🔍 ML No Supervisado
🔍 ML No Supervisado

Análisis de cesta de la compra con reglas de asociación

Identificar qué productos tienden a comprarse juntos en un supermercado sin ninguna variable de clase — solo a partir de los registros de compra.

Problema

Identificar qué productos tienden a comprarse juntos en un supermercado sin ninguna variable de clase — solo a partir de los registros de compra. El reto es encontrar patrones frecuentes en millones de transacciones sin supervisión y sin especificar qué buscar de antemano.

Solución

Market Basket Analysis con el algoritmo Apriori (mlxtend): extracción de itemsets frecuentes por soporte mínimo y generación de reglas de asociación filtradas por confianza y lift. Las reglas descubiertas informan decisiones de layout de tienda, cross-selling y promociones.

Algoritmo Apriori y métricas

  • Soporte (support): frecuencia con la que aparece un itemset — filtra combinaciones raras
  • Confianza (confidence): P(B|A) — probabilidad de comprar B dado que se compra A
  • Lift: soporte(A,B) / (soporte(A) × soporte(B)) — indica si la asociación es real o casual
  • Selección de umbral: balance entre cobertura (soporte bajo) y calidad (lift alto)

Reglas y aplicación

  • Extracción de itemsets frecuentes con Apriori: escalable a grandes catálogos
  • Reglas filtradas por lift > 1: solo asociaciones que superan lo esperado por azar
  • Visualización de las reglas más relevantes: soporte vs. confianza con color = lift
  • Interpretación de negocio: qué combinaciones de productos potenciar en cross-selling

Más proyectos en ML No Supervisado