Market Basket Analysis
Euriel Gomez
2026-08-18
Teoria
El Market Basket Analysis es una tecnica en el ambito de analisis y mineria de datos en el campo del comercio. Su objetivo principal es descubrir patrones de asociacion entre productos que suelen ser comprados juntos por los clientes.
Las 3 metricas principales para evaluar reglas de asociacion son: *
Confidence (Confianza): Probabilidad de comprar B sabiendo que
se compro A. EJ. Pan –> Mantequilla 0.8. De cada 100 clientes que
compraron Pan, 80 tambien compraron Mantequilla.
* Lift (Elevacion): Cuando mas probable es comprar B cuando se
compra A en comparacion de la probabilidad de comprar B sin saber que se
va a comprar A. EJ. Lift > 1 compra A impulsa B. Lift = 1 No tiene
relacion de compra. Lift < 1 A reduce la compra de B.
* Support (Soporte): Popularidad del producto dentor de las
ransacciones. Ej. Pan y Mantequilla 0.05 el 5% de todas las
transacciones compraron estos dos productos juntos.
Contexto
Una cade de tiendas de convenienvia tiene 5 tiendas ubicadas en distintas ciudades de México. La base de datos “abarrotes” contiene 1 mes de transacciones, pero presenta errores de calidad que impiden realizar analisis confiables. El objetivo es limpiar la base de datos de forma estrategica y posteriormente aplicar MBA para descubrir patrones de compra y diseñar promociones que aumenten las ventas.
Instalar paquetes y llamar librerias
#install.packages("tidyverse") # Paquete global para manipulacion y analisis de datos
library(tidyverse)
#install.packages("janitor") # Examinar y limpiar bases de datos sucias
library(janitor)
#install.packages("Matrix") # Para trabajar con matrices
library(Matrix)
#install.packages("arules") # Genera reglas de asociacion
library(arules)
#install.packages("arulesViz") # Visualizar reglas de asociacion
library(arulesViz)
#install.packages("plyr")
library("plyr")Importar la base de datos
# file.choose()
df <- read.csv("/Users/eurielgomeztamez/Downloads/abarrotes.csv")Entender la base de datos
summary(df)## ClaveTienda DescGiro Codigo.Barras PLU
## Length :200625 Length :200625 Min. :8.347e+05 Min. : 1.000
## N.unique : 5 N.unique : 3 1st Qu.:7.501e+12 1st Qu.: 1.000
## N.blank : 0 N.blank : 0 Median :7.501e+12 Median : 1.000
## Min.nchar: 5 Min.nchar: 8 Mean :5.950e+12 Mean : 2.112
## Max.nchar: 5 Max.nchar: 10 3rd Qu.:7.501e+12 3rd Qu.: 1.000
## Max. :1.750e+13 Max. :30.000
## NAs :199188
## Fecha Hora Marca Fabricante
## Length :200625 Length :200625 Length :200625 Length :200625
## N.unique : 195 N.unique : 52145 N.unique : 540 N.unique : 241
## N.blank : 0 N.blank : 0 N.blank : 0 N.blank : 0
## Min.nchar: 10 Min.nchar: 8 Min.nchar: 3 Min.nchar: 3
## Max.nchar: 10 Max.nchar: 8 Max.nchar: 30 Max.nchar: 40
##
##
## Producto Precio Ult.Costo Unidades
## Length :200625 Min. :-147.00 Min. : 0.38 Min. : 0.200
## N.unique : 3406 1st Qu.: 11.00 1st Qu.: 8.46 1st Qu.: 1.000
## N.blank : 0 Median : 16.00 Median : 12.31 Median : 1.000
## Min.nchar: 4 Mean : 19.42 Mean : 15.31 Mean : 1.262
## Max.nchar: 40 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 N.unique : 9 N.unique : 51 N.unique : 174
## Median :105993 N.blank : 0 N.blank : 0 N.blank : 0
## Mean :193990 Min.nchar: 6 Min.nchar: 3 Min.nchar: 2
## 3rd Qu.:383005 Max.nchar: 20 Max.nchar: 25 Max.nchar: 37
## Max. :450040
##
## Estado Mts.2 Tipo.ubicación Giro
## Length :200625 Min. :47.0 Length :200625 Length :200625
## N.unique : 5 1st Qu.:53.0 N.unique : 3 N.unique : 2
## N.blank : 0 Median :60.0 N.blank : 0 N.blank : 0
## Min.nchar: 7 Mean :56.6 Min.nchar: 7 Min.nchar: 9
## Max.nchar: 12 3rd Qu.:60.0 Max.nchar: 12 Max.nchar: 10
## Max. :62.0
##
## Hora.inicio Hora.cierre
## Length :200625 Length :200625
## N.unique : 3 N.unique : 3
## N.blank : 0 N.blank : 0
## Min.nchar: 5 Min.nchar: 5
## Max.nchar: 5 Max.nchar: 5
##
## str(df)## 'data.frame': 200625 obs. of 22 variables:
## $ ClaveTienda : 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" ...#count(df, ClaveTienda, sort=TRUE )
#count(df, DescGiro, sort=TRUE )
#count(df, Fecha, sort=TRUE )
#count(df, Hora, sort=TRUE )
#count(df, Marca, sort=TRUE )
#count(df, Fabricante, sort=TRUE )
#count(df, Producto, sort=TRUE )
#count(df, NombreDepartamento, sort=TRUE )
#count(df, NombreFamilia, sort=TRUE )
#count(df, NombreCategoria, sort=TRUE )
#count(df, Estado, sort=TRUE )
#ount(df, Tipo.ubicación, sort=TRUE )
#ount(df, Giro, sort=TRUE )
#ount(df, Hora.inicio, sort=TRUE )
#ount(df, Hora.cierre, sort=TRUE )
head(df, 10)## ClaveTienda 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
## 7 MX001 Abarrotes 7.501032e+12 NA 19/06/2020 08:23:33
## 8 MX001 Abarrotes 7.501000e+12 NA 19/06/2020 08:24:33
## 9 MX001 Abarrotes 7.501031e+12 NA 19/06/2020 08:24:33
## 10 MX001 Abarrotes 7.501026e+12 NA 19/06/2020 08:26:28
## 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
## 7 DAN UP DANONE DE MEXICO
## 8 BIMBO GRUPO BIMBO
## 9 PEPSI PEPSI-COLA MEXICANA
## 10 BLANCA NIEVES (DETERGENTE) FABRICA DE JABON LA CORONA
## 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
## 7 DANUP STRAWBERRY P/BEBER 350GR NAL 14.0 14.00 1 2
## 8 Rebanadas Bimbo 2Pz 5.0 5.00 1 3
## 9 Pepsi N.R. 400Ml 8.0 8.00 1 3
## 10 Detergente Blanca Nieves 500G 19.5 15.00 1 4
## 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
## 7 Abarrotes Lacteos y Refrigerados Yogurt
## 8 Abarrotes Pan y Tortilla Pan Dulce Empaquetado
## 9 Abarrotes Bebidas Refrescos Plástico (N.R.)
## 10 Abarrotes Limpieza del Hogar Lavandería
## 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 22:00
## 7 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 8 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 9 Nuevo León 60 Esquina Abarrotes 08:00 22:00
## 10 Nuevo León 60 Esquina Abarrotes 08:00 22:00tail(df, 10)## ClaveTienda DescGiro Codigo.Barras PLU Fecha Hora
## 200616 MX005 Depósito 7.62221e+12 NA 07/08/2020 19:30:13
## 200617 MX005 Depósito 7.62221e+12 NA 25/07/2020 18:42:24
## 200618 MX005 Depósito 7.62221e+12 NA 18/07/2020 22:45:58
## 200619 MX005 Depósito 7.62221e+12 NA 12/07/2020 00:36:34
## 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
## 200616 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200617 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200618 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 200619 TRIDENT XTRA CARE CADBURY ADAMS Trident Xtracare Freshmint 16.32G 9
## 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
## 200616 6.92 1 106411 Abarrotes Dulcería
## 200617 6.92 1 104693 Abarrotes Dulcería
## 200618 6.92 1 103856 Abarrotes Dulcería
## 200619 6.92 1 103087 Abarrotes Dulcería
## 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
## 200616 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200617 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200618 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 200619 Gomas de Mazcar Quintana Roo 58 Esquina Mini súper 08:00
## 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
## 200616 21:00
## 200617 21:00
## 200618 21:00
## 200619 21:00
## 200620 21:00
## 200621 21:00
## 200622 21:00
## 200623 21:00
## 200624 21:00
## 200625 21:00# Tabla de Tienda y Departamento
tabyl(df, ClaveTienda, NombreDepartamento)## ClaveTienda Abarrotes Bebes e Infantiles Carnes Farmacia Ferretería Mercería
## MX001 95415 515 1 147 245 28
## MX002 6590 21 0 4 10 0
## MX003 4026 15 0 2 8 0
## MX004 82234 932 0 102 114 16
## MX005 10014 0 0 0 0 0
## Papelería Productos a Eliminar Vinos y Licores
## 35 3 80
## 0 0 4
## 0 0 0
## 32 5 20
## 7 0 0# Tabla de Estado y Hora de Inicio
tabyl(df, Estado, Hora.inicio)## Estado 07:00 08:00 09:00
## Chiapas 4051 0 0
## Jalisco 0 0 6629
## Nuevo León 0 96469 0
## Quintana Roo 0 10021 0
## Sinaloa 83455 0 0Tecnica 1. Eliminar valores irrelevantes/span>
#Eliminar columnas
df <- subset(df, select=-c(PLU))
#Eliminar renglones
df <- df[df$Precio>0, ]Tecnica 2. Eliminar valores repetidos/span>
df <- distinct(df)Tecnica 3. Corregir errores tipograficos y similares/span>
df$Unidades <- ceiling(df$Unidades)Tecnica 4 Convertir tipos de datos/span>
df$Fecha <- as.Date(df$Fecha, format="%d/%m/%Y")Tecnica 5. Tratamiento de errores faltantes/span>
# Borrar todos los NAs
# df <- na.omit(df)
#Reemplazar los NAs con CEROS
# df[is.na(df)] <- 0
# Reemplazar los NAs con el Promedio
# df$altura[is.na(df$altura)] <- mean(df$altura, na.rn=TRUE)Tecnica 6. Herramientas estadisticas/span>
boxplot(df$Precio, horizontal = TRUE)
boxplot(df$Unidades, horizontal=TRUE)
Generar Basket/span>
# Ordenar de menor a mayor la columna Ticket
df <- df[order(df$F.Ticket), ]
# Generar Basket
basket <- ddply(df, c("F.Ticket"), function(df)paste(df$Marca, collapse=","))
# Eliminar numero de ticket
basket$F.Ticket <- NULL
# Cambiar el titulo de la columna v1 por marca
colnames(basket) <- c("Marca")
# Exportar basket
write.csv(basket, "basket.csv", row.names=FALSE, quote=FALSE)Market Basket Analysis/span>
#file.choose()
tr <- read.transactions("/Users/eurielgomeztamez/Library/Mobile Documents/com~apple~CloudDocs/Tec/7/M2/basket.csv",format = "basket",sep = ",")
reglas.asosiacion <- apriori(tr,parameter = list(supp= 0.001,conf=0.2,maxlen = 10))## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport maxtime support minlen
## 0.2 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 ...[604 item(s), 115031 transaction(s)] done [0.01s].
## sorting and recoding items ... [207 item(s)] done [0.00s].
## creating transaction tree ... done [0.01s].
## checking subsets of size 1 2 3 done [0.00s].
## writing ... [11 rule(s)] done [0.00s].
## creating S4 object ... done [0.00s].# summary(reglas.asosiacion)
# inspect(reglas.asosiacion)
reglas.asosiacion <- sort(reglas.asosiacion,by = "confidence",decreasing = TRUE)
# summary(reglas.asosiacion)
# inspect((reglas.asosiacion))
top10reglas <- head(reglas.asosiacion, n = 10, by = "confidence")
plot(top10reglas,method="graph",engine = "htmlwidget")```
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