CHƯƠNG 3: ỨNG DỤNG THUẬT TOÁN APRIORI ĐỂ PHÂN TÍCH GIỎ HÀNG CHO CỬA HÀNG TIỆN LỢI WINMART
3.4. KẾT QUẢ VÀ ĐÁNH GIÁ
3.4.2. Kết quả của thuật toán Apriori chạy trên Weka
Dựa trên kết quả của thuật với minsup = 2% và các ngưỡng confidence khác nhau từ 50-70% để tìm ra các mặt hàng thường mua cùng nhau, có thể đưa ra một số nhận xét:
● Mối quan hệ giữa mặt hàng "whole milk" và các mặt hàng khác như
"tropical fruit", "citrus fruit", "root vegetables", và "other vegetables" khá mạnh, với độ tin cậy từ 0.63 đến 0.71.
● Một số cặp mặt hàng như "sausage" và "rolls/buns" hoặc "soda" cũng có mối quan hệ với độ tin cậy từ 0.5 đến 0.55, mặc dù không mạnh như các quan hệ khác.
● Mặc dù có sự liên kết cao, không có một mối quan hệ nào được xác định là tuyệt đối hoặc cố định và việc xem xét nhiều yếu tố khác nhau cũng quan trọng để hiểu rõ hơn về hành vi mua sắm.
Dựa trên kết quả của thuật toán với Minsup = 1%, minconf = 20% để tìm ra các mặt hàng có liên quan đến nhau, có thể đưa ra một số nhận xét:
● Các mặt hàng có liên quan mạnh mẽ:
+ Sữa tươi: "Whole milk" có liên quan mạnh mẽ với nhiều mặt hàng khác, đặc biệt là các loại rau củ và trái cây. Các quy tắc liên quan đến sữa tươi có mức độ tin cậy cao nhất (lên đến 0.75) và lift cao (lên đến 3.85). Điều này cho thấy khách hàng thường mua sữa tươi cùng với các loại rau củ và trái cây.
+ Các loại rau củ: Các loại rau củ như "root vegetables" và "other vegetables" cũng có liên quan mạnh mẽ với các mặt hàng khác. Chúng thường được mua cùng nhau và cũng có liên quan đến sữa tươi.
+ Trái cây: Mặc dù không có nhiều quy tắc liên quan đến trái cây, nhưng
"tropical fruit" cũng có liên quan đến sữa tươi và các loại rau củ khác.
● Các cặp mặt hàng thường được mua cùng nhau:
+ Sausage và rolls/buns: Cặp mặt hàng này có liên quan với mức độ tin cậy 0.55 và lift 1.53, cho thấy khách hàng thường mua chúng cùng nhau.
+ Other vegetables và soda: Cặp mặt hàng này có liên quan với mức độ tin cậy 0.64 và lift 1.49, cho thấy chúng cũng có xu hướng được mua cùng nhau.
55
+ Soda và yogurt: Cặp mặt hàng này có liên quan với mức độ tin cậy 0.56 và lift 1.3, cho thấy chúng cũng có thể được mua cùng nhau.
● Các quy tắc có độ tin cậy cao: Có 11 quy tắc có mức độ tin cậy trên 0.6, cho thấy chúng là những quy tắc mạnh mẽ. Điều này có nghĩa là nếu một khách hàng mua một mặt hàng trong quy tắc, thì họ rất có thể cũng sẽ mua các mặt hàng khác.
● Các quy tắc có lift cao: Có 15 quy tắc có lift trên 1.5, cho thấy chúng là những quy tắc có giá trị. Điều này có nghĩa là các mặt hàng trong quy tắc được mua cùng nhau nhiều hơn mức dự kiến.
3.4.3. Đánh giá thuật toán thuật toán Apriori Đánh giá:
Sự kết hợp Dữ liệu: Kết hợp dữ liệu từ thuật toán Apriori với thông tin ban đầu về xu hướng mua hàng cho phép cửa hàng nhìn nhận mối quan hệ giữa các mặt hàng một cách toàn diện hơn. Apriori giúp xác định mối liên kết giữa các sản phẩm, trong khi thông tin ban đầu cho thấy xu hướng chung của mặt hàng bán chạy và cách mua hàng của khách hàng.
Thông Tin Chi Tiết Hơn về Mối Quan Hệ: Apriori cung cấp các quy tắc có độ tin cậy và lift, giúp cửa hàng hiểu rõ hơn về các cặp mặt hàng thường được mua cùng nhau và mức độ tin cậy của các mối quan hệ. Thông tin này có thể giúp tối ưu hóa trưng bày sản phẩm và chiến lược giá cả.
Hiểu Rõ Hơn về Hành Vi Mua Sắm: Phân tích Apriori cho thấy một số mặt hàng có mối quan hệ mạnh mẽ với nhau, trong khi dữ liệu ban đầu chỉ cho thấy xu hướng tổng quan. Việc này giúp cửa hàng hiểu rõ hơn về cách mà các mặt hàng liên quan đến nhau trong giỏ hàng của khách hàng.
Gợi ý cho cửa hàng:
Tối Ưu Hóa Vị Trí Trưng Bày: Dựa trên thông tin từ Apriori, cửa hàng có thể sắp xếp các sản phẩm có mối quan hệ mạnh mẽ gần nhau trong khu vực trưng bày. Ví dụ, "whole milk" thường được mua cùng với "tropical fruit", có thể đặt chúng gần nhau để khuyến khích mua hàng.
Tạo Gói Sản Phẩm Kết Hợp: Cửa hàng có thể tạo các gói sản phẩm kết hợp dựa trên thông tin từ Apriori. Ví dụ, nếu "sausage" thường được mua cùng "rolls/buns", có thể tạo ưu đãi khi mua cả hai sản phẩm để khuyến khích mua hàng.
Chiến Lược Quảng Cáo và Khuyến Mãi: Áp dụng chiến lược quảng cáo hoặc khuyến mãi cho các sản phẩm có mối quan hệ cao với nhau. Sử dụng thông tin từ Apriori để tạo chiến lược marketing nhắm vào các cặp mặt hàng thường được mua cùng nhau để tăng doanh số bán hàng.
Nghiên Cứu Thêm Về Mối Quan Hệ Yếu: Cửa hàng có thể tìm hiểu sâu hơn về các mối quan hệ yếu từ kết quả Apriori để xem liệu có thể tối ưu hóa hơn trong việc kết hợp các sản phẩm này để tạo ra gói sản phẩm hấp dẫn hơn cho khách hàng.
Kết hợp thông tin từ thuật toán Apriori với dữ liệu ban đầu về xu hướng mua hàng cho phép cửa hàng hiểu rõ hơn về mối quan hệ giữa các sản phẩm và áp dụng các chiến lược cụ thể để tối ưu hóa doanh số bán hàng và trải nghiệm mua sắm của khách hàng.
57
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận:
Phân tích giỏ hàng của cửa hàng tiện lợi WinMart thông qua thuật toán Apriori kết hợp với dữ liệu về xu hướng mua hàng cung cấp cửa hàng một cái nhìn sâu hơn về mối quan hệ giữa các sản phẩm và hành vi mua sắm của khách hàng. Từ việc xác định các cặp mặt hàng thường được mua cùng nhau đến đánh giá độ tin cậy và lift, thông tin này là cơ sở quan trọng cho việc điều chỉnh chiến lược kinh doanh và tối ưu hóa trải nghiệm mua sắm.
Hướng phát triển:
Để tiếp tục phát triển bài toán này, có thể thực hiện một số nghiên cứu sau:
Mở rộng dữ liệu: Để có kết quả phân tích chính xác hơn, cần thu thập dữ liệu từ nhiều giao dịch hơn. Điều này sẽ giúp xác định các mối liên hệ giữa các mặt hàng ít phổ biến hơn.
Tăng cường hiệu quả của thuật toán Apriori: Có thể sử dụng các thuật toán khác để phân tích giỏ hàng, chẳng hạn như thuật toán FP-Growth. Các thuật toán này có thể hiệu quả hơn trong việc phát hiện các quy tắc kết hợp có độ tin cậy thấp.
Xem xét các yếu tố khác: Ngoài việc xem xét các mối liên hệ giữa các mặt hàng, cần xem xét các yếu tố khác ảnh hưởng đến hành vi mua sắm của khách hàng, chẳng hạn như giá cả, chất lượng, hoặc vị trí trưng bày. Điều này sẽ giúp cửa hàng đưa ra các quyết định kinh doanh chính xác hơn.