Análisis de afinidad

El análisis de afinidad se engloba dentro del término minería de datos , que descubre correlaciones significativas entre diferentes entidades según su coocurrencia en un conjunto de datos . En casi todos los sistemas y procesos, la aplicación del análisis de afinidad puede extraer conocimiento significativo sobre tendencias inesperadas . De hecho, el análisis de afinidad aprovecha el estudio de atributos que van juntos, lo que ayuda a descubrir patrones ocultos en un big data mediante la generación de reglas de asociación. El procedimiento de minería de reglas de asociación es doble: primero, encuentra todos los atributos frecuentes en un conjunto de datos y, luego, genera reglas de asociación que satisfacen ciertos criterios predefinidos, soporte y confianza, para identificar las relaciones más importantes en el conjunto de elementos frecuentes. El primer paso del proceso es contar la coocurrencia de atributos en el conjunto de datos. A continuación, se crea un subconjunto llamado conjunto de elementos frecuentes. La minería de reglas de asociación se basa en la premisa de que si una condición o característica (A) está presente, entonces existe otra condición o característica (B). La primera condición o característica (A) se llama antecedente y la segunda (B) se conoce como consecuente . Este proceso se repite hasta que no se encuentren más conjuntos de elementos frecuentes. Existen dos métricas importantes para realizar la técnica de minería de reglas de asociación: soporte y confianza. Además, se utiliza un algoritmo a priori para reducir el espacio de búsqueda del problema. ^{[ 1 ]}

La métrica de soporte en el algoritmo de aprendizaje de reglas de asociación se define como la frecuencia con la que el antecedente o el consecuente aparecen juntos en un conjunto de datos. Además, la confianza se expresa como la fiabilidad de las reglas de asociación, determinada por la proporción de registros de datos que contienen tanto A como B. El umbral mínimo para el soporte y la confianza son entradas para el modelo. Considerando todas las definiciones mencionadas, el análisis de afinidad puede desarrollar reglas que predigan la ocurrencia de un evento basándose en la ocurrencia de otros eventos. Este método de minería de datos se ha explorado en diferentes campos, como el diagnóstico de enfermedades, el análisis de cestas de compra, el sector minorista, la educación superior y el análisis financiero. En el sector minorista, el análisis de afinidad se utiliza para realizar análisis de cestas de compra, en los que los minoristas buscan comprender el comportamiento de compra de los clientes. Esta información puede utilizarse para la venta cruzada y la venta adicional , además de influir en las promociones de ventas , los programas de fidelización, el diseño de tiendas y los planes de descuento . ^{[ 2 ]}

El análisis de la cesta de la compra podría indicar a un minorista que los clientes suelen comprar champú y acondicionador juntos , por lo que poner ambos artículos en promoción al mismo tiempo no generaría un aumento significativo de los ingresos, mientras que una promoción que involucre solo uno de los artículos probablemente impulsaría las ventas del otro.

El análisis de la cesta de la compra puede proporcionar al minorista información para comprender el comportamiento de compra de un comprador. Esta información le permitirá comprender las necesidades del comprador y rediseñar la distribución de la tienda en consecuencia, desarrollar programas de promoción cruzada o incluso captar nuevos compradores (de forma similar al concepto de venta cruzada ). Un ejemplo apócrifo de los inicios de esto fue cuando una cadena de supermercados descubrió en su análisis que los clientes varones que compraban pañales a menudo también compraban cerveza, colocaban los pañales cerca de los refrigeradores de cerveza y sus ventas aumentaban drásticamente. Aunque esta leyenda urbana es solo un ejemplo que los profesores utilizan para ilustrar el concepto a los estudiantes, la explicación de este fenómeno imaginario podría ser que los padres que salen a comprar pañales a menudo también compran una cerveza como recompensa. ^{[ 3 ]} Este tipo de análisis es supuestamente un ejemplo del uso de la minería de datos . Un ejemplo ampliamente utilizado de venta cruzada en la web con análisis de la cesta de la compra es el uso que hace Amazon.com de "los clientes que compraron el libro A también compraron el libro B", por ejemplo, "Las personas que leyeron Historia de Portugal también estaban interesadas en Historia Naval ".

El análisis de la cesta de la compra puede utilizarse para dividir a los clientes en grupos . Una empresa podría observar qué otros artículos compran las personas junto con los huevos y clasificarlos como hornear un pastel (si compran huevos junto con harina y azúcar) o preparar tortillas (si compran huevos junto con tocino y queso). Esta identificación podría utilizarse para impulsar otros programas. De manera similar, puede utilizarse para dividir los productos en grupos naturales. Una empresa podría observar qué productos se venden con mayor frecuencia juntos y alinear su gestión de categorías en torno a estos grupos. ^{[ 4 ]}

El uso comercial del análisis de cesta de la compra ha aumentado significativamente desde la introducción de los puntos de venta electrónicos . ^{[ 2 ]} Amazon utiliza el análisis de afinidad para la venta cruzada cuando recomienda productos a los usuarios basándose en su historial de compras y el de otras personas que compraron el mismo artículo. Family Dollar planea utilizar el análisis de cesta de la compra para ayudar a mantener el crecimiento de las ventas mientras avanza hacia el almacenamiento de más productos de consumo de bajo margen . ^{[ 5 ]}

Una importante aplicación clínica del análisis de afinidad es que puede realizarse en registros médicos de pacientes para generar reglas de asociación. Las reglas de asociación obtenidas pueden evaluarse posteriormente para encontrar diferentes condiciones y características que coinciden en un gran bloque de información. ^{[ 6 ]} Es crucial comprender si existe una asociación entre diferentes factores que contribuyen a una condición para poder administrar intervenciones preventivas o terapéuticas efectivas. En la medicina basada en la evidencia , encontrar la coocurrencia de síntomas que están asociados con el desarrollo de tumores o cánceres puede ayudar a diagnosticar la enfermedad en su etapa más temprana. ^{[ 7 ]} Además de explorar la asociación entre diferentes síntomas en un paciente relacionados con una enfermedad específica, también se pueden identificar posibles correlaciones entre varias enfermedades que contribuyen a otra condición utilizando el análisis de afinidad. ^{[ 8 ]}

• Aprendizaje de reglas de asociación

• J. Han et al., 2006, Minería de datos: conceptos y técnicas ISBN 978-1-55860-901-3
• V. Kumar et al. 2005 Introducción a la minería de datos ISBN 978-0-321-32136-7
• U. Fayyad et al. 1996 Avances en el descubrimiento de conocimiento y la minería de datos ISBN 978-0-262-56097-9

• Ejemplos de análisis básico de cesta de la compra utilizando Excel