤑
Kenalin dulu pola customer lewat association rule!

.
.
A thread

Siapa disini yang suka window shopping? Yang hobinya masukkin barang ke keranjang online tapi engga pernah di checkout haha

Fenomena ini menarik untuk dibahas deh seiring dengan banyaknya event-event dari e-commerce kayak tanggal cantik yang bikin kita tertarik banget buat belanja

Padahal sebenarnya barang yang kita masukkin ke keranjang online kita itu bukan barang yang urgent buat kita beli sih

Tapi mungkin ada psikologis dari diri kita untuk, “gapapa beli aja dulu, mana tau nanti butuh”, bener ga? Mimin juga sering kok kayak gitu, tapi asalkan jangan kebablasan ya belanjanya 😂🤣

Dari fenomena ini, kira-kira strategi apa sih yang digunakan oleh toko-toko atau swalayan buat narik pelanggannya untuk mau membeli barang tersebut? Kalian pernah kepikiran ga?

Jadi sebenarnya ada metode klasik yang dipakai di dunia data science nih gais, namanya association rule

Association rule ini akan menggunakan data transaksi pelanggan untuk melihat pola transaksi pelanggan dan juga untuk mendapatkan rekomendasi barang-barang apa yang biasanya dibeli pelanggan secara bersamaan

Misalnya pelanggan akan membeli sikat gigi dan pasta gigi bersamaan, roti dan selai bersamaan, dan lain lain

Nah, salah satu aplikasi dari association rule yang banyak digunakan itu adalah Market Basket Analysis (MBA)

Simpelnya MBA ini akan menghitung probabilitas bersyarat dari kejadian-kejadian yang mungkin dilakukan oleh pelanggan. Tentunya, hasil dari MBA ini bisa digunakan oleh penjual untuk mengambil keputusan terhadap produk yang dijualnya

Misalnya seperti mengatur tata letak produk di etalase, bundling khusus untuk beberapa produk, strategi promosi, supaya produk-produknya dapat dibeli bersamaan oleh pelanggan dan bisa menaikkan sales

Untuk memahaminya, ada beberapa istilah dan penulisan yang harus kita ketahui terlebih dahulu

Pertama, association rule biasanya ditulis seperti ini

{Roti} -> {Selai}

Yang berarti terdapat korelasi yang kuat antar pelanggan yang membeli roti dan juga selai dalam transaksinya.

Pada contoh tadi, roti disebut antecedent dan selai disebut consequent. Himpunan antecedent dan consequent ini bisa berisi lebih dari 1 item ya, misalnya seperti

{Roti, sikat gigi} -> {Selai, pasta gigi}

Lalu, istilah yang perlu kita kenal pada association rule ini adalah support, confidence, dan lift.

Oh iya, btw metode ini engga melihat kuantitas barang yang dibeli ya, jadi cuma hanya melihat barang ini dibeli oleh pelanggan atau engga. Jadi kalau pelanggan membeli 10 roti dan 5 selai, tetap dianggap bahwa pelanggan hanya membeli roti dan selai

Oke lanjut, misalkan rule yang kita miliki adalah {Roti} -> {Selai}

Support adalah frekuensi kemunculan item pada data atau berapa kali barang tersebut dibeli dalam satu data transaksi. Berarti untuk kasus di atas, supportnya adalah frekuensi(roti,selai) / total transaksi yang ada

Jadi kalau kita dapatkan support untuk rule {Roti} -> {Selai} sebesar 0.75 maka interpretasinya adalah 75% dari customer membeli roti dan selai

Terus confidence adalah frekuensi rule yang kita miliki benar, atau seberapa banyak consequent dibeli saat antecedent dibeli juga. Bisa ditulis sebagai frekuensi(roti,selai) / frekuensi(roti)

Kalau confidence untuk rule {Roti} -> {Selai} adalah 0.2 maka interpretasinya adalah 20% customer yang membeli roti juga membeli selai

Terakhir, lift adalah ukuran seberapa sering roti dan selai muncul secara bersamaan dibandingkan jika roti dan selai independen. Atau bisa ditulis confidence(roti -> selai) / (frekuensi(selai) / total transaksi yang ada)

Lift ini akan bersifat simetris ya, jadi lift(roti -> selai) akan sama dengan lift(selai -> roti)

Biasanya, jika nilai lift mendekati 1, maka rule yang dibuat independen (rule tidak terbukti karena tidak memiliki korelasi yang kuat). Tetapi jika nilai lift >1 maka bisa dikatakan rule yang kita buat bisa dikatakan cukup berguna

Sebaliknya juga, jika lift < 1 maka bisa dikatakan roti dan selai memiliki korelasi negatif sehingga tidak cenderung untuk dibeli bersamaan

Nah kalau lift antara {Roti} -> {Selai} sebesar 1.70 maka ekspektasi orang membeli selai akan naik sebesar 70% jika diketahui dia sudah membeli roti

Pada aplikasinya nanti, MBA akan memeriksa nilai support, confidence, dan lift untuk semua kemungkinan rules dari daftar item pada transaksi sehingga akan sangat banyak rules yang muncul untuk diperiksa

Tapi tentunya tidak perlu semua rule yang diperiksa, karena MBA ini menggunakan prinsip apriori

Prinsip apriori ini menyatakan bahwa jika suatu itemset sering muncul, maka subsetnya juga pasti akan sering muncul. Dan sebaliknya, jika itemset jarang muncul maka subsetnya juga akan jarang muncul

Jadi jika sebuah transaksi {roti, selai, telur} sering muncul, maka subsetnya yaitu {roti, selai} juga pasti akan sering muncul. Sehingga nantinya semua subset dari item yang tidak sering muncul tidak usah diperiksa lagi rulenya

Setelah semua rule diperiksa, berarti kita sudah bisa memilih kira-kira rule mana yang terbaik berdasarkan nilai support, confidence, dan liftnya deh! Sehingga kita dapat mengambil keputusan untuk menaikkan sales kita!

Jadi memang MBA ini bisa banget digunakan untuk ningkatin sales bisnis kalian. Kalo ngitung manual bakal pr banget, jadi ga ada salahnya nih belajar basic dan penerapannya di non degree program Business Intelligence Pacmann.AI! 😎

Cek kurikulum lengkapnya di bit.lt/brosurpacmannai ya! Atau misalkan ada yang ingin kalian tanyakan mengenai non degree program Pacmann, kita selalu ready buat jawabin pertanyaan kalian di bit.ly/WASalesPacmann

Tapi kalian masih ragu belajar jadi Business Intelligence / Data Scientist karena masih takut sama ‘ngoding’? Tenang aja, kalian bisa banget kenalan dulu dunia per-DS-an tanpa ngoding di workshop Pacbuburit: Data Science with Spreadsheet! Daftar di bit.ly/DaftarPacbubur… ya! 😊

Sumber :
www-users.cs.umn.edu/~kumar001/dmbo…
kdnuggets.com/2019/12/market…