Machine Learning for Retail
Tubagus Hadi
Mei 26, 2020
1 PENDAHULUAN
Dataset kali ini menggunakan dataset DQLab Fashion yang menjual produk seperti jeans, kemeja, kosmetik dan lain-lain. Walaupun cukup berkembang, namun dengan semakin banyaknya kompetitor dan banyak produk yang stoknya masih banyak tentunya membuat kuatir Pak Agus, manajer DQLab.id Fashion.
Salah satu solusi adalah membuat paket yang inovatif. Dimana produk yang sebelumnya tidak terlalu laku tapi punya pangsa pasar malah bisa dipaketkan dan laku.
Tujuan dari project ini adalah membuat rekomendasi paket produk yang inovatif dan menarik untuk meningkatkan keuntungan.
2 DATA PREPARATION
2.1 Load Package
Pertama yang kita lakukan adalah install library yang dibutuhkan yaitu library arules untuk melakukan analisa data transaksi dan pola transaksinya dan library lainnya
- membaca file dengan salah satu fungsi yang ada di package arules
transaksi <- read.transactions("transaksi dqlab retail/transaksi_dqlab_retail.tsv"
, format="single",
sep="\t", cols=c(1,2), skip=1)Kita juga dapat melihat visualisasinya dengan menggunakan histogram
itemFrequencyPlot(transaksi, topN=10, type="absolute") # menampilkan dalam bentuk histogram top 10 transaksi
2.2 Menampilkan Data top 10 transaksi
data_item <- itemFrequency(transaksi, type="absolute") # membuat variabel untuk melihat item yang sering muncul
names(data_item) # melihat nama kolom## [1] "Atasan Baju Belang" "Atasan Kaos Putih"
## [3] "Baju Batik Wanita" "Baju Kaos Anak - Karakter Kartun"
## [5] "Baju Kaos Anak - Superheroes" "Baju Kaos Olahraga"
## [7] "Baju Kemeja Putih" "Baju Renang Anak Perempuan"
## [9] "Baju Renang Pria Anak-anak" "Baju Renang Pria Dewasa"
## [11] "Baju Renang Wanita Dewasa" "Blouse Denim"
## [13] "Celana Jeans Sobek Pria" "Celana Jeans Sobek Wanita"
## [15] "Celana Jogger Casual" "Celana Panjang Format Hitam"
## [17] "Celana Pendek Casual" "Celana Pendek Green/Hijau"
## [19] "Celana Pendek Jeans" "Celana Tactical "
## [21] "Cover Koper" "Cream Whitening"
## [23] "Dompet Card Holder" "Dompet Flip Cover"
## [25] "Dompet Kulit Pria" "Dompet STNK Gantungan"
## [27] "Dompet Unisex" "Flat Shoes Ballerina"
## [29] "Gembok Koper" "Hair and Scalp"
## [31] "Hair Dryer" "Hair Dye"
## [33] "Hair Tonic" "Jeans Jumbo"
## [35] "Kaos" "Koper Fiber"
## [37] "Kuas Makeup " "Mascara"
## [39] "Minyak Rambut" "Obat Penumbuh Rambut"
## [41] "Pelembab" "Sepatu Kulit Casual"
## [43] "Sepatu Sandal Anak" "Sepatu Sekolah Hitam W"
## [45] "Sepatu Sport merk Y" "Sepatu Sport merk Z"
## [47] "Serum Vitamin" "Shampo Anti Dandruff"
## [49] "Shampo Biasa" "Stripe Pants"
## [51] "Sunblock Cream" "Sweater Top Panjang"
## [53] "Tali Ban Ikat Pinggang" "Tali Pinggang Anak"
## [55] "Tali Pinggang Gesper Pria" "Tank Top"
## [57] "Tas Kosmetik" "Tas Kulit Selempang"
## [59] "Tas Makeup" "Tas Multifungsi"
## [61] "Tas Pinggang Wanita" "Tas Ransel Mini"
## [63] "Tas Sekolah Anak Laki-laki" "Tas Sekolah Anak Perempuan"
## [65] "Tas Tangan" "Tas Travel"
## [67] "Tas Waist Bag" "Wedges Hitam"
## [69] "Woman Ripped Jeans "Kita perlu melihat tipe data pada variable data_item menggunakan “class”
## [1] "integer"Dari hasil tersebut kita perlu mengubah tipe datanya menjadi dataframe, tapi sebelumnya kita urutkan terlebih dulu dari yang tertinggi ke terendah
data_item <- sort(data_item, decreasing = TRUE) # mengurutkan variabel dari terkecil atau terendah
data_item <- data_item[1:10]
data_item <- data.frame("Nama Produk"=names(data_item), "Jumlah"=unname(data_item), row.names=NULL)
print(data_item) # melihat isi dari data_item## Nama.Produk Jumlah
## 1 Shampo Biasa 2075
## 2 Serum Vitamin 1685
## 3 Baju Batik Wanita 1312
## 4 Baju Kemeja Putih 1255
## 5 Celana Jogger Casual 1136
## 6 Cover Koper 1086
## 7 Sepatu Sandal Anak 1062
## 8 Tali Pinggang Gesper Pria 1003
## 9 Sepatu Sport merk Z 888
## 10 Wedges Hitam 8492.3 Menampilkan Data Bottom 10
Top 10 data telah kita dapatkan dan kemudian kita perlu mengetahui bottom 10 dari data transaksi, fungsi yang digunakan masih sama
## [1] "Atasan Baju Belang" "Atasan Kaos Putih"
## [3] "Baju Batik Wanita" "Baju Kaos Anak - Karakter Kartun"
## [5] "Baju Kaos Anak - Superheroes" "Baju Kaos Olahraga"
## [7] "Baju Kemeja Putih" "Baju Renang Anak Perempuan"
## [9] "Baju Renang Pria Anak-anak" "Baju Renang Pria Dewasa"
## [11] "Baju Renang Wanita Dewasa" "Blouse Denim"
## [13] "Celana Jeans Sobek Pria" "Celana Jeans Sobek Wanita"
## [15] "Celana Jogger Casual" "Celana Panjang Format Hitam"
## [17] "Celana Pendek Casual" "Celana Pendek Green/Hijau"
## [19] "Celana Pendek Jeans" "Celana Tactical "
## [21] "Cover Koper" "Cream Whitening"
## [23] "Dompet Card Holder" "Dompet Flip Cover"
## [25] "Dompet Kulit Pria" "Dompet STNK Gantungan"
## [27] "Dompet Unisex" "Flat Shoes Ballerina"
## [29] "Gembok Koper" "Hair and Scalp"
## [31] "Hair Dryer" "Hair Dye"
## [33] "Hair Tonic" "Jeans Jumbo"
## [35] "Kaos" "Koper Fiber"
## [37] "Kuas Makeup " "Mascara"
## [39] "Minyak Rambut" "Obat Penumbuh Rambut"
## [41] "Pelembab" "Sepatu Kulit Casual"
## [43] "Sepatu Sandal Anak" "Sepatu Sekolah Hitam W"
## [45] "Sepatu Sport merk Y" "Sepatu Sport merk Z"
## [47] "Serum Vitamin" "Shampo Anti Dandruff"
## [49] "Shampo Biasa" "Stripe Pants"
## [51] "Sunblock Cream" "Sweater Top Panjang"
## [53] "Tali Ban Ikat Pinggang" "Tali Pinggang Anak"
## [55] "Tali Pinggang Gesper Pria" "Tank Top"
## [57] "Tas Kosmetik" "Tas Kulit Selempang"
## [59] "Tas Makeup" "Tas Multifungsi"
## [61] "Tas Pinggang Wanita" "Tas Ransel Mini"
## [63] "Tas Sekolah Anak Laki-laki" "Tas Sekolah Anak Perempuan"
## [65] "Tas Tangan" "Tas Travel"
## [67] "Tas Waist Bag" "Wedges Hitam"
## [69] "Woman Ripped Jeans "data_item2 <- sort(data_item2, decreasing = FALSE)
data_item2 <- data_item2[1:10]
data_item2 <- data.frame("Nama Produk"=names(data_item2),
"Jumlah"=unname(data_item2),
row.names=NULL)
print(data_item2)## Nama.Produk Jumlah
## 1 Celana Jeans Sobek Pria 9
## 2 Tas Kosmetik 11
## 3 Stripe Pants 19
## 4 Pelembab 24
## 5 Tali Ban Ikat Pinggang 27
## 6 Baju Renang Pria Anak-anak 32
## 7 Hair Dye 46
## 8 Atasan Baju Belang 56
## 9 Tas Sekolah Anak Perempuan 71
## 10 Dompet Unisex 753 MEMBUAT KOMBINASI PRODUK
3.1 Mendapatkan Kombinasi Produk yang Menarik
Dengan menggunakan fungsi apriori kita akan membuat rekomendasi produk berdasarkan barang yang dibeli secara bersamaan
kombinasi <- apriori(transaksi,
parameter=list(supp=10/length(transaksi),
confidence=0.5,
minlen=2, maxlen=3))## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport maxtime support
## 0.5 0.1 1 none FALSE TRUE 5 0.002898551
## minlen maxlen target ext
## 2 3 rules TRUE
##
## Algorithmic control:
## filter tree heap memopt load sort verbose
## 0.1 TRUE TRUE FALSE TRUE 2 TRUE
##
## Absolute minimum support count: 10
##
## set item appearances ...[0 item(s)] done [0.00s].
## set transactions ...[69 item(s), 3450 transaction(s)] done [0.00s].
## sorting and recoding items ... [68 item(s)] done [0.00s].
## creating transaction tree ... done [0.00s].
## checking subsets of size 1 2 3 done [0.00s].
## writing ... [4637 rule(s)] done [0.00s].
## creating S4 object ... done [0.00s].Kita perlu melihat pola aturan dari barang yang terbeli
3.2 Mencari Paket Produk
Dari variabel kombinasi dapat kita lihat fungsi nya masih sama dengan sebelumnya dan yang berbeda hanya tingkat confidence minimal 0.1
rules <- apriori(transaksi,
parameter=list(supp=10/length(transaksi),
minlen=2,maxlen=3,
confidence=0.1))## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport maxtime support minlen
## 0.1 0.1 1 none FALSE TRUE 5 0.003 2
## maxlen target ext
## 3 rules TRUE
##
## Algorithmic control:
## filter tree heap memopt load sort verbose
## 0.1 TRUE TRUE FALSE TRUE 2 TRUE
##
## Absolute minimum support count: 10
##
## set item appearances ...[0 item(s)] done [0.00s].
## set transactions ...[69 item(s), 3450 transaction(s)] done [0.00s].
## sorting and recoding items ... [68 item(s)] done [0.00s].
## creating transaction tree ... done [0.00s].
## checking subsets of size 1 2 3 done [0.01s].
## writing ... [39832 rule(s)] done [0.01s].
## creating S4 object ... done [0.01s].## set of 39832 rules
##
## rule length distribution (lhs + rhs):sizes
## 2 3
## 2267 37565
##
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.0 3.0 3.0 2.9 3.0 3.0
##
## summary of quality measures:
## support confidence coverage lift count
## Min. :0.0 Min. :0.1 Min. :0.0 Min. : 0 Min. : 10
## 1st Qu.:0.0 1st Qu.:0.2 1st Qu.:0.0 1st Qu.: 1 1st Qu.: 15
## Median :0.0 Median :0.2 Median :0.0 Median : 1 Median : 25
## Mean :0.0 Mean :0.3 Mean :0.0 Mean : 1 Mean : 40
## 3rd Qu.:0.0 3rd Qu.:0.4 3rd Qu.:0.1 3rd Qu.: 1 3rd Qu.: 45
## Max. :0.3 Max. :1.0 Max. :0.6 Max. :30 Max. :1091
##
## mining info:
## data ntransactions support confidence
## transaksi 3450 0.003 0.1Menampilkan scatter plot dari rules yang telah dibuat
3.3 Menentukan Item Slow Moving
Kita mengambil contoh item yang masih banyak stoknya yang kemudian dapat kita pasangkan dengan item lainnya. Item yang akan kita ambil adalah “Tas Makeup” dan “Baju Renang Pria Anak-anak”. Kedua item tersebut kita subset dan pada association rules dimasukkan pada rhs(right hand side)
- subset “Tas Makeup”
subset1<- subset(rules,rhs %in% "Tas Makeup")
subset1<- head(sort(subset1,by='lift',decreasing=TRUE),n=3)- subset “Baju Renang Pria Anak-anak”
subset2<- subset(rules,rhs %in% "Baju Renang Pria Anak-anak")
subset2<- head(sort(subset2,by='lift',decreasing=TRUE),n=3)- menggabungkan 2 subset dengan concenate (c)
completeset <- c(subset1,subset2)
options(digits = 2)
inspectDT(head(sort(completeset,by = "support"),n = 10))- Visualisasi dengan “graph” untuk melihat kombinasi produk
plot(completeset, method = "graph", interactive = FALSE, shading = NA,
data = NULL, control =list(engine = "igraph"))
4 KESIMPULAN
- Tas Makeup yang termasuk slow moving dapat dikombinasikan dengan Baju renang anak perempuan dan Tas Pinggang Wanita.
- Baju Renang Pria Anak-anak yang termasuk slow moving dapat dikombinasikan dengan Celana Jeans Sobek Wanita dan Jeans Jumbo.
- Dari rekomendasi tersebut target konsumen dapat disimpulkan adalah Ibu Rumah Tangga sehingga dapat menargetkan promosi ke konsumen yang tepat.