アフィニティ分析は、データセット内での共起に基づいて異なるエンティティ間の意味のある相関関係を明らかにするデータマイニングの総称です。ほぼすべてのシステムとプロセスにおいて、アフィニティ分析を適用することで、予期しない傾向に関する重要な知識を抽出できます[要出典]。実際、アフィニティ分析は、一緒に機能する属性を調査する利点を活用し、相関ルールを生成することでビッグデータ内の隠れたパターンを発見するのに役立ちます。相関ルールマイニングの手順は2つに分かれています。まず、データセット内のすべての頻出属性を見つけ、次に、サポートと信頼度といった事前定義された基準を満たす相関ルールを生成し、頻出アイテムセット内で最も重要な関係を特定します。このプロセスの最初のステップは、データセット内の属性の共起を数えることです。次に、頻出アイテムセットと呼ばれるサブセットが作成されます。相関ルールマイニングは、ある条件または特徴 (A) が存在する場合、別の条件または特徴 (B) が存在するという形式をとります。最初の条件または特徴 (A) は前提条件、後者 (B) は結果と呼ばれます。このプロセスは、追加の頻繁アイテムセットが見つからなくなるまで繰り返されます。相関ルールマイニング手法を実行するには、支持度と信頼度という2つの重要な指標があります。また、問題の探索空間を縮小するために、事前アルゴリズムが使用されます。 [1]
相関ルール学習アルゴリズムにおける支持指標は、データセット内で前件または後件が共に出現する頻度として定義されます。さらに、信頼度は、AとBの両方を含むデータレコードの比率によって決定される相関ルールの信頼性として表現されます。支持度と信頼度の最小閾値は、モデルへの入力値です。上記の定義をすべて考慮すると、アフィニティ分析は、他のイベントの発生に基づいてイベントの発生を予測するルールを開発できます。このデータマイニング手法は、疾病診断、マーケットバスケット分析、小売業界、高等教育、財務分析など、さまざまな分野で研究されてきました。小売業では、アフィニティ分析はマーケットバスケット分析を実行するために使用され、小売業者は顧客の購買行動を理解しようとします。この情報は、クロスセルやアップセルの目的で使用されるほか、販売促進、ロイヤルティプログラム、店舗設計、割引プランにも影響を与えます。[2]
小売業におけるアフィニティ分析技術の応用
マーケット バスケット分析により、小売業者は、顧客がシャンプーとコンディショナーを一緒に購入することが多いため、両方のアイテムを同時にプロモーションしても大幅な収益の増加は得られない一方で、一方のアイテムのみを対象としたプロモーションではもう一方のアイテムの売上が伸びる可能性が高いことがわかります。
マーケットバスケット分析は、小売業者に購入者の購買行動を理解するための情報を提供する場合があります。この情報により、小売業者は購入者のニーズを理解し、それに応じて店舗のレイアウトを変更したり、相互販売促進プログラムを開発したり、さらには新しい購入者を獲得したりすることさえできます (クロスセルの概念と同様に)。 この初期の例としては、あるスーパーマーケットチェーンが、おむつを購入した男性顧客はビールも購入することが多く、おむつをビールクーラーの近くに置いていたため、売上が劇的に増加したことを発見したという話があります。 この都市伝説は教授が学生にこの概念を説明するために使用する例に過ぎませんが、この架空の現象の説明としては、おむつを買いに行かされた父親は、ご褒美としてビールも買うことが多い、などが挙げられます。[3]この種の分析は、データマイニングの使用例であると考えられています。マーケット バスケット分析を使用した Web 上のクロス セリングの広く使用されている例としては、Amazon.com による「書籍 A を購入した顧客は書籍 B も購入しました」の使用が挙げられます。たとえば、「『ポルトガルの歴史』を読んだ人は『海軍の歴史』にも興味を持っていました」などです。
マーケットバスケット分析は、顧客をグループ分けするために使用できます。企業は、顧客が卵と一緒に購入する他の商品に注目し、小麦粉や砂糖と一緒に卵を購入している場合はケーキ作り、ベーコンやチーズと一緒に卵を購入している場合はオムレツ作りと分類することができます。この分類は、他のプログラムを推進するために使用できます。同様に、この分析は製品を自然なグループに分割するためにも使用できます。企業は、どの商品が最も頻繁に一緒に販売されているかに注目し、これらのグループに基づいてカテゴリー管理を調整することができます。[4]
電子POSの導入以来、マーケットバスケット分析の企業利用は大幅に増加しています。[2] Amazonは、クロスセルにアフィニティ分析を活用し、顧客の購入履歴や同じ商品を購入した他の顧客の購入履歴に基づいて商品を推奨しています。Family Dollarは、マーケットバスケット分析を活用して売上成長を維持しながら、利益率の低い 消耗品の在庫を増やす計画です。[5]
臨床診断における親和性分析技術の応用
アフィニティ分析の重要な臨床応用は、患者の医療記録に対して実行して関連ルールを生成できることです。得られた関連ルールをさらに評価することで、大量の情報に一致するさまざまな状態や特徴を見つけることができます。[6]効果的な予防的または治療的介入を行うためには、ある状態に寄与するさまざまな要因間に関連性があるかどうかを理解することが不可欠です。エビデンスに基づく医療では、腫瘍や癌の発生に関連する症状の共起を見つけることで、病気を早期に診断することができます。[7]特定の疾患に関連する患者のさまざまな症状間の関連性を調査することに加えて、アフィニティ分析を使用して、別の状態に寄与するさまざまな疾患間の相関関係を特定することもできます。[8]
参照
参考文献
- ^ Larose, Daniel T.; Larose, Chantal D. (2014-06-23). 『データから知識を発見する：データマイニング入門』. ホーボーケン、ニュージャージー州、アメリカ合衆国: John Wiley & Sons, Inc. doi :10.1002/9781118874059. ISBN 978-1-118-87405-9。
- ^ ab 「マーケットバスケット分析の謎を解明」 。 2018年12月28日閲覧。
- ^ 「ビールとおむつの寓話」The Register . 2009年9月3日閲覧。
- ^ 製品ネットワーク分析 2018年11月18日アーカイブ、Wayback Machineフォルテコンサルタンシーグループ
- ^ “Family Dollar、ITを活用したマーチャンダイジングをサポート”. 2010年5月6日時点のオリジナルよりアーカイブ。2009年11月3日閲覧。
- ^ Sanida, Theodora; Varlamis, Iraklis (2017年6月). 「診断および処方データへのアフィニティ分析技術の応用」. 2017 IEEE 第30回コンピュータベース医療システム国際シンポジウム (CBMS) . テッサロニキ: IEEE. pp. 403– 408. doi :10.1109/CBMS.2017.114. ISBN 978-1-5386-1710-6。
- ^ Sengupta, Dipankar; Sood, Meemansa; Vijayvargia, Poorvika; Hota, Sunil; Naik, Pradeep K (2013年6月29日). 「脳腫瘍の発生に類似した臨床パラメータの同定のための相関ルールマイニングに基づく研究」. Bioinformation . 9 (11): 555– 559. doi :10.6026/97320630009555. PMC 3717182. PMID 23888095 .
- ^ Lakshmi, KS; Vadivu, G. (2017). 「多基準意思決定分析を用いた医療健康記録からの相関ルールの抽出」Procedia Computer Science . 115 : 290–295 . doi : 10.1016/j.procs.2017.09.137 .
さらに読む
- J. Han他著、2006年、「データマイニング：概念とテクニック 」ISBN 978-1-55860-901-3
- V. Kumar他 2005データマイニング入門 ISBN 978-0-321-32136-7
- U. Fayyad他 1996知識発見とデータマイニングの進歩 ISBN 978-0-262-56097-9
外部リンク
- Excelを使用した基本的なマーケットバスケット分析の例
