Market Basket Analysis - Act 2
David Garcia A01722006
2025-03-19
Instalar paquetes
# install.packages("tidyverse")
# install.packages("dplyr")
# install.packages("lubridate")
# install.packages("Matrix")
# install.packages("arules")
# install.packages("arulesViz")
# install.packages(datasets)
# install.packages(plyr)
library(tidyverse)## Warning: package 'lubridate' was built under R version 4.3.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.0
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(dplyr)
library(plyr)## ------------------------------------------------------------------------------
## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)
## ------------------------------------------------------------------------------
##
## Attaching package: 'plyr'
##
## The following objects are masked from 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarize
##
## The following object is masked from 'package:purrr':
##
## compactlibrary(arules)## Warning: package 'arules' was built under R version 4.3.3## Loading required package: Matrix
##
## Attaching package: 'Matrix'
##
## The following objects are masked from 'package:tidyr':
##
## expand, pack, unpack
##
##
## Attaching package: 'arules'
##
## The following object is masked from 'package:dplyr':
##
## recode
##
## The following objects are masked from 'package:base':
##
## abbreviate, write# library(lubridate)
# library(Matrix)
# library(arules)
# library(arulesViz)
# library(datasets)
# library(plyr)Importar base de datos
df <- read.csv("abarrotes.csv")
head(df)## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 1 MX001 Abarrotes 7.501021e+12 NA 19/06/2020 08:16:21
## 2 MX001 Abarrotes 7.501032e+12 NA 19/06/2020 08:23:33
## 3 MX001 Abarrotes 7.501000e+12 NA 19/06/2020 08:24:33
## 4 MX001 Abarrotes 7.501031e+12 NA 19/06/2020 08:24:33
## 5 MX001 Abarrotes 7.501026e+12 NA 19/06/2020 08:26:28
## 6 MX001 Abarrotes 7.501021e+12 NA 19/06/2020 08:16:21
## Marca Fabricante
## 1 NUTRI LECHE MEXILAC
## 2 DAN UP DANONE DE MEXICO
## 3 BIMBO GRUPO BIMBO
## 4 PEPSI PEPSI-COLA MEXICANA
## 5 BLANCA NIEVES (DETERGENTE) FABRICA DE JABON LA CORONA
## 6 NUTRI LECHE MEXILAC
## Producto Precio Ult.Costo Unidades F.Ticket
## 1 Nutri Leche 1 Litro 16.0 12.31 1 1
## 2 DANUP STRAWBERRY P/BEBER 350GR NAL 14.0 14.00 1 2
## 3 Rebanadas Bimbo 2Pz 5.0 5.00 1 3
## 4 Pepsi N.R. 400Ml 8.0 8.00 1 3
## 5 Detergente Blanca Nieves 500G 19.5 15.00 1 4
## 6 Nutri Leche 1 Litro 16.0 12.31 1 1
## NombreDepartamento NombreFamilia NombreCategoria
## 1 Abarrotes Lacteos y Refrigerados Leche
## 2 Abarrotes Lacteos y Refrigerados Yogurt
## 3 Abarrotes Pan y Tortilla Pan Dulce Empaquetado
## 4 Abarrotes Bebidas Refrescos Plástico (N.R.)
## 5 Abarrotes Limpieza del Hogar Lavandería
## 6 Abarrotes Lacteos y Refrigerados Leche
## Estado Mts.2 Tipo.ubicación Giro Hora.inicio Hora.cierre
## 1 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 2 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 3 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 4 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 5 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 6 Nuevo León 60 Esquina Abarrotes 08:00 22:00summary(df)## vcClaveTienda DescGiro Codigo.Barras PLU
## Length:200625 Length:200625 Min. :8.347e+05 Min. : 1.00
## Class :character Class :character 1st Qu.:7.501e+12 1st Qu.: 1.00
## Mode :character Mode :character Median :7.501e+12 Median : 1.00
## Mean :5.950e+12 Mean : 2.11
## 3rd Qu.:7.501e+12 3rd Qu.: 1.00
## Max. :1.750e+13 Max. :30.00
## NA's :199188
## Fecha Hora Marca Fabricante
## Length:200625 Length:200625 Length:200625 Length:200625
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Producto Precio Ult.Costo Unidades
## Length:200625 Min. :-147.00 Min. : 0.38 Min. : 0.200
## Class :character 1st Qu.: 11.00 1st Qu.: 8.46 1st Qu.: 1.000
## Mode :character Median : 16.00 Median : 12.31 Median : 1.000
## Mean : 19.42 Mean : 15.31 Mean : 1.262
## 3rd Qu.: 25.00 3rd Qu.: 19.23 3rd Qu.: 1.000
## Max. :1000.00 Max. :769.23 Max. :96.000
##
## F.Ticket NombreDepartamento NombreFamilia NombreCategoria
## Min. : 1 Length:200625 Length:200625 Length:200625
## 1st Qu.: 33964 Class :character Class :character Class :character
## Median :105993 Mode :character Mode :character Mode :character
## Mean :193990
## 3rd Qu.:383005
## Max. :450040
##
## Estado Mts.2 Tipo.ubicación Giro
## Length:200625 Min. :47.0 Length:200625 Length:200625
## Class :character 1st Qu.:53.0 Class :character Class :character
## Mode :character Median :60.0 Mode :character Mode :character
## Mean :56.6
## 3rd Qu.:60.0
## Max. :62.0
##
## Hora.inicio Hora.cierre
## Length:200625 Length:200625
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## str(df)## 'data.frame': 200625 obs. of 22 variables:
## $ vcClaveTienda : chr "MX001" "MX001" "MX001" "MX001" ...
## $ DescGiro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Codigo.Barras : num 7.5e+12 7.5e+12 7.5e+12 7.5e+12 7.5e+12 ...
## $ PLU : int NA NA NA NA NA NA NA NA NA NA ...
## $ Fecha : chr "19/06/2020" "19/06/2020" "19/06/2020" "19/06/2020" ...
## $ Hora : chr "08:16:21" "08:23:33" "08:24:33" "08:24:33" ...
## $ Marca : chr "NUTRI LECHE" "DAN UP" "BIMBO" "PEPSI" ...
## $ Fabricante : chr "MEXILAC" "DANONE DE MEXICO" "GRUPO BIMBO" "PEPSI-COLA MEXICANA" ...
## $ Producto : chr "Nutri Leche 1 Litro" "DANUP STRAWBERRY P/BEBER 350GR NAL" "Rebanadas Bimbo 2Pz" "Pepsi N.R. 400Ml" ...
## $ Precio : num 16 14 5 8 19.5 16 14 5 8 19.5 ...
## $ Ult.Costo : num 12.3 14 5 8 15 ...
## $ Unidades : num 1 1 1 1 1 1 1 1 1 1 ...
## $ F.Ticket : int 1 2 3 3 4 1 2 3 3 4 ...
## $ NombreDepartamento: chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ NombreFamilia : chr "Lacteos y Refrigerados" "Lacteos y Refrigerados" "Pan y Tortilla" "Bebidas" ...
## $ NombreCategoria : chr "Leche" "Yogurt" "Pan Dulce Empaquetado" "Refrescos Plástico (N.R.)" ...
## $ Estado : chr "Nuevo León" "Nuevo León" "Nuevo León" "Nuevo León" ...
## $ Mts.2 : int 60 60 60 60 60 60 60 60 60 60 ...
## $ Tipo.ubicación : chr "Esquina" "Esquina" "Esquina" "Esquina" ...
## $ Giro : chr "Abarrotes" "Abarrotes" "Abarrotes" "Abarrotes" ...
## $ Hora.inicio : chr "08:00" "08:00" "08:00" "08:00" ...
## $ Hora.cierre : chr "22:00" "22:00" "22:00" "22:00" ...head(df)## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 1 MX001 Abarrotes 7.501021e+12 NA 19/06/2020 08:16:21
## 2 MX001 Abarrotes 7.501032e+12 NA 19/06/2020 08:23:33
## 3 MX001 Abarrotes 7.501000e+12 NA 19/06/2020 08:24:33
## 4 MX001 Abarrotes 7.501031e+12 NA 19/06/2020 08:24:33
## 5 MX001 Abarrotes 7.501026e+12 NA 19/06/2020 08:26:28
## 6 MX001 Abarrotes 7.501021e+12 NA 19/06/2020 08:16:21
## Marca Fabricante
## 1 NUTRI LECHE MEXILAC
## 2 DAN UP DANONE DE MEXICO
## 3 BIMBO GRUPO BIMBO
## 4 PEPSI PEPSI-COLA MEXICANA
## 5 BLANCA NIEVES (DETERGENTE) FABRICA DE JABON LA CORONA
## 6 NUTRI LECHE MEXILAC
## Producto Precio Ult.Costo Unidades F.Ticket
## 1 Nutri Leche 1 Litro 16.0 12.31 1 1
## 2 DANUP STRAWBERRY P/BEBER 350GR NAL 14.0 14.00 1 2
## 3 Rebanadas Bimbo 2Pz 5.0 5.00 1 3
## 4 Pepsi N.R. 400Ml 8.0 8.00 1 3
## 5 Detergente Blanca Nieves 500G 19.5 15.00 1 4
## 6 Nutri Leche 1 Litro 16.0 12.31 1 1
## NombreDepartamento NombreFamilia NombreCategoria
## 1 Abarrotes Lacteos y Refrigerados Leche
## 2 Abarrotes Lacteos y Refrigerados Yogurt
## 3 Abarrotes Pan y Tortilla Pan Dulce Empaquetado
## 4 Abarrotes Bebidas Refrescos Plástico (N.R.)
## 5 Abarrotes Limpieza del Hogar Lavandería
## 6 Abarrotes Lacteos y Refrigerados Leche
## Estado Mts.2 Tipo.ubicación Giro Hora.inicio Hora.cierre
## 1 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 2 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 3 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 4 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 5 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 6 Nuevo León 60 Esquina Abarrotes 08:00 22:00tail(df)## vcClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 200620 MX005 Depósito 7.62221e+12 NA 12/07/2020 01:08:25
## 200621 MX005 Depósito 7.62221e+12 NA 23/10/2020 22:17:37
## 200622 MX005 Depósito 7.62221e+12 NA 10/10/2020 20:30:20
## 200623 MX005 Depósito 7.62221e+12 NA 10/10/2020 22:40:43
## 200624 MX005 Depósito 7.62221e+12 NA 27/06/2020 22:30:19
## 200625 MX005 Depósito 7.62221e+12 NA 26/06/2020 23:43:34
## Marca Fabricante Producto Precio
## 200620 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200621 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200622 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200623 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200624 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200625 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## Ult.Costo Unidades F.Ticket NombreDepartamento NombreFamilia
## 200620 6.92 1 103100 Abarrotes Dulcería
## 200621 6.92 1 116598 Abarrotes Dulcería
## 200622 6.92 1 114886 Abarrotes Dulcería
## 200623 6.92 1 114955 Abarrotes Dulcería
## 200624 6.92 1 101121 Abarrotes Dulcería
## 200625 6.92 1 100879 Abarrotes Dulcería
## NombreCategoria Estado Mts.2 Tipo.ubicación Giro Hora.inicio
## 200620 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200621 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200622 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200623 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200624 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200625 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## Hora.cierre
## 200620 21:00
## 200621 21:00
## 200622 21:00
## 200623 21:00
## 200624 21:00
## 200625 21:00Técnicas de Limpieza de Base de Datos
1. Remover valores irrelevantes
# Eliminar columnas
df1 <- df
df1 <- subset(df, select = -c(PLU, Codigo.Barras))
# Eliminar renglones
df2 <- df1
df2 <- df2[df2$Precio > 0, ]
summary(df1)## vcClaveTienda DescGiro Fecha Hora
## Length:200625 Length:200625 Length:200625 Length:200625
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Marca Fabricante Producto Precio
## Length:200625 Length:200625 Length:200625 Min. :-147.00
## Class :character Class :character Class :character 1st Qu.: 11.00
## Mode :character Mode :character Mode :character Median : 16.00
## Mean : 19.42
## 3rd Qu.: 25.00
## Max. :1000.00
## Ult.Costo Unidades F.Ticket NombreDepartamento
## Min. : 0.38 Min. : 0.200 Min. : 1 Length:200625
## 1st Qu.: 8.46 1st Qu.: 1.000 1st Qu.: 33964 Class :character
## Median : 12.31 Median : 1.000 Median :105993 Mode :character
## Mean : 15.31 Mean : 1.262 Mean :193990
## 3rd Qu.: 19.23 3rd Qu.: 1.000 3rd Qu.:383005
## Max. :769.23 Max. :96.000 Max. :450040
## NombreFamilia NombreCategoria Estado Mts.2
## Length:200625 Length:200625 Length:200625 Min. :47.0
## Class :character Class :character Class :character 1st Qu.:53.0
## Mode :character Mode :character Mode :character Median :60.0
## Mean :56.6
## 3rd Qu.:60.0
## Max. :62.0
## Tipo.ubicación Giro Hora.inicio Hora.cierre
## Length:200625 Length:200625 Length:200625 Length:200625
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
## summary(df2)## vcClaveTienda DescGiro Fecha Hora
## Length:200478 Length:200478 Length:200478 Length:200478
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Marca Fabricante Producto Precio
## Length:200478 Length:200478 Length:200478 Min. : 0.50
## Class :character Class :character Class :character 1st Qu.: 11.00
## Mode :character Mode :character Mode :character Median : 16.00
## Mean : 19.45
## 3rd Qu.: 25.00
## Max. :1000.00
## Ult.Costo Unidades F.Ticket NombreDepartamento
## Min. : 0.38 Min. : 0.200 Min. : 1 Length:200478
## 1st Qu.: 8.46 1st Qu.: 1.000 1st Qu.: 33977 Class :character
## Median : 12.31 Median : 1.000 Median :106034 Mode :character
## Mean : 15.31 Mean : 1.261 Mean :194096
## 3rd Qu.: 19.23 3rd Qu.: 1.000 3rd Qu.:383062
## Max. :769.23 Max. :96.000 Max. :450040
## NombreFamilia NombreCategoria Estado Mts.2
## Length:200478 Length:200478 Length:200478 Min. :47.0
## Class :character Class :character Class :character 1st Qu.:53.0
## Mode :character Mode :character Mode :character Median :60.0
## Mean :56.6
## 3rd Qu.:60.0
## Max. :62.0
## Tipo.ubicación Giro Hora.inicio Hora.cierre
## Length:200478 Length:200478 Length:200478 Length:200478
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
## 2. Eliminar valores duplicados
# Cuantos duplicados hay?
sum(duplicated(df2))## [1] 5# Cuales son?
df2[duplicated(df2), ]## vcClaveTienda DescGiro Fecha Hora Marca
## 6 MX001 Abarrotes 19/06/2020 08:16:21 NUTRI LECHE
## 7 MX001 Abarrotes 19/06/2020 08:23:33 DAN UP
## 8 MX001 Abarrotes 19/06/2020 08:24:33 BIMBO
## 9 MX001 Abarrotes 19/06/2020 08:24:33 PEPSI
## 10 MX001 Abarrotes 19/06/2020 08:26:28 BLANCA NIEVES (DETERGENTE)
## Fabricante Producto Precio
## 6 MEXILAC Nutri Leche 1 Litro 16.0
## 7 DANONE DE MEXICO DANUP STRAWBERRY P/BEBER 350GR NAL 14.0
## 8 GRUPO BIMBO Rebanadas Bimbo 2Pz 5.0
## 9 PEPSI-COLA MEXICANA Pepsi N.R. 400Ml 8.0
## 10 FABRICA DE JABON LA CORONA Detergente Blanca Nieves 500G 19.5
## Ult.Costo Unidades F.Ticket NombreDepartamento NombreFamilia
## 6 12.31 1 1 Abarrotes Lacteos y Refrigerados
## 7 14.00 1 2 Abarrotes Lacteos y Refrigerados
## 8 5.00 1 3 Abarrotes Pan y Tortilla
## 9 8.00 1 3 Abarrotes Bebidas
## 10 15.00 1 4 Abarrotes Limpieza del Hogar
## NombreCategoria Estado Mts.2 Tipo.ubicación Giro
## 6 Leche Nuevo León 60 Esquina Abarrotes
## 7 Yogurt Nuevo León 60 Esquina Abarrotes
## 8 Pan Dulce Empaquetado Nuevo León 60 Esquina Abarrotes
## 9 Refrescos Plástico (N.R.) Nuevo León 60 Esquina Abarrotes
## 10 Lavandería Nuevo León 60 Esquina Abarrotes
## Hora.inicio Hora.cierre
## 6 08:00 22:00
## 7 08:00 22:00
## 8 08:00 22:00
## 9 08:00 22:00
## 10 08:00 22:00# Eliminar duplicados
df3 <- df2
df3 <- distinct(df3)3. Eliminar errores tipográficos
4. Convertir tipos de datos
df4 <- df3
df4$Fecha <- as.Date(df4$Fecha, format="%d/%m/%Y")
df5 <- df4
df5$Hora <- substr(df5$Hora, start=1, stop=2)
df5$Hora <- as.integer(df5$Hora)5. Reemplazar valores faltantes
# Cuantos hay?
sum(is.na(df5))## [1] 0sum(is.na(df5))## [1] 0sapply(df5, function(x) sum(is.na(x)))## vcClaveTienda DescGiro Fecha Hora
## 0 0 0 0
## Marca Fabricante Producto Precio
## 0 0 0 0
## Ult.Costo Unidades F.Ticket NombreDepartamento
## 0 0 0 0
## NombreFamilia NombreCategoria Estado Mts.2
## 0 0 0 0
## Tipo.ubicación Giro Hora.inicio Hora.cierre
## 0 0 0 06. Correciones por métodos estadísticos
boxplot(df5$Precio, horizontal=TRUE)
boxplot(df5$Unidades, horizontal=TRUE)
Exportar base de datos
# write.csv(df5, file="/Users/student/Downloads/abarrotes_limpia.csv", row.names=FALSE)Market Basket Analysis
# Ordenar de mayor a menor columna de Ticket
df6 <- df5
df6 <- df6[order(df6$F.Ticket), ]
# Generar el canasto
basket <- ddply(df6,c("F.Ticket"), function(df6)paste(df6$Marca, collapse = ","))
# Eliminar columna ticket
basket$F.Ticket <- NULL
# Renombrar columna a Marca
colnames(basket) <- c("Marca")Exportar basket
# write.csv(basket, file="/Users/student/Downloads/basket.csv", row.names=FALSE)
# Importar transacciones
# file.choose()
tr <- read.transactions("/Users/student/Desktop/basket.csv", format = "basket", sep = ",")
# Generar reglas de asociacion
reglas.asociacion <- apriori(tr, parameter=list(supp=0.001, conf=0.1, maxlen=10))## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport maxtime support minlen
## 0.1 0.1 1 none FALSE TRUE 5 0.001 1
## maxlen target ext
## 10 rules TRUE
##
## Algorithmic control:
## filter tree heap memopt load sort verbose
## 0.1 TRUE TRUE FALSE TRUE 2 TRUE
##
## Absolute minimum support count: 115
##
## set item appearances ...[0 item(s)] done [0.00s].
## set transactions ...[28710 item(s), 115031 transaction(s)] done [0.04s].
## sorting and recoding items ... [119 item(s)] done [0.00s].
## creating transaction tree ... done [0.01s].
## checking subsets of size 1 done [0.00s].
## writing ... [0 rule(s)] done [0.00s].
## creating S4 object ... done [0.01s].summary(reglas.asociacion)## set of 0 rulesinspect(reglas.asociacion)
# Ordenar reglas de asociacion
reglas.asociacion <- sort(reglas.asociacion, by="confidence", decreasing=TRUE)
# Visualizar
top10reglas <- head(reglas.asociacion, n=10)
# plot(top10reglas, method="graph", engine="htmlwidget")
# Conclusiones
Fue interesante realizar esta actividad, ya que podemos visualizar y analizar la relación entre los diferentes productos de supermercado. El MBA (market basket analysis) permite comprender las asociaciones entre los distintos productos de supermercado y como esto afecta las decisiones del consumidor. Esto puede servir a los retailers para colocar los productos asociados de manera estratégica y aumentar las ventas de la empresa.
Se encontraron 10 reglas que son las siguientes: Regla 1: FABULOSO → SALVO Regla 2: COCA COLA ZERO → COCA COLA Regla 3: BLUE HOUSE → BIMBO Regla 4: HELLMANN’S → BIMBO Regla 5: COCA COLA LIGHT → COCA COLA Regla 6: REYMA → CONVERMEX Regla 7: FANTA → COCA COLA Regla 8: PINOL → CLORALEX Regla 9: SALVO → FABULOSO Regla 10: FUD → BIMBO
- Podemos ver por ejemplo que Fabuloso y Salvo crean una especie de ciclo, ya que la compra de uno genera la compra de otro. Esto se puede evidenciar por las reglas 1 y 9.
- La compra de diferentes tipos de soda provoca la compra de Coca Cola, específicamente Coca Cola Zero (regla 2), Coca Cola Light (regla 5) y Fanta (regla 7).
- Lo mismo sucede con Bimbo, ya que diferentes productos como Blue House (regla 3), Hellman’s (regla 4) y Fud (regla 10) también generan una compra de este producto.
- Las reglas 6 y 8 son más sencillas, ya que dictan que Reyma genera la compra de Convermex y Pinol de Cloralex.
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