Análisis de Canasta de mercado en supermercados mediante mapas auto-organizados

Autores/as

DOI:

https://doi.org/10.5380/atoz.v10i3.81491

Palabras clave:

SOM, Análisis de canasta de compra, Python, Minería de Datos, Redes Neuronales

Resumen

Introducción: Una cadena importante de supermercados de la zona poniente de la capital de Chile, necesita obtener información clave para tomar decisiones. Esta información se encuentra disponible en las bases de datos, pero necesita ser procesada debido a la complejidad y cantidad de información, lo que genera una dificultad a la hora de visualizar. Método: Para este propósito, se ha desarrollado un algoritmo que utiliza redes neuronales artificiales, aplicando el método SOM de Kohonen. Para llevarlo a cabo, se han debido seguir ciertos procedimientos claves, como preparar la información, para luego utilizar solo los datos relevantes a las canastas de compra de la investigación. Luego de efectuado el filtrado, se tiene que preparar el ambiente de programación en Python para adaptarlo a los datos de la muestra, y luego proceder a entrenar el SOM con sus parámetros fijados luego de resultados de pruebas. Resultado: El resultado del SOM obtiene la relación entre los productos que más se compraron, posicionándolos topológicamente cerca, para conformar promociones y bundles, para que el retail mánager tome en consideración. Conclusión: En base a esto, se han hecho recomendaciones sobre canastas de compra frecuentes a la cadena de supermercados que ha proporcionado los datos utilizados en la investigación.

Citas

Agrawal, R. I. (1993). “Mining Association Rules between Sets of Items in Large Databases". SIGMOD'93.

Beomsoo Shim, K. C. (2012). CRM strategies for a small-sized online shopping mall based on association rules and sequential patterns.

Bhowmick, S. Z. (2003). “Association Rule Mining: A Survey.".

Chen, C.-F. T.-Y. (2010). Variable selection by association rules for customer churn prediction of multimedia on demand.

Decker, R., & Monien, K. (2003, 5). Market Basket Analysis With Neural Gas Networks and Self-Organizing Maps. Journal of Targeting, Measurement and Analysis for Marketing, 11, 373-386. doi:10.1057/palgrave.jt.5740092

Desmet, P. (2001, 4). Buying behavior study with basket analysis: Pre-clustering with a Kohonen map. European Journal of Economic and Social Systems, 15, 17-30. doi:10.1051/ejess:2001113

Dudani., S. (1975). The distance-weighted k-nearest-neighbour rule . IEEE Transactions on Systems, man and Cybernetics.

Dunham, M. L. (2001). “A Survey of Association Rules." .

IBM. (n.d.). RNN Recurrent Neural Network. Retrieved from IBM: https://www.ibm.com/cloud/learn/recurrent-neural-networks

Karpienko, M. H. (2016). Visualizing association rules in hierarchical groups.

Kohonen, T. (1990). The Self-Organizing Map. Proceedings of the IEEE, 78, 1464-1480.

MacQueen, J. (1967). “Some methods for classification and analysis of multivariate observations”. Proceedings of the Fifth Berkeley Symposium On Mathematical Statistics and Probabilities, 1. 281-296. .

P.Hart, T. C. (1967). Nearest neighbor pattern classification. Information Theory, IEEE Transactions.

R Motwani, C. S. (1997). Beyond Market Baskets: Generalizing Association rules to Correlations.

Reig, G. (2017). Market Basket Analysis in Retail. Univesidad Politécninca de Cataluña.

Strizhak, V. Z. (2006). CREDIT CARD FRAUD DETECTION USING SELF-ORGANIZING MAPS.

Team, E. C. (2019). Eclipse IDE 2019-06. Eclipse Foundation, Inc. 2934 Baseline Road, Suite 202 Ottawa, Ontario, Canada, K2H 1B2. Retrieved from https://www.eclipse.org/

Team, P. C. (2019). Python: A Language and Environment for programming. 9450 SW Gemini Dr.ECM 90772 Beaverton, OR 97008 USA. Retrieved from https://www.python.org/

Team, R. C. (2019). RapidMiner Studio: Programa para el an_lisis y miner_a de datos. 100 Summer Street, Suite 150 Boston, MA 02110, USA. Retrieved from https://rapidminer.com/

Xiao, Y.-D., Clauset, A., Harris, R., Bayram, E., Santago, P., & Schmitt, J. D. (2005). Supervised Self-Organizing Maps in Drug Discovery. 1. Robust Behavior with Overdetermined Data Sets. Journal of Chemical Information and Modeling, 45, 1749-1758. doi:10.1021/ci0500839

Descargas

Publicado

2021-11-08

Cómo citar

Cordero Lustig, J. I., Bolt, A., & Valle, M. A. (2021). Análisis de Canasta de mercado en supermercados mediante mapas auto-organizados. AtoZ: Novas práticas Em informação E Conhecimento, 10(3), 1–11. https://doi.org/10.5380/atoz.v10i3.81491

Número

Vol. 10 Núm. 3 (2021): sept./dic.

Sección

Área temática: Artículos

Licencia

La revista AtoZ es una revista científica de acceso abierto y los derechos de autor de artículos y entrevistas pertenecen a sus respectivos autores/encuestados. Los autores otorgan a la AtoZ el direito de incluir el material publicado (revisado por pares/pos-print) en em sistemas/herramientas de indización, agregadores o curadores.

Los autores tienen permiso y se les anima a depositar sus artículos en sus páginas personales, depósitos y/o portales institucionales anteriormente (pre-print) y posteriormente (post-print)  a la publicación en esa Revista. Se pide, si possible, que se apunte la referencia bibliográfica del artículo (incluyendose la URL) en base a la AtoZ.

La AtoZ es sello verde por Diadorim/IBICT.

Todo el contenido de la revista (incluyendo las instrucciones, modelos y política editorial) a menos que se indique otra cosa, están bajo una Licencia de Atribución de Bienes Comunes Creativos (CC) 4.0 Internacional.

Cuando los artículos son publicados por esta revista, se pueden compartir (copiar y redistribuir el material en cualquier soporte o formato para cualquier propósito, incluso comercial) y adaptar (remezclar, transformar y crear a partir del material para cualquier propósito, incluso si es comercial). Debe dar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios.

La AtoZ no cobra cualquier tasas por la sumisión y/o procesamiento y/o la publicación de artículos.