• Estas relaciones se describen en la forma de reglas de asociación.

• Las reglas de asociación son útiles para descubrir relaciones que sean de interés en conjuntos de datos.

• Las reglas de asociación usualmente parten de una base de datos de transacciones, \(D\).

• Cada transacción consiste de un identificador y un conjunto de items (p. ej. productos, páginas web, cursos) \(\left\{ i_{1},i_{2},\ldots,i_{n}\right\}\) seleccionados de todos los ítems posibles \((I)\).

• Por ejemplo, la siguiente tabla es un ejemplo de una base de datos de transacciones:

• Una regla de asociación es un implicancia de la forma \(X\Rightarrow Y\), tal que \(X\subset I\), \(Y\subset I\) y \(X\cap Y=\emptyset\).

• Es importante notar que las reglas de asociación son de naturaleza estocástica, lo cual implica que no deben ser interpretados como verdades universales y son caracterizadas por medidas estadísticas que cuantifican la fuerza de la asociación.

• Las reglas miden asociaciones y no deben ser interpretadas de forma causal.

Generalmente se siguen 2 pasos:

• Generacion de itemsets frecuentes: Encontrar todos los itemsets que cumplan con Soporte \(\geq\) minsup

• Derivacion de reglas de asociacion: Generar reglas de asociación a partir de los itemset frecuentes encontrados que cumplan con Confianza \(\geq\) mincon.

• El análisis de la canasta de compras es una de las técnicas claves utilizadas dentro de la analítica de clientes para descubrir asociaciones entre productos

• Permite optimizar campañas, generar promociones y, con ello, impulsan mayores ventas.

• El algoritmo a-priori permite definir reglas de asociación relevantes para descubrir combinaciones de productos frecuentes; y así, por ejemplo, colocar los productos asociados cerca unos de otros en un ámbito presencial, o generar recomendaciones sobre el entorno digital.