【第二回】アソシエーション分析：購買分析からレコメンデーション応用まで

 

購買分析に効く！アソシエーション分析

　第一回では、人工知能プログラミングの概要から入りました。今回は二回目であり、具体論の初回ということで、皆さんが日々の生活で少なからずお世話になっているであろう身近なデータを扱うことで、機械学習に対する親近感を持っていただけたらと考えて、まずはコンビニエンスストアなど商品明細POSデータに代表されるトランザクションデータを扱っていきたいと思います。できる限り実際の状況を意識しながら、探索問題の一つであるアプリオリアルゴリズムの応用、アソシエーション分析の基礎について解説していきます。

　アソシエーション分析（別名：マーケットバスケット分析）は、90年代に考案された分析手法で、代表的なものにRakesh Agrawal氏らが1993年に執筆した論文「Fast algorithms for mining association rules」 [Agrawal, R.; Imieliński, T.; Swami, A.]があり、トランザクションデータの規則性を抽出する実践的方法論が紹介されています。この分析手法ですが、売り上げ向上施策によく使われているのはご存知かもしれません。蓄積された顧客毎の取引データを分析し、併売の関係性が強い事象の組合せやその割合、統計的に見て強い関係を持つ事象間の関係（ルール）を抽出するデータマイニング手法で、「商品 A を購入した人は、商品 B も購入する確率が高い」という法則性（アソシエーションルール：指標詳細については後述）を見つけ出す分析手法です。

　アソシエーション分析の活用例で有名なものとしては、小売店における前述したトランザクション形式の代表例であるPOS データを利用した分析で、同時に購入されている確率が高い商品を明らかにし、その上で、店舗別のレイアウト設計、棚割りや商品配置の最適化、顧客別のクロスセル、アップセルや価格最適化に活用するケースが挙げられます。
　

　例えば、スーパーマーケットなどの小売店舗におけるPOSレジで支払いと同時に次回利用可能な動的なクーポンが発行されるケースがありますが、このようにトップライン増強策としての販売促進に利用されている実例を実務の世界でも良く見ます。
　

　飲食店においては追加注文のレコメンデーションなどクロスセルへの活用などが可能となります。既存顧客に対し、より上位の、高価なものを購入してもらうことをアップセル、いつも購入している商品やサービスに加え、関連する別の商品も推薦して、売上につなげることをクロスセルといいますが、アソシエーション分析は、このクロスセルに高い頻度で活用されます。
　

　EC サイトでは、購買履歴を分析し、顧客毎に最適化された商品が並んだトップページを提供することで顧客の利便性と顧客満足度（CS）の向上に貢献できます。また、購買履歴だけでなくウェブサイトへのアクセスログを用いて、ページ閲覧履歴の解析などにも応用可能です。

　各業種・業態別に見たアソシエーション分析の活用対象は表 1のようになります。

　このようなアソシエーションルールを発見する手法としては、アプリオリ(Apriori)アルゴリズムが広く知られています。アプリオリアルゴリズムでは、全アイテム（商品）の組合せに対して、ある商品Aとある商品Bが同時に購入される確率（支持度）を求め、さらにある商品Aに関するルールのうち、商品Bを含んでいる確率（確信度）を求めることで意味のあるルールを導き出します。つまり前者は特定の併売パターンの全体に占める割合、後者が特定の併売パターンでの結びつきの強さを表します。また、アプリオリアルゴリズムの他には、FP-Treeと呼ばれるツリー構造のデータモデルを利用することで高速化を図ったFP-Growthアルゴリズムがあります。系列性を考慮したアソシエーション分析（例えば、商品Aの後に商品Bを購入する確率と商品Bの後に商品Aを購入する確率を別として扱う）としては、SPADEアルゴリズムが知られています。

アソシエーションルールと評価指標

　アソシエーションルールは、X⇒Y（XならばY）の形式で示されます。この X を条件部、Y を結論部と呼びます。典型的な例としては、シャンプー⇒リンス（シャンプーならばリンス）、ビール⇒枝豆（ビールなら枝豆）などが想像できそうですが、レタス＆ハム⇒コッペパン（レタスとハムならばコッペパン）のような条件部に複数の商品を仮定することも可能です。

　多くの場合、POSデータから得られるデータはSKU（最小管理単位; Stock Keeping Unit）単位で記録されますが、SKU毎に分析するとアイテム数が多すぎて有用な結果が得にくいため、グループ化の工夫が必要です。そしてグループ化の単位を「分析したいとしている」単位でグループ化することが重要です。このためにコード体系を整理する工程が必要となります。

　ビールに例えると、「食料品＞飲料＞アルコール飲料＞ビール＞ABC（ブランド）＞ABCビール＞ABCビール(350ml缶)　」など、どのレイヤーでグループ化を行うかを分析で明らかにしたい仮説と目的から検討し、設定する必要があります。ここはマーケターの分析の着眼点や目的が強く要求される領域になります。

　例えば、対象となる併売SKUの中に、同じブランドがあっても、パッケージングのボリュームに対する嗜好性を取りたいという特殊なケースもあるでしょう。事実、これまでのプロジェクトで、清涼飲料水1本あたりの消費量に対する嗜好性が時間別（午前と午後等）に変化する傾向にあることがこれまでのプロジェクトを通じた分析の経験上も分かってきていますから、そうした分析には同じ味やブランドでもSKUに容量ラベルがカテゴリ分けの軸に入っていることが重要になるでしょう。

　また、純粋に併売の傾向を顧客セグメント別に把握していきたい場合、属性情報による分布の絞り込みやグループ分けも重要になるケースがあります。例として、コンビニなどでは、朝のコーヒーに対する併売対象SKUの分布が、性別により大きく特徴量を決定づけることが分かってきているため、合わせて学習対象のデータについて、分布を時間帯や性別（或いは、商材によっては他の属性）で分けるなどの目的設定が必要になるでしょう。こう言った要素が分析の着眼点を鍛えるポイントや醍醐味になったりします。

　マーケットバスケット分析での評価指標（KPI）としては、主に支持度、確信度、リフト値が挙げられます。それぞれの特徴と解釈を整理すると表 2のようになります。