หลังจากเรียนคอร์สเหล่านี้ รู้สึกมั่นใจในการสร้างการแสดงผลข้อมูลและแดชบอร์ดระดับมืออาชีพ
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
คำแนะนำสินค้าของ Amazon และคำแนะนำภาพยนตร์ของ Netflix มีอะไรเหมือนกัน? คำตอบคือทั้งคู่ใช้ Market Basket Analysis ซึ่งเป็นเครื่องมืออันทรงพลังที่แปลงข้อมูลธุรกรรมและพฤติกรรมการรับชมของลูกค้าจำนวนมหาศาลให้กลายเป็นกฎที่นำไปใช้ในการโปรโมตและแนะนำสินค้าได้จริง ในคอร์สนี้ จะได้เรียนรู้วิธีทำ Market Basket Analysis โดยใช้อัลกอริทึม Apriori เมตริกมาตรฐานและเมตริกแบบกำหนดเอง กฎความสัมพันธ์ การรวมกลุ่มและการตัดทอน รวมถึงการสร้างภาพข้อมูล จากนั้นจะได้ฝึกทักษะใหม่ผ่านแบบฝึกหัดเชิงโต้ตอบ โดยสร้างระบบแนะนำสำหรับร้านขายของชำขนาดเล็ก ห้องสมุด ร้านขาย e-book ร้านของขวัญแบบแปลกใหม่ และบริการสตรีมมิงภาพยนตร์ และในกระบวนการนี้ จะได้ค้นพบข้อมูลเชิงลึกที่ซ่อนอยู่เพื่อพัฒนาการแนะนำสินค้าให้ลูกค้าได้ดียิ่งขึ้น
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงร่างคอร์ส
1
บทนำสู่ Market Basket Analysis
ในบทนี้ จะได้เรียนรู้พื้นฐานของ Market Basket Analysis ได้แก่ กฎความสัมพันธ์ เมตริก และการตัดทอน จากนั้นจะได้นำแนวคิดเหล่านี้ไปประยุกต์ใช้เพื่อช่วยร้านขายของชำขนาดเล็กปรับปรุงการโปรโมตและการจัดวางสินค้า
- Market Basket Analysis คืออะไร?50 XP
- พื้นฐานของ Market Basket Analysis50 XP
- การขายสินค้าแบบ Cross-selling100 XP
- การระบุกฎความสัมพันธ์50 XP
- Antecedent และ Consequent หลายรายการ100 XP
- การเตรียมข้อมูลสำหรับ Market Basket Analysis100 XP
- การสร้าง Association Rules100 XP
- เมตริกที่ง่ายที่สุด50 XP
- การทำ One-Hot Encoding กับข้อมูล Transaction100 XP
- การคำนวณค่า support100 XP
2
กฎความสัมพันธ์
กฎความสัมพันธ์บอกให้เราทราบว่าสินค้าสองชิ้นขึ้นไปมีความสัมพันธ์กัน ส่วนเมตริกช่วยให้เราวัดประโยชน์ของความสัมพันธ์เหล่านั้นได้ ในบทนี้ จะได้นำเมตริก 6 ตัวมาใช้ประเมินกฎความสัมพันธ์ ได้แก่ support, confidence, lift, conviction, leverage และ Zhang's metric จากนั้นจะได้นำกฎความสัมพันธ์และเมตริกเหล่านี้ไปช่วยห้องสมุดและร้านขาย e-book
3
การรวมกลุ่มและการตัดทอน
โจทย์หลักของ Market Basket Analysis คือการแปลงการตัดสินใจซื้อของลูกค้าจำนวนมหาศาลให้กลายเป็นกฎที่มีประโยชน์จำนวนน้อยชิ้น กระบวนการนี้มักเริ่มต้นด้วยการใช้อัลกอริทึม Apriori และอาศัยกลยุทธ์เพิ่มเติม เช่น การตัดทอนและการรวมกลุ่ม ในบทนี้ จะได้เรียนรู้วิธีใช้เทคนิคเหล่านี้ และนำไปประยุกต์ใช้จริงในแบบฝึกหัดที่ช่วยผู้ค้าปลีกเลือกรูปแบบการจัดร้านและวางแผนการโปรโมตสินค้าข้ามหมวดหมู่
4
การสร้างภาพกฎ
ในบทสุดท้ายนี้ จะได้เรียนรู้การใช้การสร้างภาพข้อมูลเพื่อชี้นำกระบวนการตัดทอนและสรุปผลลัพธ์สุดท้าย ซึ่งมักอยู่ในรูปของชุดรายการหรือกฎ จะได้เชี่ยวชาญการสร้างภาพที่มีประโยชน์ที่สุด 3 แบบ ได้แก่ heatmap, scatterplot และ parallel coordinates plot และนำไปประยุกต์ใช้เพื่อช่วยบริการสตรีมมิงภาพยนตร์
Market Basket Analysis ด้วย Python
เรียนคอร์สจบแล้ว
