Analyser les données transactionnelles, telles que les achats de produits et la survenue d'événements, afin d'identifier ceux qui sont interdépendants ou qui ont tendance à se produire simultanément. Des indicateurs tels que la probabilité de survenue d'éléments ou d'événements en fonction de la survenue d'autres éléments ou événements, entre autres, sont produits.
Notez que les données doivent être au format liste, où chaque ligne identifie l'ID client ou transaction (dans une colonne) et l'élément ou l'événement (dans une autre colonne).
Analyse d'association
- À partir d’une table de données JMP ® ouverte, sélectionnez Analyser > Criblage > Analyse d’association .
- Sélectionnez une variable catégorielle dans Sélectionner les colonnes et cliquez sur Élément (les variables catégorielles ont des barres rouges ou vertes).
- Sélectionnez la variable qui représente l’ID de transaction et cliquez sur IDENTIFIANT .
- Acceptez les paramètres par défaut (en bas à gauche) et cliquez sur D'ACCORD . Par défaut, JMP fournit les tableaux de résultats suivants :
- Ensembles d'éléments fréquents : la liste des ensembles d'éléments dont la prise en charge (proportion d'occurrences) dépasse la valeur minimale spécifiée dans la fenêtre de lancement.
- Règles : règles d'association qui répondent aux exigences de support minimum, de confiance minimum, de portance minimum, d'antécédents maximum et de taille de règle maximum spécifiées dans la boîte de dialogue de lancement.
Ici, nous avons trié les tableaux par ordre croissant, respectivement selon l'ensemble d'éléments et la condition. Pour trier un tableau, faites un clic droit dessus, sélectionnez « Trier par colonne » , sélectionnez la colonne qui vous intéresse, cochez « Croissant » et cliquez sur « D'ACCORD » .
Interprétation:
- Le support minimum est de 0,1 et la confiance minimum de 0,4 (voir les paramètres par défaut ci-dessus). Ainsi, un ensemble d'articles n'apparaîtra dans aucune des listes, sauf s'il est acheté par au moins 10 % des clients (il s'agit du support). De plus, il n'apparaîtra dans la liste des règles que si un article consécutif est acheté au moins 40 % du temps (il s'agit de la confiance). Par exemple, des pommes et un avocat ont été achetés ensemble dans 14 % des cas. De plus, lorsqu'un client achetait à la fois des pommes et des avocats, il achetait également une baguette dans 81 % des cas.
- Le nombre maximal d'antécédents est de 3 et la taille maximale de la règle est de 4. Par conséquent, la liste des règles ne contient que des conditions de trois éléments ou moins et aucune règle n'inclut plus de 4 conditions et éléments conséquents (combinés).
- L'effet lift minimal est de 1,2. L'effet lift, qui correspond au rapport entre la confiance et le support, mesure la probabilité accrue (ou réduite) d'un client d'acheter l'article concerné lorsqu'il achète déjà les articles concernés, par rapport à la probabilité d'achat de l'article concerné en général. Par exemple, l'effet lift pour les pommes, l'avocat et la baguette correspondante est de 2,058, ce qui indique que les clients sont deux fois plus susceptibles d'acheter une baguette lorsqu'ils achètent également des pommes et des avocats.
Example: Grocery Purchases.jmp (Help > Sample Data Folder)Exemple : Achats d'épicerie.jmp (Aide > Dossier de données d'échantillon)
Visitez Modèles prédictifs et spécialisés > Analyse d'association dans l'aide JMP pour en savoir plus.
