Data Science in Retail: Market Basket Analysis

Module Description

Di bisnis ritel, salah satu inovasi teknologi adalah analisa otomatis terhadap ribuan sampai jutaan data transaksi untuk mendapatkan kombinasi produk yang sering dibeli bersamaan. Dari berbagai studi kasus, informasi kombinasi ini dapat digunakan untuk meningkatkan penjualan 18% sampai dengan 60%. Peningkatan ini diperoleh dengan cara:

  • Membuat paket menarik untuk ditawarkan kepada konsumen.
  • Memberikan rekomendasi produk secara proaktif.
  • Menyusun posisi produk pada rak toko dimana kemungkinan untuk dibeli lebih besar.
  • Menyusun halaman produk e-commerce dengan kombinasi tersebut ditampilkan bersama.

Selain efektif untuk meningkatkan penjualan, informasi ini sekaligus bisa digunakan untuk memecahkan masalah stok. Kenapa bisa? Karena apabila stok yang sebelumnya menumpuk, kini dapat dicari pasangan produk yang tepat untuk dipaketkan bersama.

Proses analisa ini dikenal sebagai Market Basket Analysis (MBA). Dan di dunia data science, algoritma yang populer untuk mendukung proses ini adalah Apriori. Course ini akan mempelajari bagaimana menerapkan MBA melalui algoritma Apriori dengan menggunakan R. 

Learning Outcomes

Dengan menyelesaikan course ini, Anda akan mampu menyusun model rekomendasi produk yang berdampak pada peningkatan penjualan dan mengurangi masalah inventory di bidang ritel – dengan detail pengetahuan dan keterampilan sebagai berikut:

  1. Memahami penggunaan Market Basket Analysis (MBA) di dunia ritel.
  2. Memahami dan mampu mempersiapkan data yang diperlukan.
  3. Memahami konsep fundamental item, itemset, frequent itemset dan association rules.
  4. Memahami dan mampu menggunakan algoritma Apriori untuk menghasilkan model association rules dengan R.
  5. Mampu menghasilkan daftar kombinasi produk yang memiliki asosiasi kuat berdasarkan nilai support, confidence dan lift.

Mampu mengoperasionalkan model sehari-hari untuk menghasilkan rekomendasi produk kepada customer. 

Chapters

1. Market Basket Analysis

Bab pertama ini menjelaskan apa dan kenapa Market Basket Analysis yang akan dimanfaatkan pada bisnis ritel untuk menemukan product packaging yang tepat dan mengurangi masalah inventory.

  • Pengantar
  • Apa itu Market Basket Analysis
  • Tujuan dari Market Basket Analysis
  • Quiz: Apa tujuan dari Market Basket Analysis?
  • Contoh Code Market Basket Analysis di R
  • Data apa yang diperlukan oleh algoritma Market Basket Analysis?
  • Kesimpulan

2. Algoritma Apriori

Pengenalan terhadap algoritma apriori sebagai implementasi Market Basket Analysis di R, terutama kenapa algoritma ini bisa membantu menemukan paket produk terbaik dari sekian banyak kombinasi yang dihasilkan.

  • Algoritma Apriori dan Association Rules
  • Menampilkan Kombinasi dari Contoh Transaksi "Kecil"
  • Menampilkan Kombinasi dari Transaksi "Besar"
  • Apa yang dimaksud dengan algoritma Apriori?
  • Apa output yang dihasilkan oleh algoritma Apriori?
  • Kenapa harus menggunakan algoritma Apriori?
  • Kesimpulan

3. Item, Itemset and Rules

Pembahasan mengenai konsep dasar agar bisa menggunakan algoritma secara efektif, yaitu mengenai item, itemset dan rules.

  • Pengantar
  • Item, Itemset, and Rules
  • Mana pernyataan yang benar mengenai Item?
  • Mana yang merupakan item ?
  • Mana pernyataan yang benar mengenai Itemset?
  • Mana yang merupakan Itemset?
  • Mana yang merupakan Rule?
  • Kesimpulan

4. Item and Transaction

Bab ini menjelaskan lebih detil mengenai transaksi dan item yang terdapat dalam transaksi, serta berbagai teknik untuk menganalisa kedua objek ini.

  • Pengantar
  • Contoh Dataset
  • Membaca File sebagai Data Frame
  • Berapa banyak Transaksi?
  • Berapa banyak jenis Item?
  • Berapa banyak item?
  • Membaca File sebagai Transaction
  • Menampilkan Daftar Item Transaksi
  • Menampilkan Daftar Kode Transaksi
  • Tampilan Transaksi dalam bentuk Matrix
  • Item Frequency
  • Statistik Top 3
  • Output Statistik Top 3 Sebagai File
  • Grafik Item Frequency
  • Kesimpulan

5. Itemset and Rules

  • Pengantar
  • Melihat Itemset per Transaksi dengan Inspect
  • Menghasilkan Rules dengan Apriori
  • Melihat Rules dengan fungsi inspect
  • Apa kegunaan dari fungsi inspect?
  • Filter RHS
  • Filter LHS
  • Filter LHS dan RHS
  • Kesimpulan

6. Scoring and Evaluation: Support, Confidence and Lift

  • Pengantar
  • Support, Confidence and Lift (Dictionary)
  • Menghasilkan Rules dengan Parameter Support dan Confidence
  • Inspeksi Rules Yang Dihasilkan
  • Filter LHS dan RHS (2)
  • Filter berdasarkan Lift
  • Rekomendasi - Filter dengan %ain%
  • Visualisasi Rules dengan Graph

7. Penutup

  • Kesimpulan
  • What Next?

7 Chapters

41 Sub-babs

Premium

Details
2 Chapter, 15 Sub-babs

Certificate of Completion
Data Science in Retail: Market Basket Analysis


Share

Praktikkan Ilmu Data Science dengan Studi Kasus

Belajar Data Science Mulai Dari IDR 199,000