El análisis de afinidad se incluye en el término general de minería de datos , que descubre correlaciones significativas entre diferentes entidades según su coocurrencia en un conjunto de datos. En casi todos los sistemas y procesos, la aplicación del análisis de afinidad puede extraer conocimiento significativo sobre las tendencias inesperadas [ cita requerida ] . De hecho, el análisis de afinidad aprovecha el estudio de atributos que van juntos, lo que ayuda a descubrir los patrones ocultos en un big data mediante la generación de reglas de asociación. El procedimiento de minería de reglas de asociación es doble: primero, encuentra todos los atributos frecuentes en un conjunto de datos y, luego, genera reglas de asociación que satisfacen algunos criterios predefinidos, soporte y confianza, para identificar las relaciones más importantes en el conjunto de elementos frecuentes. El primer paso del proceso es contar la coocurrencia de atributos en el conjunto de datos. A continuación, se crea un subconjunto llamado conjunto de elementos frecuentes. La minería de reglas de asociación toma la forma de si una condición o característica (A) está presente , entonces existe otra condición o característica (B). La primera condición o característica (A) se llama antecedente y la última (B) se conoce como consecuente . Este proceso se repite hasta que no se encuentren conjuntos de elementos frecuentes adicionales. Hay dos métricas importantes para realizar la técnica de minería de reglas de asociación: soporte y confianza. Además, se utiliza un algoritmo a priori para reducir el espacio de búsqueda del problema. [1]
La métrica de soporte en el algoritmo de aprendizaje de reglas de asociación se define como la frecuencia con la que el antecedente o el consecuente aparecen juntos en un conjunto de datos. Además, la confianza se expresa como la fiabilidad de las reglas de asociación determinadas por la relación de los registros de datos que contienen tanto A como B. El umbral mínimo de soporte y confianza son entradas al modelo. Teniendo en cuenta todas las definiciones mencionadas anteriormente, el análisis de afinidad puede desarrollar reglas que predecirán la ocurrencia de un evento en función de la ocurrencia de otros eventos. Este método de minería de datos se ha explorado en diferentes campos, incluidos el diagnóstico de enfermedades, el análisis de la cesta de la compra, la industria minorista, la educación superior y el análisis financiero. En el comercio minorista, el análisis de afinidad se utiliza para realizar un análisis de la cesta de la compra, en el que los minoristas buscan comprender el comportamiento de compra de los clientes. Esta información se puede utilizar luego con fines de venta cruzada y venta adicional , además de influir en las promociones de ventas , los programas de fidelización, el diseño de tiendas y los planes de descuento . [2]
El análisis de la cesta de la compra podría indicar a un minorista que los clientes a menudo compran champú y acondicionador juntos , por lo que poner ambos artículos en promoción al mismo tiempo no crearía un aumento significativo en los ingresos, mientras que una promoción que involucre solo uno de los artículos probablemente impulsaría las ventas del otro.
El análisis de la cesta de la compra puede proporcionar al minorista información para entender el comportamiento de compra de un comprador. Esta información le permitirá al minorista entender las necesidades del comprador y reescribir el diseño de la tienda en consecuencia, desarrollar programas de promoción cruzada o incluso captar nuevos compradores (de forma muy similar al concepto de venta cruzada ). Un ejemplo ilustrativo temprano apócrifo de esto fue cuando una cadena de supermercados descubrió en su análisis que los clientes masculinos que compraban pañales a menudo también compraban cerveza, los ponían cerca de los refrigeradores de cerveza y sus ventas aumentaban drásticamente. Aunque esta leyenda urbana es solo un ejemplo que los profesores usan para ilustrar el concepto a los estudiantes, la explicación de este fenómeno imaginario podría ser que los padres que son enviados a comprar pañales a menudo también compran una cerveza, como recompensa. [3] Este tipo de análisis es supuestamente un ejemplo del uso de la minería de datos . Un ejemplo ampliamente utilizado de venta cruzada en la web con análisis de la cesta de la compra es el uso de Amazon.com de "los clientes que compraron el libro A también compraron el libro B", por ejemplo "Las personas que leyeron Historia de Portugal también estaban interesadas en Historia Naval ".
El análisis de la cesta de la compra se puede utilizar para dividir a los clientes en grupos . Una empresa podría observar qué otros artículos compran las personas junto con los huevos y clasificarlos como hornear un pastel (si compran huevos junto con harina y azúcar) o hacer tortillas (si compran huevos junto con tocino y queso). Esta identificación podría utilizarse para impulsar otros programas. De manera similar, se puede utilizar para dividir los productos en grupos naturales. Una empresa podría observar qué productos se venden juntos con mayor frecuencia y alinear su gestión de categorías en torno a estos grupos. [4]
El uso comercial del análisis de la cesta de la compra ha aumentado significativamente desde la introducción del punto de venta electrónico . [2] Amazon utiliza el análisis de afinidad para la venta cruzada cuando recomienda productos a las personas en función de su historial de compras y el historial de compras de otras personas que compraron el mismo artículo. Family Dollar planea utilizar el análisis de la cesta de la compra para ayudar a mantener el crecimiento de las ventas mientras avanza hacia el almacenamiento de más bienes de consumo de bajo margen . [5]
Una aplicación clínica importante del análisis de afinidad es que se puede realizar en registros médicos de pacientes para generar reglas de asociación. Las reglas de asociación obtenidas se pueden evaluar más a fondo para encontrar diferentes condiciones y características que coincidan en un gran bloque de información. [6] Es fundamental comprender si existe una asociación entre diferentes factores que contribuyen a una condición para poder administrar intervenciones preventivas o terapéuticas efectivas. En la medicina basada en la evidencia , encontrar la coocurrencia de síntomas que están asociados con el desarrollo de tumores o cánceres puede ayudar a diagnosticar la enfermedad en su etapa más temprana. [7] Además de explorar la asociación entre diferentes síntomas en un paciente relacionados con una enfermedad específica, también se pueden identificar las posibles correlaciones entre varias enfermedades que contribuyen a otra condición mediante el análisis de afinidad. [8]