你怎麼處理顧客交易資訊？Apriori演算法
在電腦科學以及資料探勘領域中，Apriori 演算法是「關聯規則學習」或是「關聯分析（Associative Analysis）」的經典演算法之一，目的是在一個資料集當中，找出不同項與項之間可能存在的關係。而在行銷資料科學領域，它有個很特別的名字，被稱為「購物籃分析 (Market Basket analysis)」，也跟我們先前提過的啤酒與尿布的故事有關。
關聯分析的概念是由Agrawal et. al. （1993） 所提出，隨後，Agrawal & Srikant （1994） 進一步提出 Apriori演算法，以做為關聯法則之工具。關聯分析主要透過「支持度」（Support）與「信賴度」（Confidence）來對商品項目之間的關聯性，進行篩選。其中，支持度（Support）意指即某項目集在資料庫中出現的次數比例。例如：某資料庫中有100筆交易紀錄，其中有20筆交易有購買啤酒，則啤酒的支持度為20%。信賴度（Confidence）意指兩個項目集之間的條件機率，也就是在A出現的情況下，B出現的機率值。
在進行關聯分析時，我們通常會先設定最小支持度（Min Support）與最小信賴度（Min Confidence）[1]。如果所設定的最小支持度與最小信賴度太低，則關聯出來的結果會產生太多規則，造成決策上的干擾。反之，太高的最小支持度與最小信賴度則可能會面臨規則太少，難以判斷的窘境。
以下我們以一個採購資料庫的範例來進行說明，如表1所示。編號1的顧客購買了啤酒、尿布、水果、奶粉產品，編號2的顧客購買了啤酒、水果、奶粉的產品，以此類推。
[1] 另外還會考量第三項「提升度」（lift）。lift（X->Y） = P（Y|X）/P（Y） = conf（X->Y）/P（Y），lift越大（>1）: 表示X對Y的提升作用越大。在此不做詳細的說明。
為了計算方便，我們將啤酒設定為A、尿布設定為B、水果設定為C、餅乾設定為D，奶粉設定為E，如表2所示。
接著，我們可以從採購資料集中整理出每個產品的出現次數與支持度，如表3所示。
支持度為某項目集在資料庫中出現的次數比例，以此案例中的D為例，總交易筆數4筆，D出現1次，所以支持度為25%，以此類推。
同時，我們假設建議此關聯模式的最低支持度（Min Support）為50%，因為採購比數有4筆，所以4*50%=2，2筆以上的項目就稱為高頻項目集（Large itemset），應該予以保留。反之，表中的D，支持度不到50%，未達最低支持度的要求，因此予以捨棄。
接著，開始進行第二次的掃瞄。整理出扣除D產品項目後，其他產品兩兩出現的次數，如表4所示。
同時，根據最低支持度的要求，捨棄次數未達2次的兩兩出現的產品項目AE。接著，再進行第三次的掃瞄。經過掃描後發現，只有BCE三種商品還同時出現，而且次數為2次，如表5所示。
最後，再將以上三個表作彙整，找出支持度超過50%的項目集。並將其子集合刪除（如{B,C,E}的子集合為{B,C}、{B,E}、{C,E}），所以縱使子集合超過最低支持度的要求，一樣可以捨棄。所以，最終的高頻項目集（Large itemset）如表6所示，此即為關聯分析的結果。
從以上的表中我們可以發現，A（啤酒）與B（尿布）之間存在著關聯規則。
此外，如果我們從項目集的機率值來看。AB、AC與BCE的機率值如表7所示。
表7的A->B指的是，在A出現的情況下，B出現的機率。
公式為P（B｜A）=P（A∩B）/P（A）。
從表8的採購資料庫中可發現：
P（A∩B）為2/4=0.5（總交易次數為4次，同時出現A與B的次數為2次）
P（A）為2/4=0.5（總交易次數為4次，A出現的次數為2次）
所以P（B｜A）=P（A∩B）/P（A）=0.5/0.5=100%。
而B->A是指，在B出現的情況下，A出現的機率。從表11–16中可發現，B共出現4次（P（B）=4/4=1），而B與A同時出現為2次（P（B∩A）=2/4=0.5），所以機率值為P（A｜B）=P（B∩A）/P（B）=0.5/1=50%。
假設信賴度為70%，從表11–15中可以發現，AB中的A->B，AC中的A->C，與BCE中的E->BC、BE->C與CE->B，機率值都是超過信賴度70%的100%，表示三項規則都滿足所設定的條件。
好了，現在你應該知道「購物籃分析」很貼切的表達，適用這項演算法情景中的一個子集。「尿布與啤酒」的故事，美國的婦女們經常會囑咐她們的丈夫下班後，幫孩子買些尿布回家，而丈夫通常在買完尿布後，則順手買回自己愛喝的啤酒，因此啤酒和尿布在一起被購買的機會很多。賣場因此將尿布和啤酒擺在相鄰的附近，使得尿布和啤酒的銷量雙雙增加，這樣的關連規則常被商家津津樂道。
羅凱揚（台科大企管系博士）、蘇宇暉（台科大管研所博士候選人）
註：
看到Apriori這個字，一般人查了字典，都會查到與拉丁文「a priori」有關，而「a priori」中文叫做「先驗」，於就跟著把它翻譯成「先驗」，然而「先驗」又是什麼？進一步再查了教育部國語辭典，先驗主義是與經驗主義相對的說法，先驗即「先於經驗」，主張無需經驗或先於經驗可以獲得知識的哲學思潮。那Apriori 演算法跟「先於經驗」有什麼關係呢？老實說，我們也去查了原文，原文裡可是一點兒都沒有講到，因此我們懷疑有可能是誤譯，翻譯成「亞皮歐利」演算法可能還讓人不會那麼莫名其妙。或許也有其他學者能幫大家解釋一下囉。
您可能有興趣:
消費者心理模式的演進與發展-從AIDA到AIDEES
在消費行為中，消費者的購買路徑並非全然不可預測，它是重複發生、有跡可循的。基本上，企業可以根據行銷活動的實踐過程和消費者購買活動的心理演變等，來推論顧客的購買路徑，藉此導出一套具有高度可操作性，且可提升行銷效率的步驟。
學界對購買路徑頗有興趣，多年也不斷推導、修正，並發表多種路徑模式，從AIDA開始，接著又有AIDMA、AISAS及AIDEES消費者心理模式問市，以下為大家一一介紹：
AIDA在1870年代提出，是最早形成的模式，其中A，代表認知（Attention），它指的是一個好的推銷或宣傳，吸引潛在消費者開始注意某產品或品牌；Ｉ則意味興趣（Interest），是消費者接收到企業傳達的訊息後，激起他們的興趣和認同；Ｄ，則是慾望（Desire），消費者對企業所提供的利益，激發購買該產品的慾望；Ａ則是行動（Action）行動，這是購買行為最重要的一環，係指潛在消費者經歷各階段後採取購買行動。
AIDMA大約在1920年首次由學者羅蘭‧霍爾（Roland Hall）提出，比AIDA模式多了一個Ｍ（Memory）記憶，指消費者提到該產品會立即聯想到某些記憶或印象，如：斯斯感冒膠囊（感冒用斯斯，咳嗽……）。其中Ａ，代表注意（Attention），它指的是一個好的推銷或宣傳，吸引潛在消費者開始注意某產品或品牌；Ｉ意味興趣（Interest），是消費者接收到企業傳達的訊息後，激起他們的興趣和認同；Ｄ，表示慾望（Desire），消費者對企業所提供的利益，激發購買該產品的慾望；Ａ則是行動（Action），這是行銷活動中最重要的一環，係指潛在消費者經歷各階段後採取購買行動。
AISAS則於2004年由日本「電通公司」所提出的另一個消費者行為分析模型。隨著網路日漸普及，消費行為也跟著轉變，因此更符合時代的消費者行為模式出現。其中Ａ，代表注意（Attention），它指的是一個好的推銷或宣傳，吸引潛在消費者開始注意某產品或品牌；Ｉ則意味興趣（Interest），是消費者接收到企業傳達的訊息後，激起他們的興趣和認同；Ｓ，則是搜尋（Search），消費者有興趣以後由被動轉為「主動」搜尋產品；Ａ，表示行動（Action），做完一系列的評比以後消費者決定購買該產品；Ｓ則是分享（Share），將使用產品後的心得發至社群平台，讓其他有意願的消費者可以參考。
AIDEES在2006年提出，模式就更複雜了，Ａ，代表注意（Attention），它指的是一個好的推銷或宣傳，吸引潛在消費者開始注意某產品或品牌；Ｉ則意味興趣（Interest），是消費者接收到企業傳達的訊息後，激起他們的興趣和認同；Ｄ，表示渴望（Desire），當消費者進一步去了解產品以後，更渴望能將商品帶回家；Ｅ意味體驗（Experience），當消費者購買產品以後，立即享受它帶來的新體驗；Ｅ，表示熱情（Enthusiasm），消費者十分喜愛產品，並對它情有獨鍾，充滿熱情；Ｓ則是分享（Share），由於有了非常棒的購買體驗，因此消費者樂於在社群網站（如部落格等）上發文和大家分享使用心得。
從四個模式的演進，我們可以發現，過去AIDA及AIDMA模式是行銷人揭露產品資訊，現在的AISAS及AIDEES模式則為消費者積極搜尋評價、主動分享使用心得。相較於傳統的B2C(企業對消費者)，現行的C2C(消費者對消費者)模式可能讓目標受眾更能接受，也更願意相信現實的用戶體驗，進而使花錢購買的顧客明顯增加，因此企業在做決策時，不妨參考以上各種行為模式，整合出一套適合自己公司的發展模型。
作者：陳宣廷（臺灣行銷研究特約編輯）、蘇宇暉（台科大管研所博士候選人）
