Data Mining im Einzelhandel Methoden und Werkzeuge

Transkript

1 Fakultät Informatik Institut für Angewandte Informatik Professur Technische Informationssysteme Proseminar Technische Informationssysteme Data Mining im Einzelhandel Methoden und Werkzeuge Betreuer: Dipl.-Ing. Clemens Schwenke Vortragender: Martin Peukert Dresden,

2 Gliederung - Motivation - KDD und Data Mining Einordnung - Methoden Clustering Warenkorbanalyse Assoziationsregeln - Werkzeuge - Ausblick - Zusammenfassung - Quellen Folie 2 von 36

3 Motivation - Warenkorbanalyse - gemeinsam gekaufte Produkte - Produktpalette - Platzierung der Produkte optimieren - Kundenbindung - gezielte Werbung (cross selling) - Gewinn maximieren Folie 3 von 36

4 - Motivation - KDD und Data Mining Einordnung - Methoden - Werkzeuge - Ausblick - Zusammenfassung - Quellen Folie 4 von 36

5 KDD und Data Mining Einordnung - Fokussierung Vorverarbeitung Transformation Data Mining Evaluation Folie 5 von 36

6 - Motivation - KDD und Data Mining Einordnung - Methoden - Werkzeuge - Ausblick - Zusammenfassung - Quellen Folie 6 von 36

7 Methoden Clustering - Bildung kompakter Gruppen - gleiche Gruppe = ähnlich - versch. Gruppen = unähnlich - Ähnlichkeit = Nähe im Koord.system - z.b. Finden von Arten von Schwertlinien Folie 7 von 36

8 Methoden Clustering - Bildung kompakter Gruppen - gleiche Gruppe = ähnlich - versch. Gruppen = unähnlich - Ähnlichkeit = Nähe im Koord.system - z.b. Finden von Arten von Schwertlinien Folie 8 von 36

9 Methoden Clustering Folie 9 von 36

10 Methoden Clustering Folie 10 von 36

11 Methoden Clustering Folie 11 von 36

12 Methoden Clustering Folie 12 von 36

13 Methoden Clustering Folie 13 von 36

14 Methoden Clustering Folie 14 von 36

15 Methoden Clustering Folie 15 von 36

16 Methoden Clustering Folie 16 von 36

17 Methoden Clustering Folie 17 von 36

18 Methoden Clustering Folie 18 von 36

19 Methoden Clustering - Clustering durch Varianz-Minimierung - Variante: k-means-algorithmus - Neuberechnung der Centroide nach jedem neu zugeordneten Objekt - Konvergenz gegen [lokales] Maximum - Laufzeit und Ergebnis abhängig von initialer Zerlegung und Punkte-Reihenfolge - am häufigsten verwendet - Wahl von k? experimentell Folie 19 von 36

20 Methoden Clustering Übersicht Folie 20 von 36

21 Methoden Clustering Warenkorbanalyse - Warenkorb: Menge von Produkten binärer Vektor (1,1,0,0,1,0,...) Dimension d = Anzahl der Produkte euklidische Distanz ungeeignet anderes Distanzmaß nur die Produkte der beteiligten Warenkörbe berücksichtigen - z.b. Quotient aus Anzahl der beteiligten Produkte und Anzahl der übereinstimmenden Produkte Folie 21 von 36

22 Methoden Clustering Warenkorbanalyse - Quotient aus Anzahl der beteiligten Produkte und Anzahl der übereinstimmenden Produkte - Warenkorb A = {Apfel, Birne, Milch} - Warebkorb B = {Apfel, Birne, Bier, Zeitung} Folie 22 von 36

23 Methoden Clustering Ergebnis Folie 23 von 36

24 Methoden Assoziationsregeln - A => B, A,B...Menge von Produkten z.b. {Brot, Butter} => {Milch} Wahrscheinlichkeitsmaße: support und confidence am häufigsten verwendet: Apriori-Algorithmus Folie 24 von 36

25 - Motivation - KDD und Data Mining Einordnung - Methoden - Werkzeuge - Ausblick - Zusammenfassung - Quellen Folie 25 von 36

26 Werkzeuge open source - R (S) - PSPP (SPSS) - RapidMiner - Weka - KNIME kommerziell - S-PLUS (S) - SPSS - SAS - Statistica - Oracle Data Miner - Microsoft SQL Server Folie 26 von 36

27 Werkzeuge KNIME Folie 27 von 36

28 Werkzeuge R Folie 28 von 36

29 Werkzeuge R Folie 29 von 36

30 Werkzeuge R Folie 30 von 36

31 Werkzeuge R Folie 31 von 36

32 - Motivation - KDD und Data Mining Einordnung - Methoden - Werkzeuge - Ausblick - Zusammenfassung - Quellen Folie 32 von 36

33 Ausblick - RFID-Chips an vielen Artikeln, Regalen, Einkaufswagen - Einkaufswagen mit Display - Komfort: Einkaufliste überspielen Navigation Zusatzinformationen - Tracking: welches Produkt wann aus dem Regal genommen? Aufenthaltsdauer, Zielstrebigkeit welcher Kundentyp => gezielt werben Folie 33 von 36

34 - Motivation - KDD und Data Mining Einordnung - Methoden - Werkzeuge - Ausblick - Zusammenfassung - Quellen Folie 34 von 36

35 Zusammenfassung - gemeinsam gekaufte Produkte erkennen - Clustering Gruppen von ähnlichen Objekten Distanzmaß z.b. k-means-algorithmus - Assoziationsregeln Implikationen Interessantheitsmaße z.b. Apriori-Algorithmus - Werkzeuge: KNIME, R - Zukunft: RFID, Einkaufswagen mit Displays; Komfort und Tracking Folie 35 von 36

36 Quellen - Ester, Martin; Sander, Jörg: Knowledge Discovery in Databases - Techniken und Anwendungen. 1. Aufl. Berlin : Springer-Verlag, ISBN Data Mining im Einzelhandel Methoden und Werkzeuge Folie 36 von 36