Regras de associação são utilizadas para análise de comportamento de compras. Permitem identificar quais produtos possuem maior probabilidade de aparecerem em conjunto numa mesma cesta de compras.
Neste post, vou utilizar o mesmo cálculo probabilístico para identificar padrões de respostas de uma pesquisa sobre engajamento.
As análises serão realizadas com o pacote arules. A função apriori permite identificar facilmente os padrões ou regra (rules).
Mas primeiro, vamos às compras.
Análise de Cestas de Compras
O que é uma regra?
Uma regra é uma notação para representar qual item(s) é frequentemente encontrado com qual outro item(s):
LHS \(\rightarrow\) RHS
Isto significa que os items da direita são frequentemente comprados com os itens da esquerda.
Como medir a força de uma regra
A função apriori identifica o conjunto mais significativo
\[ Suporte = \frac{Número.de.transações.com.A.e.B}{Número.total.de.transações} = \frac{P(A \cap B)}{N} \]
\[ Confiança = \frac{Número.de.transações.com.A.e.B}{Número.de.transações.com.A} = \frac{P(A \cap B)}{P(A)} \]
\[ Confiança Esperada = \frac{Número.de.transações.com.B}{Número.total.de.transações} = P(B) \]
lift:
\[ Elevação = \frac{Confiança}{Confiança.Esperada} = \frac{P(A \cap B)}{P(A) . P(B)} \]
Exemplo:
Considere as associações:
ABC, ACD, BCD, ADE, BCE
Citation
@misc{abreu2020,
author = {Abreu, Marcos},
title = {Regras de Associação},
date = {2020-03-31},
url = {https://abreums.github.io/posts/2020-03-31-regras-de-associacao/},
langid = {pt-br}
}