En el fascinante mundo del análisis de datos, existe una técnica que ha ganado popularidad en los últimos años: el Market Basket Analysis (Análisis de la Cesta de la Compra). Este enfoque nos permite descubrir patrones ocultos en los datos de compra de los clientes y entender las asociaciones entre los productos. Los datos, la analítica y la inteligencia empresarial están revolucionando el mundo del comercio minorista. Un ejemplo claro es el análisis del carrito de compra, una técnica de minería de datos que descubre patrones de compra en el comercio minorista. En este artículo, exploraremos en qué consiste el Market Basket Analysis, cómo se aplica en el mundo real y cuáles son sus beneficios.
Análisis de consumidores en una heladería y Instacart Market Basket Analysis
¿Qué es el Market Basket Analysis?
El Market Basket Analysis es una técnica de análisis de datos que se utiliza para descubrir las asociaciones entre los productos comprados por los clientes. Se basa en la idea de que ciertos productos tienden a ser comprados juntos con más frecuencia de lo que se esperaría al azar. Por ejemplo, es posible que los clientes que compran cerveza también tiendan a comprar aceitunas o aquellos que compran leche también adquieran cereales. Mediante el uso de algoritmos de minería de datos, es posible identificar combinaciones frecuentes de productos en las transacciones de compra.
El “market basket analysis” es una técnica utilizada en el ámbito del análisis de datos y la minería de datos en el campo del comercio minorista y la gestión de ventas. El objetivo principal de este análisis es descubrir patrones de asociación entre productos que suelen ser comprados juntos por los clientes. Se basa en el concepto de entender qué productos tienden a aparecer en la “cesta de la compra” de un cliente determinado.
Cuando vamos a comprar a un supermercado, una tienda por departamentos o una tienda de conveniencia, incluso cuando compramos por Internet, cada transacción que realizamos genera datos, que analizados por los negocios de la forma correcta pueden significar valiosas estrategias que incrementarán sus niveles de venta. Para encontrar esas estrategias, una de las principales herramientas que se utiliza es el Market Basket Analysis (Análisis de Cesta de Compra) que analiza los patrones en las transacciones realizadas para encontrar reglas de asociación.
¿Para qué sirve?
El market basket analysis tiene varios propósitos y aplicaciones en el ámbito del comercio minorista y la gestión de ventas. Algunos de los objetivos y beneficios principales incluyen:
- Mejorar la disposición de productos en la tienda: Identificar qué productos suelen comprarse juntos ayuda a los minoristas a organizar y colocar estratégicamente los productos en las tiendas. Pueden ubicar productos complementarios cerca unos de otros para fomentar ventas adicionales.
- Optimizar estrategias de promoción: Al entender las asociaciones entre productos, los minoristas pueden diseñar estrategias de promoción más efectivas. Pueden crear ofertas y descuentos que incentiven a los clientes a comprar productos relacionados, aumentando así el valor total de la compra.
- Personalización y recomendación de productos: La información obtenida del análisis de la cesta de la compra puede utilizarse para ofrecer recomendaciones personalizadas a los clientes. Las plataformas de comercio electrónico, por ejemplo, pueden sugerir productos relacionados basándose en el historial de compras del cliente.
- Gestión de inventario: Conocer las asociaciones entre productos ayuda en la gestión de inventario. Los minoristas pueden asegurarse de mantener un inventario adecuado de productos que a menudo se compran juntos, evitando así la falta de existencias y optimizando la cadena de suministro.
- Segmentación de clientes: El análisis de la cesta de la compra también puede contribuir a la segmentación de clientes. Identificar patrones de compra específicos puede ayudar a los minoristas a comprender mejor los comportamientos de sus clientes y adaptar estrategias de marketing a grupos específicos.
- Toma de decisiones estratégicas: La información derivada del análisis de la cesta de la compra permite a los minoristas tomar decisiones estratégicas informadas sobre la presentación de productos, la estrategia de precios y la planificación de la oferta de productos.
El análisis del carrito de compra identifica las relaciones entre un gran número de productos adquiridos por distintos consumidores, basándose en la teoría de que «si compra un determinado conjunto de artículos, es más (o menos) probable que compre otro conjunto de productos«.
¿Cómo Funciona el Market Basket Analysis?
Para aplicar correctamente el análisis de la cesta de la compra, hay que partir del conjunto de datos de las transacciones. Pero es sobre todo la capacidad de aislar los datos más significativos, definir las métricas pertinentes y las reglas de análisis lo que garantiza el éxito del Análisis de la Cesta de Mercado.
El Market Basket Analysis se basa en la identificación de reglas de asociación. Las reglas de asociación se utilizan para descubrir relaciones entre los productos que se venden juntos con frecuencia.
El análisis de reglas de asociación es una técnica para descubrir qué elementos de un conjunto y cómo éstos están asociados entre sí. Por ejemplo, qué conjunto de productos compran a la vez los consumidores con mayor frecuencia (es decir qué productos están relacionados entre sí). Lo que sirve de insumo de diversas estrategias tales como:
- Análisis del comportamiento del consumidor
- Ventas cruzadas
- Publicidad y descuentos personalizados
- Diseño de catálogo
- Cambio en la distribución de los productos
- Envío de correos electrónicos personalizados
A continuación, se describen los pasos clave para realizar un Market Basket Analysis:
- Preparación de los datos: El primer paso en el Market Basket Analysis es recopilar los datos de las transacciones de compra de los clientes. Cada transacción se representa como un conjunto de productos adquiridos en una compra específica. Estos datos se estructuran en una matriz, donde cada fila representa una transacción y cada columna representa un producto.
- Cálculo de medidas: A partir de los datos de transacciones, se calculan varias medidas importantes para el análisis de la cesta de la compra. La medida principal es la frecuencia de co-ocurrencia, que indica cuántas veces ocurre una combinación particular de productos en todas las transacciones. También se calcula el soporte, que representa la proporción de transacciones que contienen esa combinación de productos.
- Generación de conjuntos frecuentes: Utilizando algoritmos de minería de datos como Apriori o FP-Growth, se identifican los conjuntos de productos que superan un umbral predefinido de frecuencia de ocurrencia.
- Generación de reglas de asociación: Una vez que se han identificado los conjuntos frecuentes, se generan reglas de asociación a partir de ellos. Una regla de asociación se compone de un antecedente (conjunto de productos) y un consecuente (otro conjunto de productos). Estas reglas se generan utilizando un umbral de confianza, que establece la probabilidad mínima requerida para que una regla sea considerada válida.
- Evaluación y selección de reglas: Las reglas de asociación generadas se evalúan utilizando medidas como la confianza y el lift. La confianza de una regla mide la proporción de transacciones que contienen el consecuente dado el antecedente. El lift, por otro lado, mide la fuerza de la asociación entre los conjuntos de productos y se calcula comparando la confianza de la regla con la probabilidad de que los conjuntos de productos se compren por separado.
- Interpretación de los resultados: Finalmente, las reglas de asociación seleccionadas se interpretan para obtener información valiosa.
Ejemplo de regla de asociación
A modo de ilustración, consideremos el siguiente ejemplo:
Tenemos un conjunto de transacciones numeradas del 1 al 5. Cada transacción muestra los productos comprados. Se puede observar que los pañales son comprados en conjunto con las cervezas en 3 transacciones, al igual que el pan y la leche. Ambos conjuntos de productos se denominan conjuntos frecuentes.
Luego de aplicar el algoritmo respectivo a este conjunto de transacciones y de determinar ciertos parámetros se obtienen como resultado las reglas de asociación.
Un ejemplo de una regla de asociación es: {Pañales} → {Cerveza}. Que se puede interpretar de la siguiente manera: Los clientes que compran pañales también compran cerveza en la misma transacción. Sin embargo, a esta regla de como tal le faltan datos como: ¿Con qué probabilidad los clientes compraran ambos productos? ¿Qué tan fuerte es esta regla?
Por ello, formalmente una regla de asociación se presenta de la siguiente manera:
A → B [Soporte, Confianza]
Donde: "A" representa el antecedente y "B" el consecuente. Asimismo, A y B son conjuntos de productos del conjunto de transacciones y son conjuntos disjuntos.
Volviendo al ejemplo anterior, tenemos la regla de asociación:
Pañales → Cerveza [Soporte = 20%, Confianza = 60%]
Que se puede interpretar de la siguiente manera: (i) 20% de las transacciones muestran que la Cerveza es comprada cuando se compran Pañales y (ii) 60% de los clientes que compraron Cerveza, compraron Pañales.
Conceptos Clave en el Análisis de Reglas de Asociación
Una vez que ya conocemos la estructura de una regla de asociación, es importante conocer los conceptos involucrados en su obtención:
- Conjunto: Colección de 1 o más elementos.
- Cuenta de soporte: Frecuencia de ocurrencia de un conjunto.
- Soporte(S): Fracción del número de transacciones que contiene el conjunto "X".
Para un conjunto X: Soporte(X) = Frecuencia(X)/N
Para una regla de asociación A → B: Soporte(A→B) = Frecuencia (A,B)/N
- Confianza: Para la regla A → B, la confianza muestra el porcentaje en la que B es comprado cuando se compra A. Confianza(A→B) = Frecuencia(A,B)/Frecuencia(A)
Es decir, el número de transacciones que presentan los conjuntos A y B, divididos por el número total de transacciones con el conjunto A presente.
En el ejemplo anterior, la confianza de la regla Pañales → Cerveza es:
Confianza(Pañales→Cerveza) = Frecuencia(Pañales,Cerveza)/Frecuencia(Pañales)
Confianza(Pañales→Cerveza) = 3/4 = 75%
La Cerveza es comprada en un 75% de ocasiones en las que los Pañales también son comprados.
- Elevación: Para la regla A → B, la elevación indica la correlación entre A y B. La correlación muestra cómo el conjunto de elementos A afecta al conjunto de elementos B.
Elevación(A→B) = Soporte(A→B) / {Soporte(A) * Soporte(B)}
El resultado de la elevación se interpreta de la siguiente manera:
- Si la regla tiene una elevación de 1, entonces A y B son independientes y no se puede derivar ninguna regla de ellos.
- Si la elevación es > 1, entonces A y B dependen el uno del otro, y el grado del cual dependen está dado por el valor de la elevación.
- Si la elevación es <1, entonces la presencia de A tendrá un efecto negativo en B.
En el ejemplo anterior, la elevación de la regla Pañales → Cerveza es:
Elevación(Pañales→Cerveza) = Sop.(Pañales→Cerveza)/{Sop.(Pañales)*Sop.(Cervezas)}
Elevación(Pañales→Cerveza) = (3/5) / {(4/5) * (3/5)}
Elevación(Pañales→Cerveza) = 1.25
En este caso ambos conjuntos dependen el uno del otro.
Algoritmo Apriori
Existen varios algoritmos que buscan reglas de asociación en bases de datos. Los más utilizados son:
- Apriori
- Eclat
- Partition
En este artículo explicaremos el funcionamiento del algoritmo Apriori.
Este algoritmo reduce la cantidad de conjuntos que necesitamos examinar de una base de datos de transacciones. Es decir, el algoritmo establece que si un conjunto de elementos es poco frecuente, entonces todos sus subconjuntos también deben ser poco frecuentes. Por ejemplo, si se descubrió que el conjunto {Leche} es poco frecuente, podemos esperar que {Leche, Mantequilla} sea igual o incluso menos frecuente. Por lo tanto, al consolidar la lista de conjuntos de elementos populares, no necesitamos considerar {Leche, Mantequilla}, ni ninguna otra configuración de conjunto de elementos que contenga {Leche}.
El algoritmo Apriori consta de los siguientes pasos:
- Paso 0. Empieza con conjuntos de elementos que contengan un solo elemento, como {Cerveza} y {Pañales}.
- Paso 1. Determina el soporte para los conjuntos de elementos. Mantiene los conjuntos de elementos que cumplan con un umbral mínimo de soporte y elimina los conjuntos de elementos que no.
- Paso 2. Utilizando los conjuntos de elementos que se guardaron del Paso 1, genera todas las configuraciones posibles de conjuntos de elementos.
- Paso 3. Repite los pasos 1 y 2 hasta que no haya más conjuntos de elementos nuevos.
IMPORTANTE: Se debe tener en cuenta que el umbral mínimo de soporte que elija en el Paso 1 puede basarse en análisis formales o experiencias pasadas.
Aplicaciones del Market Basket Analysis
El Market Basket Analysis tiene diversas aplicaciones en el mundo empresarial, especialmente en el retail:
- Estrategias de colocación de productos: El análisis de los patrones de compra puede ayudar a las tiendas a colocar los productos de manera más estratégica en las estanterías, colocando artículos relacionados cerca unos de otros para aumentar las ventas cruzadas.
- Recomendaciones personalizadas: Al comprender las asociaciones entre los productos, las empresas pueden ofrecer recomendaciones personalizadas a los clientes en función de sus compras anteriores. Esto mejora la experiencia del cliente y puede aumentar las ventas.
- Promociones y ofertas especiales: El Market Basket Analysis permite identificar qué productos tienen una alta probabilidad de ser comprados en conjunto.
Cuando estamos a punto de pagar nuestro carrito de compras suelen aparecer mensajes como “Quizás te interese…” o “Otras personas también compraron…”, y aunque pueda parecer una coincidencia, todas estas recomendaciones son resultado del análisis de miles de transacciones de compras anteriores mediante de una técnica llamada análisis de market basket o análisis de afinidad. Esta técnica de Machine Learning es una de las aplicaciones más significativas en la industria de retail y permite comprender y anticipar de manera más precisa los patrones de consumo de los clientes. Lo anterior facilita la toma de decisiones y las generación de mejores estrategias de marketing que incrementen las ventas.
A través de algoritmos como Apriori, el análisis de market basket nos permite identificar patrones y relaciones entre productos con alta frecuencia de compra simultánea. Esto genera oportunidades de venta cruzada, como, por ejemplo, posicionar los productos en estantes cercanos o sugerirlos con mensajes del tipo “también te puede interesar…” cuando se añade uno de los productos al carrito de compra.
Otra de las aplicaciones del análisis de market basket es la segmentación de clientes a partir de sus patrones de consumo y preferencias, con los cuál se pueden crear campañas de marketing específicas para ciertos grupos de clientes, así como también, anuncios y promociones más especializados que tengan mayor probabilidad de conversión.
El análisis de market basket permite optimizar la distribución de productos en tiendas físicas o en tiendas online ya que al colocar productos relacionados en lugares cercanos o sugerirlos en simultaneo a la compra de otro producto aumenta las probabilidad de que los clientes adquieran ambos.
El análisis de afinidad permite hacer seguimiento a los cambios que sufren los patrones de consumo y medir el impacto y efectividad de las campañas de marketing. La identificación de los productos que se compran juntos frecuentemente también ayuda a mejorar la gestión de los inventarios por medio del ahorro en pedidos de productos por cantidad, ahorro en costos de almacenamiento y en la disminución del riesgo de desabastecimiento.
Por otra parte la segmentación de clientes y el análisis de estacionalidad permite gestionar de forma más eficiente proveedores en distintas localidades, épocas o fechas especiales, así como también el punto de re orden de los productos de acuerdo con las preferencias locales y de temporada.
En la omnicanalidad, de hecho, cada punto de contacto puede requerir acciones diferentes: los clientes de la tienda física pueden comprar, gastar y pagar de forma distinta a los que hacen sus pedidos a través de la aplicación móvil.
Casos de uso
En el contexto de la tecnología y el análisis de datos, market basket analysis se refiere a la técnica que examina los patrones de compra de los clientes para identificar las relaciones entre los productos que compran juntos con mayor frecuencia. Aquí hay algunos casos de uso de market basket analysis:
- Recomendaciones de productos: Las tiendas en línea utilizan análisis de market basket para ofrecer recomendaciones personalizadas a los clientes. Por ejemplo, si un cliente agrega un teléfono celular a su carrito de compras, el sistema puede sugerir automáticamente accesorios relacionados, como fundas o auriculares.
- Optimización de la disposición de productos en tiendas físicas: Los minoristas pueden utilizar market basket analysis para organizar estratégicamente los productos en sus tiendas físicas. Colocar productos relacionados en proximidad puede aumentar las ventas, ya que los clientes tienden a comprar artículos que se complementan entre sí.
- Ofertas y promociones personalizadas: Las empresas pueden personalizar ofertas y promociones basadas en los patrones de compra del cliente. Por ejemplo, si un cliente compra regularmente pañales, el sistema puede ofrecer descuentos en productos relacionados, como toallitas húmedas o alimentos para bebés.
- Análisis de la efectividad de las campañas de marketing: Las empresas pueden evaluar la efectividad de sus campañas de marketing mediante el análisis de market basket. Si lanzan una campaña que promociona productos específicos y observan un aumento en la compra conjunta de esos productos, pueden considerar que la campaña fue exitosa.
- Detección de fraudes: En el sector financiero, el análisis de market basket puede utilizarse para detectar patrones de transacciones fraudulentas. Si un cliente realiza compras inusuales o no relacionadas entre sí en un corto período, podría indicar actividad fraudulenta.
- Planificación de inventario: Comprender las relaciones entre productos puede ayudar a las empresas a planificar mejor su inventario. Si ciertos productos tienden a venderse juntos con frecuencia, las empresas pueden asegurarse de mantener un inventario adecuado de esos productos para satisfacer la demanda.
Estos son solo algunos ejemplos de cómo se puede aplicar el análisis de market basket en diferentes industrias para mejorar la toma de decisiones empresariales y la satisfacción del cliente.
Ejemplo práctico: Wal-Mart y la correlación pañales-cerveza
En los años 90, Wal-Mart descubrió una correlación entre la compra de pañales y cerveza mediante el análisis de datos. Los compradores eran hombres de 25 a 35 años, que adquirían ambos productos los viernes por la tarde. Al colocar cervezas cerca de los pañales, las ventas aumentaron significativamente, demostrando los beneficios de la minería de datos y el análisis de la cesta de la compra. La historia, real o no, ilustra cómo datos simples pueden llevar a decisiones comerciales efectivas.