시장바구니분석

시장바구니분석을 상상해 내기 위해 슈퍼마켓에 있는 물건으로 가득차있는 shopping cart를 상상해 보자. 그 안에는 여러 가지 물건들로 채워져 있는데, 그것은 우리에게 그것을 구입한 고객이 쇼핑을 하면서 무엇을 구매했는지를 알려준다. 고객들의 특성이 모두 같지 않기 때문에 각 고객들은 1주일동안 서로 다른 시간에 서로 다른 품질과 품목의 물품을 구입했으며 이를 통해 많은 정보를 얻을 수 있다. 시장 바구니분석은 구매고객이 누구인지, 그들이 왜 그 물건을 구매했는지에 대한 물음에 답을 주기위해 구매고객의 구매품목을 이용한다. 시장바구니분석은 우리에게 어떤 물건들이 함께 팔려나가는지, 어떤 것이 촉진될 여지가 있는지를 알려주므로 상품에 대한 통찰력을 주며, 또한 새로운 매장 설계를 제시해 준다. 그리고 특별한 상품을 어떠한 위치에 두어야 하는지도 결정해 준다. 비록 시장바구니분석의 근간이 point-of-sale처리를 분석하는데 있지만 소매업의 외적인 부분에서도 적용되어 질 수 있다.

시장바구니분석은 어떠한 처리 데이터는 이용할 수 있으나 찾고자 하는 특정 패턴을 알지 못할 때를 시발점으로 이용되어 진다. 관심의 패턴은 종종 어떤 수익에 대한 행동을 제시해준다. 예를 들어, 우리가 기존상가와 새로운 상가간의 차이와 같은 데이터에서 잠재해 있는 흥미로운 차이에 대한 육감을 가질 때 이들 영역을 조사하기 위해 시장바구니 분석을 이용할 수 있다. 그러나 유감스럽게도 시장바구니분석은 기대에 부응하지 못할 때도 종종 있다.

시장바구니 분석의 장점은 그 결과의 유용성과 명확성에 있으며 이는 연관성규칙으로 표현된다. 이 연관성규칙은 어떻게 효과적으로 상품과 서비스가 서로 관계를 갖는지 그리고 그것들이 서로 어떻게 묶여지는지를 표현하기 때문에 직관적인 장점이 존재한다. 예를 들면, 만약 고객이 3자 통화를 신청한다면 신호대기도 또한 신청한다는 것과 같은 규칙은 명확하다. 더 나아가 하나의 서비스상품으로 신호대기를 포함한 3자 통화를 제공하는 것과 같은 특정한 판매전략을 제시한다.

연관규칙은 이해하기 쉬운 반면 항상 유용한 것은 아니다. 다음 3가지 규칙은 실제 데이터로부터 생성된 실제 규칙의 예를 보여준다.

목요일에는 상점고객은 기저귀와 맥주를 함께 구입한다.
보수협약을 구매한 고객은 대형 장치를 구매하는 것을 선호한다.
새로운 철물점을 개점할 때 가장 보편적으로 팔린 물품 중의 하나는 화장실 벨장치이다.

위 3가지 예는 시장바구니 분석에 의해 산출되는 3가지 규칙의 일반적인 형태(유용성, 명백성, 설명불능)를 보여준다.

유용성 규칙은 고품질과 활용 가능한 정보를 포함한다. 사실, 하나의 패턴이 발견되면 그 패턴을 정의하기는 어렵다. 목요일 저녁, 기저귀와 맥주에 대한 규칙은 젊은 부부들이 주말에 자신의 아기를 위해 기저귀를 준비하면서 애기아빠가 주말 미식축구경기를 보면서 마실 수 있는 맥주까지 준비한다는 것을 보여준다. 제시한 이유보다 더 중요한 것은 단순히 이러한 관계를 찾는 것보다는 이것을 적용하는 것이다. 즉, 맥주가 놓여있는 진열 라인에 자사 기저귀를 같이 배치함으로써 높은 이윤의 제품 매출을 늘릴 수 있다. 이러한 규칙은 이해하기 쉽기 때문에, 아기관련상품 가까이 맥주 안주들을 진열하는 것 등의 그럴듯한 다른 제안들을 제시한다.

설명불능의 규칙은 상황에 대한 설명이나 행동과정을 제시하지 않는다. 이 규칙은 흥미롭지만, 활용할 수 있는 정보를 주지는 않는다.

시장바구니분석은 보통 하나의 체인 내에서 지점들을 비교하는데 사용된다. 철물점에서의 화장실 벨장치 판매에 대한 규칙은 새로운 가게에서의 판매량과 기존 가게에서의 판매량을 비교하는 예이다. 서로 다른 상점들은 많은 이유(종교적 성향, 관리 효율성 등)로 여러 가지 판매 패턴을 보여주고 있다.

시장바구니분석은 여러가지 비교분석의 형태에 대하여 사용된다. 예를 들면 판매촉진기간동안의 판매율과 다른 기간동안의 판매율 비교, 도시와 지방의 판매비교 등을 들 수 있다.

시장바구니 분석은 처리에 대한 기본적인 정보와 제공되는 서비스 그리고 상품을 포함하고있는 처리를 가지고 출발한다.

Customer

Items

Orange, juice, soda

Milk, orange juice, window cleaner

Orange juice, detergent

Orange juice, detergent ,soda

Window cleaner, soda

Window Cl.

Milk

Soda

Detergent

Window Cleaner

Milk

Soda

Detergent

위의 표를 보면 오렌지쥬스는 소다로 두 번이나 같이 묶여서 선택되었음을 알 수 있다.

즉, 이 표의 패턴을 정리하면, 오렌지주스와 소다는 다른 상품보다 함께 구입할 가능성이 더 많다. 그리고 세척제는 window cleaner, 우유와는 같이 구입되지 않으며, 우유는 절대 소다나 세척제와는 함께 구입 되지 않는다. 따라서 이 결과는 다음과 같은 간단한 규칙을 만들어 낼 수 있다.

“ 소다를 구입하는 고객은 우유 또한 구입 할 가능성이 많다.”

연관성규칙은 If A, then B 와 같은 형식으로 표현된다. 즉, 상품A가 구매되어진 경우는 상품 B도 구매된다” 라고 해석된다. 유용한 연관규칙을 이끌어내기 위해서는 먼저 어떠한 상품들이 어느 정도의 연관성을 가지고 있는지를 측정해야 할 것이다. 즉, 관심 있는 규칙이 얼마나 가능성이 있는가를 측정하는 연관성 측정은 다른 기법들에 비해서 그 기본개념이 간단하고 이해하기가 쉽다. 측정의 기본은 얼마나 자주 구매되었는가 하는 빈도이다.

데이터를 모으고 이용하는 것은 시장바구니분석을 적용하는데 아주 중요한 부분이다.

2. 함께 발생하는 MATRIX의 수를 파악함으로써 규칙을 생성한다.

1) 어떠한 것이 올바른 규칙인가?를 고려한다.
     - If A and B then C? 0.2
     - If A and C then B? 0.25
     - If B and C then A? 0.33
2) 문제 발생 : A가 거래의 45%를 발생시키나 규칙은 단지 33%의 신뢰성을 보여준다.
3) 개선사항= P(condition and result)/P(condition)P(result)
4) 개선사항이 1보다 크면 결과 규칙은 예측력이 무작위법보다 더 나아진 것으로 해석된다.

3. 조합에 나타나는 수많은 항목에 의해 부과되는 실제적인 제한을 압도

- 기법 1: 고려대상으로부터 항목의 제거
- 기법2: 항목들을 일반화하기 위한 분류법 사용으로 어떤 제한을 갖도록 한다

일반적으로 고려할 상품의 수가 증가하고 또, 고려할 상품 조합의 수가 커지면 규칙을 생성하는데 드는 시간은 기하급수적으로 증가할 수도 있고, 너무 복잡한 규칙은 실제 적용에 있어서 의미가 없을 수도 있다. 그러므로, 연관규칙을 적용하기 위해서는 비즈니스의 필요에 따라 모두 다르게 취급할 것인지 아니면 큰 범주로 묶을 것인지에 따라 요구되는 데이터의 상세정도가 달라질 수 있다. 또한, 어떤 상품들을 고려할 것인가와 몇 가지의 조합을 고려할 것인가를 생각해야 한다. 상품과 그 조합의 수를 줄이는 방법으로 몇 가지 기준들이 있겠지만, 일반적으로 “ Minimum Support pruning 방법이 있다. 이는 적어도 얼마 이상의 거래가 일어난 상품들만을 고려대상으로 삼는 것으로 데이터의 상황에 따라 각기 다른 Minimum Support가 선택되어질 수 있다. 따라서, 연관성 측정을 수행하는 도구는 다양한 Minimum Support를 선택하는 것이 가능해야 한다.

예: If A and not B then C
오류: 분석에 사용된 항목들의 전체수가 두 배가 된다.
일반적인 거래의 크기가 커진다.
새로 변화된 항목의 빈도수가 원래 항목의 빈도수보다 훨씬 더 커진다.

1) 고객 파악을 위한 새로운 방식이 요구된다.
2) From transaction to Series : 시계열을 사용하기 위해 거래 데이터는 두 가지 추가적인 특성을 지녀야 한다.

명확한 결과 이해
undirected Data 분석에 강하다
다양한 크기의 데이터에 적합
신경망이나 유전자 알고리즘에 비해 단순

문제의 크기가 커질수록 지수적으로 증가
데이터 속성에 대한 제한적 지원
항목에 대한 올바른 수 결정의 어려움
희박한 항목에 대해서는 문제화