宏商超市购物篮分析案例.docVIP

宏商超市购物篮分析案例 一、案例背景 宏商超市是位于华中科技大学附近的一个中型超市，月交易额在百万元左右，在售商品有近120余种（商品分类的粒度定位在品种，而不管品牌和型号的差异）。每月5日前，超市的采购经理需要在一定资金约束下，确定本月采购的品种与数量，也就是要制定采购商品的组合，其中如何确定相关商品的组合是个重要问题，由于没有合适的技术手段，采购组合决策只能是拍脑袋、靠经验。例如，考虑同学一般都会同时买方便面和火腿肠，在确定采购组合时，就同比例地采购方便面和火腿肠。 学习《商业数据挖掘》课程的4位同学组成小组，通过介绍数据挖掘技术及其应用前景，超市经理同意让这4位同学对超市的销售数据进行分析，提供采购组合决策方面的建议。 二、解决方案 利用数据挖掘中的关联规则挖掘技术，借助WEKA系统，对选取的超市销售数据进行分析，找出有价值的隐含购买模式，为组合采购提供参考建议。 数据收集 从超市现有信息系统中导出共计15755张购物小票数据，包含78379行购物记录明细数据。 2）数据预处理 数据库中原始记录的形式如图1所示，由于这种格式无法转换为所需的arff文件，因此先将这张表进行转置。 图 1 进行转置的SQL代码如下： declare @sql varchar(8000) set @sql = select TicketNo select @sql = @sql + , max(case GoodsTypeID when + GoodsTypeID + then 1 else ? end) [ + GoodsTypeID + ] from (select distinct GoodsTypeID from SelectGoods) as a set @sql = @sql + from SelectGoods group by TicketNo exec(@sql) 转置后，表的结构如图2所示。然后可直接将转置后的表导出为Excel文件。 图 2 得到Excel文件后，再按如下步骤继续预处理可得到实验所需的arff文件，用记事本打开arff文件，把numerical换成{‘1’, ’?’},其中’1’表示购买，’?’在Weka里是空，即没有购买。 3）规则挖掘 首先确定Minimum support和Minimum confidence这两个参数。从理论上说，希望在一个较合适的support的基础上使confidence尽可能的大。经过尝试后，最终将参数设为s=0.01,c=70%， 运行结果如下： Apriori ======= Minimum support: 0.01 (58 instances) Minimum metric confidence: 0.7 Number of cycles performed: 20 Generated sets of large itemsets: Size of set of large itemsets L(1): 49 Size of set of large itemsets L(2): 843 Size of set of large itemsets L(3): 1788 Size of set of large itemsets L(4): 492 Size of set of large itemsets L(5): 4 Best rules found: 1. 04003=1 10003=1 12001=1 79 == 08006=1 63 conf:(0.8) 2. 02002=1 04003=1 02001=1 90 == 08006=1 71 conf:(0.79) 3. 03003=1 06004=1 88 == 08006=1 68 conf:(0.77) 4. 08005=1 05001=1 131 == 08006=1 100 conf:(0.76) 5. 06002=1 04001=1 02001=1 80 == 08006=1 61 conf:(0.76) 6. 06002=1 01001=1 07003=1 78 == 08006=1 59 conf:(0.76) 7. 08003=1 05001=1 125 == 08006=1 94 conf:(0.75) 8. 10002=1 04001=1 116 == 08006=1 87 conf:(0.75) 9. 08005=1 10006=