El análisis de afinidad se incluye bajo el término general de minería de datos , que descubre correlaciones significativas entre diferentes entidades según su coexistencia en un conjunto de datos. En casi todos los sistemas y procesos, la aplicación del análisis de afinidad puede extraer conocimientos significativos sobre tendencias inesperadas [ cita necesaria ] . De hecho, el análisis de afinidad aprovecha el estudio de atributos que van juntos, lo que ayuda a descubrir los patrones ocultos en big data mediante la generación de reglas de asociación. El procedimiento de extracción de reglas de asociación tiene dos partes: 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 coexistencia 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 denomina 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: apoyo 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 confiabilidad de las reglas de asociación determinadas por la proporción de los registros de datos que contienen A y 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 extracción de datos se ha explorado en diferentes campos, incluido 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 análisis de la cesta de la compra, en el que los minoristas buscan comprender el comportamiento de compra de los clientes. Luego, esta información se puede utilizar con fines de venta cruzada y venta adicional , además de influir en las promociones de ventas , programas de fidelización, diseño de tiendas y planes de descuentos . [2]
El análisis de la cesta de la compra podría indicarle a un minorista que los clientes suelen comprar champú y acondicionador juntos , por lo que poner ambos artículos en promoción al mismo tiempo no generaría un aumento significativo en los ingresos, mientras que una promoción que involucre solo uno de los artículos probablemente impulsaría las ventas del producto. otro.
El análisis de la cesta de la compra puede proporcionar al minorista información para comprender el comportamiento de compra de un comprador. Esta información permitirá al minorista comprender las necesidades del comprador y reescribir el diseño de la tienda en consecuencia, desarrollar programas de promoción cruzada o incluso captar nuevos compradores (muy parecido al concepto de venta cruzada ). Un primer ejemplo ilustrativo 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, colocaban los pañales cerca de refrigeradores de cerveza y sus ventas aumentaron dramáticamente. Aunque esta leyenda urbana es sólo un ejemplo que los profesores utilizan para ilustrar el concepto a los estudiantes, la explicación de este fenómeno imaginario podría ser que los padres que son enviados a comprar pañales muchas veces compran también 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 que hace 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 compra la gente 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 usarse luego para impulsar otros programas. Del mismo modo, se puede utilizar para dividir productos en grupos naturales. Una empresa podría analizar qué productos se venden juntos con mayor frecuencia y alinear su gestión de categorías en torno a estas camarillas. [4]
El uso empresarial 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 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 canasta de mercado 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 crucial comprender si existe una asociación entre los diferentes factores que contribuyen a una afección para poder administrar intervenciones preventivas o terapéuticas efectivas. En la medicina basada en evidencia , encontrar la coexistencia de síntomas 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, las posibles correlaciones entre varias enfermedades que contribuyen a otra afección también se pueden identificar mediante el análisis de afinidad. [8]