Birliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT

Ebat: px

Şu sayfadan göstermeyi başlat:

Download "Birliktelik Kuralları Analizi. Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT"

Irmak Sağlık
8 yıl önce
İzleme sayısı:

1 İş Zekası Çözümleri için i Çok Boyutlu Birliktelik Kuralları Analizi Yard. Doç. Dr. Derya BİRANT Prof. Dr. Alp KUT

2 İçerik 1 Veri Madenciliği 2 Birliktelik Kuralları Analizi 3 Uygulama 4 Algoritma 5 Sonuçlar

3 Veri Madenciliği Veri madenciliği; önceden bilinmeyen / gizli doğru potansiyel olarak yararlı bilgilerin, ilişkilerin ve eğilimlerin büyük veri yığınlarından keşfedilmesidir. Veri Veri Madenciliği Bilgi

bilgilerin, ilişkilerin ve eğilimlerin büyük veri

4 Birliktelik Kuralları Analizi Veri madenciliği yöntemlerinden birisidir. Veriler arasındaki ilginç birlikteliklerin, ilişkilerin ve bağıntıların kurallar halinde bulunması işlemidir. Örneğin: eş zamanlı gerçekleşen durumlar araştırılır.

5 Birliktelik Kuralları Analizi Çocuk Bezi Alışveriş Hareketleri 1. Müşteri 2.Müşteri 3.Müşteri 4.Müşteri Ekmek Çocuk Bezi Bira Yumurta Süt Çocuk Bezi Bira Çay Şeker Pirinç Elma Peynir Çocuk Bezi Bira Bira

Müşteri Ekmek Çocuk Bezi Bira Yumurta Süt Çocuk

6 Birliktelik Kural Çeşitleri Tek Boyutlu Birliktelik Kuralları Tek bir karşılaştırma ş ş elemanı yada özellik içerir. SatınAlma("A ürünü") SatınAlma("B ürünü") (%60) Çok Boyutlu Birliktelik Kuralları Birden fazla karşılaştırma elemanı yada özellik içerir. Şube( Bilkent") Λ Gün("Salı") SatınAlma("A ürünü") (%15)

SatınAlma("A ürünü") SatınAlma("B ürünü") (%60) Çok Boyutlu Birliktelik

7 Çok Boyutlu Birliktelik Kuralları Analizi Keçiören Bilkent Cihan Pazartesi A, D B, M Salı A, B, K, M B, E, F, M GÜNL LER Çarşamba Perşembe Cuma B, E, K B, K, R S, Y E, M, Z E, K, M S, Y Cumartesi D, K, Z B, E, Z Pazar A, D, E, K, S A, B, E,I,K,N K, M STYZ S,T,Y,Z M 1 M 2 M 3 MÜŞTERİLER M k

Perşembe Cuma B, E, K B, K, R S, Y E, M, Z E, K, M S, Y Cumartesi D, K,

8 Çok Boyutlu Birliktelik Kuralları Boyutlar Arası Birliktelik Kuralları Özelliklerin tekrar etmediği ğ kurallar Şube( Bilkent") Λ Gün("Salı") SatınAlma("A ürünü") Hibrit Birliktelik Kuralları Özelliklerin tekrar edildiği kurallar Şube( Bilkent") Λ Gün("Salı") Λ SatınAlma("A ürünü") SatınAlma("B ürünü")

SatınAlma("A ürünü") Hibrit Birliktelik Kuralları Özelliklerin tekrar

9 Uygulama Pazar Sepet Analizi: i Marketlerde hangi ürünlerin ü birlikte satıldığının ğ belirlenmesi Çok Boyutlu Pazar Sepet Analizi Şube Gün Hangi şubede Hangi gün Hangi ürünlerin birlikte satıldığı Üü Ürünler

Çok Boyutlu Pazar Sepet Analizi Şube Gün Hangi

10 Veri Seti Şube sayısı: 9 Müşteri sayısı: 6300 Süre: 6 ay Kayıt sayısı: Örnek Alışveriş hareketleri: Şube Gün Ürünler 01-Cihan Pazartesi A, B, C 02-Bilkent Pazartesi A, D 02-Bilkent Sl Salı B, E, K 02-Bilkent Salı C, K, Y, Z 09-Keçiören Pazar A, C, E

000 Örnek Alışveriş hareketleri: Şube Gün Ürünler 01-Cihan

11 NETSİS Analyzer Data Mole: NETSİS İ Veri Madenciliği Ürünü TUBITAK projesi kapsamında geliştirilmiştir. Üniversite - Sanayi İşbirliği nin güzel ve başarılı bir örneğidir.

12 NETSİS Analyzer Skorlama Birliktelik Kuralları Analizi Sıralı Örüntü Analizi Aykırı Durum Analizi Kümeleme Sınıflandırma

13 FP-Growth Algoritması J. Han ve arkadaşları tarafından 2000 yılında geliştirilmiştir. Verisetini sadece iki kez taramaktadır. Kayıtlar destek değerlerine göre sıralanarak ve sıkıştırılarak ağaç veri yapısına yerleştirilir. Karşılaştırmalarda l daha performanslı çalıştığı ğ görülmüştür. ü FIMI'03: Workshop on Frequent Itemset Mining Implementations. 2003, Florida, USA

Kayıtlar destek değerlerine göre sıralanarak ve sıkıştırılarak ağaç veri yapısına

14 FP-Growth Algoritması Başlık tablosu Ağaç veri yapısı

15 FP-Growth Algoritması

16 Veri Ambarı Kar tanesi şeması

17 Bilgi Keşfi Süreci Bilgi Sunumu Veri Madenciliği Değerlendirme ğ Görselleştirme Planlama / Tasarım Amaç Yöntem Kaynaklar Maliyet Veri Hazırlama Veri Birleştirme Veri İndirgeme Veri Temizleme Veri Önişleme Veri Dönüştürme Birliktelik Analizi Kümeleme Sınıflandırma Aykırı Durum Analizi

Hazırlama Veri Birleştirme Veri İndirgeme Veri Temizleme Veri Önişleme

19 Uygulama Sonuçları Analiz sonuçlarının sağlayacağı başlıca yararlar Çapraz Satış: X Y X ürününü alan müşteri potansiyel bir Y müşterisidir. Şube bazında bir sonraki ayın satış tahminleri çıkarılabilir. Şube ve gün bazında promosyon uygulaması yapılabilir. 4. Yeni bir ürün için potansiyel satış bölgesi belirlenebilir. 5. Analiz sonuçlarına göre stok eritmeye gidilebilir Ürün katalogları daha çekici hale getirilebilir. Şube ve gün bazında reyon ve raf dizilişleri düzenlenebilir.

Şube bazında bir sonraki ayın satış tahminleri çıkarılabilir. Şube ve gün bazında promosyon uygulaması yapılabilir. 4.

20 Sonuçlar Veri Madenciliği Çalışması Çok Boyutlu Birliktelik Kuralları Analizi Üniversite Sanayi İşbirliği Projesi Extras Uygulamanın Sağladığı Avantajlar Gelecek Çalışmalar: l Müşteri ve Ürün Özellikleri

İşbirliği Projesi Extras Uygulamanın Sağladığı

21 Teşekkürler

Benzer belgeler

İş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları Analizi

İş Zekası Çözümleri için Çok Boyutlu Birliktelik Kuralları Analizi Derya Birant 1, Alp Kut 1, Medi Ventura 2, Hakan Altınok 2, Benal Altınok 2, Elvan Altınok 2, Murat Ihlamur 2 1 Dokuz Eylül Üniversitesi,