Seluruh source projek ini bisa didapatkan di github Gabriel Erichson Marpaung
Projek ini diupload sebagai bahan pembelajaran Market Basket Analysis. Adapun lingkup projek ini yaitu untuk melakukan market basket analysis menggunakan data penjualan di supermarket.
Berikut ini data yang digunakan.
df_input <- read.csv("data_input/supermarket.csv")
names(df_input)[1] <- "trans_id"
df_input <- df_input %>% mutate(name = tolower(name))5 Top Line Data
5 Bottom Line Data
Data yang digunakan untuk analisa ini hanya ID Transaksi dan nama produk. Kemudian, hubungan antara variabel trans_id dan name bersifat one to many. Mari kita lanjutkan mengecek missing values.
#> trans_id name
#> 0 0Tidak ada missing value, jadi bisa dilanjutkan.
data.frame(
total_all_row = df_input %>% nrow(),
total_unique_row = df_input %>% distinct() %>% nrow()
)Tidak ada baris data yang duplikat.
#> Observations: 79,626
#> Variables: 2
#> $ trans_id <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1...
#> $ name <chr> "baby needs ", "bread and cake ", "baking needs ", "juice ...Terdapat 79,626 baris data dan dari sturktur data nya tidak ada masalah.
#> trans_id name
#> Min. : 1 Length:79626
#> 1st Qu.:1162 Class :character
#> Median :2324 Mode :character
#> Mean :2317
#> 3rd Qu.:3476
#> Max. :4627Dari summary data diatas tidak ada informasi penting yang bisa kita dapat. Mari kita explore datanya lebih jauh.
Exploratory Data Analysis (EDA)
#> [1] 4601Terdapat 4601 transaksi dalam data ini.
#> [1] 100Terdapat 100 produk dari dataset ini.
Terdapat 4601 transaksi pembelian pada dataset ini.
#> [1] 4601Berikut merupakan sebaran jumlah produk per transaksi.
plot_ly(x=~df_trans$product, type="histogram") %>%
layout(title = "Product per Transaction",
xaxis = list(title="Frequency", zeroline=FALSE),
yaxis = list(title="Total Transaction", zeroline=FALSE))Transaksi minimal terdiri dari 1 produk dan maksimal 47 produk.
Berikut ini data frekuensi pembelian produk secara berurutan dari yang paling tinggi.
Berikut Summary datanya:
#> name freq
#> Length:100 Min. : 2.0
#> Class :character 1st Qu.: 108.8
#> Mode :character Median : 397.5
#> Mean : 796.3
#> 3rd Qu.:1272.8
#> Max. :3330.0Median dari summary ini akan digunakan untuk menentukan nilai support dalam analisa ini (dijelaskan dibawah). Mari kita cek sebaran frekuensinya dahulu:
plot_ly(x=~df_best$freq, type="histogram") %>%
layout(title = "Product Sales Frequency",
xaxis = list(title="frequency", zeroline=FALSE),
yaxis = list(title="count", zeroline=FALSE))Frequency penjualan produk paling banyak dalam rentang 0-500.
df_best %>% head(10) %>%
mutate(name = as.factor(name),
name = reorder(name,freq)) %>%
plot_ly(x=~freq, y=~name,
text= ~freq, textposition = 'auto',
type="bar", orientation="h") %>%
layout(title = "Top 10 Product based on Sales Frequency",
yaxis = list(title=""),
xaxis = list(title="frequency"))Chart diatas menunjukan 10 produk yang paling banyak dibeli.
df_best %>% tail(10) %>%
mutate(name = as.factor(name),
name = reorder(name,freq)) %>%
plot_ly(x=~freq, y=~name,
text= ~freq, textposition = 'auto',
type="bar", orientation="h") %>%
layout(title = "Worst 10 Product based on Sales Frequency",
yaxis = list(title=""),
xaxis = list(title="frequency"))Chart diatas menunjukan 10 produk yang paling sedikit dibeli. Jika dilihat rentang frekuensinya cukup berbeda jauh dengan produk yang paling banyak dibeli. Dengan mengetahui ini, kita sebenarnya juga bisa mengambil keputusan misalkan, produk yang paling sering dibeli diletakan pada bagian display utama supaya customer dapat dengan mudah mencari produk tersebut. Namun disisi lain, produk yang ada berbagai macam dan pelanggan juga melakukan pembelian yang berbeda-beda. Sehingga, kita harus melakukan analisa lebih detail untuk mendapatkan output yang lebih menarik.
Market Basket Analysis atau sering disebut Association Rules merupakan kegiatan mencari aturan atau rules asosiasi yang menunjukan hubungan antar item dalam suatu transaksi. Sebagai contoh asosiasi yaitu ketika pelanggan membeli sikat gigi, maka ia akan membeli pasta gigi juga, atau ketika seorang membeli handphone, maka ia akan membeli casing handphone. Pola-pola asosiasi sangat bermanfaat dalam industri retail seperti penetapan diskon produk, promo, penjualan dalam bentuk paket, rekomendasi produk, serta penentuan lokasi penempatan item produk.
Adapun bidang industri lain yang juga dapat menggunakan Market Basket Analysis ini untuk menemukan pola di dalam data, misalnya dalam bidang kesehatan, association rules digunakan untuk mendapatkan hubungan dan interaksi antara faktor resiko seseorang dengan kecenderungan penyakit yang muncul. Di bidang genetika, association rules dapat digunakan untuk menemukan antara asosiasi faktor lingkungan dengan ekspresi gen yang muncul. Di bidang manufaktur, association rules dapat digunakan untuk mencari pola hubungan antara parameter-parameter proses produksi dengan potensi permasalahan kualitas produk. Market Basket Analysis juga dapat digunakan untuk mencari pola-pola desain produk yang diinginkan oleh pelanggan sehingga dapat menjadi dasar perancangan desain produk (Algoritma, 2020).
Salah satu algoritma atau metode yang populer untuk mencari Association Rule yaitu Apriori Alogirthm. Aturan asosiasi yang dihasilkan akan memiliki bentuk sebagai berikut:
\[A => B\]
Berasarkan aturan di atas, A adalah antecedent atau pendahulu sedangkan B adalah consequent atau akibat. Dalam R, antecedent dikenal LHS dan consequent dikenal RHS. Aturan diatas dapat dimisalkan ketika seorang pelanggan membeli item A, maka ia cenderung akan membeli item B. Antecedent dapat berisi satu atau lebih item yang digunakan sebagai penanda bahwa ketika kita/penjual mengetahui pelanggan membeli item antecedent maka pelanggan juga cenderung akan membeli item consequent. Misalkan contoh dengan beberapa antecedent, Seorang pelanggan membeli roti dan mentega, maka pelangan tersebut cenderung membeli meses ceres.
Terdapat matriks atau tolak ukur yang digunakan dalam association Rules, yang meliputi Support, Confidence, dan Lift.
Sebagai ilustrasi, kita akan menggunakan data buatan yang berisi 5 transaksi sebagai berikut:
df_dummy <- data.frame(transaction_id = 1:5,
items = c("soft drink, mineral water",
"soft drink",
"coffee, mineral water, lemon tea",
"bread, coffee, mineral water",
"coffee, mineral water"))
df_dummySupport menunjukkan proporsi dari jumlah transaksi yang memiliki satu atau lebih item yang muncul secara bersamaan dibandingkan dengan jumlah transaksi secara keseluruhan. Rumus untuk menghitung Support dari suatu item adalah sebagai berikut:
\[Support(B) = \frac{Jumlah\ transaksi\ yang\ berisi\ item\ B }{Jumlah\ seluruh\ transaksi} = \frac{Freq(B)}{N}\]
Berdasarkan data transaksi sebelumnya, maka Support untuk item soft drink adalah sebagai berikut.
\[Support(soft\ drink) = \frac{2}{5} = 0.4\]
Artinya 40% dari total transaksi mengandung item soft drink.
Jika itemnya lebih dari satu, maka rumusnya menjadi seperti berikut:
\[Support(A,B) = \frac{Jumlah\ transaksi\ yang\ berisi\ item\ A\ \&\ B }{Jumlah\ seluruh\ transaksi} = \frac{Freq(A \cup B)}{N}\]
Berdasarkan data transaksi df_dummy sebelumnya, maka Support untuk item coffee dan mineral water adalah sebagai berikut.
\[Support(coffee, mineral\ water) = \frac{3}{5} = 0.6\]
Artinya 60% dari total transaksi mengandung item coffee dan mineral water.
Jika Support hanya menunjukkan seberapa banyak proporsi sebuah item di seluruh transaksi, maka confidence menunjukkan seberapa besar kemungkinan seseorang akan membeli item B jika terdapat item A, atau setara dengan berapa banyak jumlah transaksi yang memiliki item A dan item B diantara transaksi-transaksi yang memiliki item A. Rumus untuk menghitung Confidence adalah sebagai berikut:
\[Confidence(A => B) = \frac{Freq(A\ \cap\ B)}{Freq(A)}\]
Berdasarkan data transaksi sebelumnya, maka Confidence untuk item coffee dan mineral water adalah sebagai berikut:
\[Confidence(mineral\ water => coffee) = \frac{3}{4} = 0.75\]
Confidence(mineral water => coffee) menunjukkan rules/aturan jika seseorang membeli mineral water, berapa kemungkinannya dia juga membeli coffee. Maka, kita perlu mencari ada berapa transaksi yang terdapat item mineral water dan coffee dan dibagi dengan seluruh transaksi yang di dalamnya terdapat mineral water. Dari total 5 transaksi yang ada, 4 di antaranya terdapat item mineral water dan dari 4 transaksi tersebut terdapat 3 transaksi yang memiliki coffee maupun mineral water, sehingga nilai Confidence(mineral water => coffee) adalah 3 dari 4 transaksi atau sama degan 75%. Maka, ketika seseorang membeli mineral water, kemungkinan seseorang membeli juga coffee adalah sekitar 75%.
Kelemahan dari Confidence adalah Confidence hanya mempertimbangkan seberapa banyak/populer item A saja (perhatikan bagian penyebut) dan tidak memperhatikan seberapa populer item B dalam seluruh transaksi.
Lift menunjukkan seberapa baik sebuah antecedent “mengangkat” atau meningkatkan peluang seseorang membeli item consequent. Jika Confidence hanya mengukur seberapa besar peluang untuk membeli item B jika diketahui item A dibeli, maka Lift mengukur seberapa besar pembelian item A meningkatkan peluang pembelian item B. Rumus untuk menghitung Lift adalah sebagai berikut:
\[Lift(A,B) = \frac{Support(A,B)}{Support(A)\ Support(B)}\]
Berdasarkan data transaksi sebelumnya, maka Lift untuk item coffee dan mineral water adalah sebagai berikut.
Pertama, kita hitung terlebih dahulu nilai dari masing-masing Support yang dibutuhkan.
\[Support(mineral\ water, coffee) = \frac{3}{5} = 0.6\]
\[Support(mineral\ water) = \frac{4}{5} = 0.8\]
\[Support(coffee) = \frac{3}{5} = 0.6\]
Setelah mendapatkan semua nilai Support, kemudian masukkan nilai Support yang diperoleh ke dalam rumus untuk mendapatkan nilai Lift dari mineral water => coffee.
\[Lift(mineral\ water => coffee) = \frac{0.6}{0.6\ 0.8} = 1.25\]
Didapatkan nilai Lift(mineral water => coffee) = 1.25. Bagaimana cara menginterpretasikannya? Lift membandingkan peluang ketika keberadaan item satu menjadi sinyal kuat bahwa item lain juga akan dibeli dengan peluang bahwa keberadaan item satu dengan lainnya saling independen dan tidak berkaitan, sehingga:
Algoritma yang umum digunakan untuk membuat association rules adalah Apriori Algorithm. Berikut merupakan cara kerja Apriori secara umum:
1. Menentukan nilai minimum Support dan minimum Confidence
2. Membuat itemsets dari daftar item yang ada 3. Membandingkan support dari itemsets tersebut dengan minimum support, apabila nilai support dari suatu item dibawah minimum support maka itemsets tersebut dibuang atau tidak dibuat rules-nya.
4. Membandingkan antara minimum Confidence dengan Confidence dari rules yang telah memenuhi minimum support. Hanya ambil rules yang memiliki Confidence lebih tinggi dari minimum Confidence.
Setelah mengetahui metrics yang digunakan dalam market basket analysis, serta cara kerja dari algoritme apriori,maka kita perlu membuat rules dari data yang kita miliki. Perlu diingat bahwa struktur data input dalam algoritme Apriori harus berbentuk matrix. Setiap baris dalam matrix yang terbentuk merepresentasikan id transaksi dan kolom merepresentasikan barang yang dibeli. Sparse Matrix merupakan matrix dengan elemen utamanya adalah nilai 0. Jadi, jika dalam satu transaksi tidak membeli item tertentu maka nilainya 0 (nol) dan jika transaksi tersebut membeli produk tertentu maka nilainya 1 (satu).
Kekurangan dari sparse matrix adalah dimensi yang sangat besar. akibat dari dimensi yang besar ini adalah komputasi yang besar sehingga memperlambat waktu komputasi dalam pembuatan rules. Oleh karena itu, untuk mengatasi permasalahan tersebut kita akan menggunakan data bertipe transactions dimana data tersebut harus dikelompokkan berdasarkan trans_id dengan menggunakan fungsi split()
#> $`1`
#> [1] "baby needs " "bread and cake " "baking needs "
#> [4] "juice sat cord ms" "biscuits" "canned vegetables "
#> [7] "cleaners polishers" "coffee" "sauces gravy pkle"
#> [10] "confectionary" "dishcloths scour" "frozen foods "
#> [13] "razor blades " "party snack foods " "tissues paper prd "
#> [16] "wrapping" "mens toiletries " "cheese"
#> [19] "milk cream" "margarine" "small goods "
#> [22] "fruit" "vegetables" "750ml white nz "
#>
#> $`2`
#> [1] "canned fish meat " "canned fruit " "canned vegetables "
#> [4] "sauces gravy pkle" "deod disinfectant" "frozen foods "
#> [7] "pet foods " "laundry needs " "tissues paper prd "
#> [10] "deodorants soap" "haircare" "milk cream"
#> [13] "fruit" "vegetables"
#>
#> $`3`
#> [1] "bread and cake " "baking needs " "juice sat cord ms"
#> [4] "biscuits" "canned fruit " "sauces gravy pkle"
#> [7] "puddings deserts" "wrapping" "health food other "
#> [10] "small goods " "dairy foods " "beef"
#> [13] "lamb" "fruit" "vegetables"
#> [16] "stationary"Setelah mengubah data menjadi list, selanjutnya kita akan mengubah data list tersebut menjadi data transaction dengan menggunakan fungsi as(). Berikut ini proses dan hasilnya:
#> items transactionID
#> [1] {750ml white nz ,
#> baby needs ,
#> baking needs ,
#> biscuits,
#> bread and cake ,
#> canned vegetables ,
#> cheese,
#> cleaners polishers,
#> coffee,
#> confectionary,
#> dishcloths scour,
#> frozen foods ,
#> fruit,
#> juice sat cord ms,
#> margarine,
#> mens toiletries ,
#> milk cream,
#> party snack foods ,
#> razor blades ,
#> sauces gravy pkle,
#> small goods ,
#> tissues paper prd ,
#> vegetables,
#> wrapping} 1
#> [2] {canned fish meat ,
#> canned fruit ,
#> canned vegetables ,
#> deod disinfectant,
#> deodorants soap,
#> frozen foods ,
#> fruit,
#> haircare,
#> laundry needs ,
#> milk cream,
#> pet foods ,
#> sauces gravy pkle,
#> tissues paper prd ,
#> vegetables} 2Informasi diatas merupkan contoh 2 data transaksi. Infomasi tersebut menunjukan himpunan/kumpulan produk yang dibeli dalam masing-masing transaksi.
Rules dari algoritma apriori bisa dihasilkan dengan fungsi apriori() dari package arules. Dalam kasus ini, saya memberi batasan nilai support berdasarkan perhitungan berikut:
\[support = Median\ Frekuensi\ Pembelian\ Produk\ / Jumlah\ Transaksi\ Keseluruhan\] \[support = 397.5/4601\] \[support = 0.08 \ \ (8\%)\]
Nilai support ini mengartikan setidaknya atau minimal produk dibeli sebanyak 8% transaksi. Kemudian untuk minimum confidence saya adjust secara subjektif bernilai 0.8. Berikut proses dan hasilnya:
#> Apriori
#>
#> Parameter specification:
#> confidence minval smax arem aval originalSupport maxtime support minlen
#> 0.85 0.1 1 none FALSE TRUE 5 0.08 1
#> maxlen target ext
#> 10 rules FALSE
#>
#> Algorithmic control:
#> filter tree heap memopt load sort verbose
#> 0.1 TRUE TRUE FALSE TRUE 2 TRUE
#>
#> Absolute minimum support count: 368
#>
#> set item appearances ...[0 item(s)] done [0.00s].
#> set transactions ...[100 item(s), 4601 transaction(s)] done [0.00s].
#> sorting and recoding items ... [51 item(s)] done [0.00s].
#> creating transaction tree ... done [0.00s].
#> checking subsets of size 1 2 3 4 5 6 7 8 done [0.09s].
#> writing ... [5812 rule(s)] done [0.00s].
#> creating S4 object ... done [0.00s].Hasil rules yang dibuat sebnayak 5812 rules.
Fungsi apriori di atas menghasilkan 5812 rules, kita bisa menampilkan beberapa rules saja berdasarkan kriteria yang kita pilih. Bila ingin melihat 5 rules teratas berdasarkan nilai confidence tertinggi dapat menggunakan kode di bawah ini:
#> lhs rhs support confidence lift count
#> [1] {beef,
#> biscuits,
#> frozen foods ,
#> fruit,
#> milk cream,
#> vegetables} => {bread and cake } 0.08150402 0.9328358 1.288882 375
#> [2] {baking needs ,
#> biscuits,
#> frozen foods ,
#> fruit,
#> margarine,
#> milk cream,
#> vegetables} => {bread and cake } 0.08280809 0.9315403 1.287092 381
#> [3] {biscuits,
#> frozen foods ,
#> fruit,
#> milk cream,
#> pet foods ,
#> vegetables} => {bread and cake } 0.08802434 0.9310345 1.286393 405
#> [4] {baking needs ,
#> biscuits,
#> cheese,
#> frozen foods ,
#> fruit,
#> juice sat cord ms} => {bread and cake } 0.08063464 0.9298246 1.284722 371
#> [5] {baking needs ,
#> fruit,
#> margarine,
#> milk cream,
#> pet foods } => {bread and cake } 0.09128450 0.9292035 1.283864 420Nilai Confidence yang tinggi menunjukkan seberapa besar peluang membeli item lainnya jika kita telah membeli saru atau beberapa item. Rules dengan Confidence tertinggi adalah {beef,biscuits,frozen foods ,fruit,milk cream,vegetables} => {bread and cake }, artinya ketika seorang pelanggan membeli 6 item tersebut, kemungkinan besar pelanggan juga akan membeli bread and cake karena dari seluruh transaksi yang berisi item pertama yang dibeli, 0.93 atau 93% pembelian juga terdapat item bread and cake.
Kelemahan apabila melihat rules berdasarkan nilai Confidence adalah, Confidence hanya melihat dari transaksi antecedent dan tidak memperhatikan transaksi-transaksi lain dari consequent. Maka, kita perlu melihat seberapa baik antecedent meningkatkan peluang untuk pelanggan membeli item lainnya jika kita mengetahui dia telah memberi sekumpulan barang-barang tertentu dibandingkan ketika kita tidak tahu bahwa pelanggan membeli barang-barang tersebut. Oleh sebab itu, mari kita periksa 5 rules dengan Lift tertinggi.
#> lhs rhs support confidence lift count
#> [1] {baking needs ,
#> bread and cake ,
#> frozen foods ,
#> fruit,
#> juice sat cord ms,
#> party snack foods ,
#> vegetables} => {biscuits} 0.08063464 0.8729412 1.541805 371
#> [2] {bread and cake ,
#> frozen foods ,
#> fruit,
#> margarine,
#> party snack foods ,
#> vegetables} => {biscuits} 0.09193654 0.8703704 1.537265 423
#> [3] {baking needs ,
#> bread and cake ,
#> frozen foods ,
#> fruit,
#> margarine,
#> party snack foods } => {biscuits} 0.08715497 0.8679654 1.533017 401
#> [4] {baking needs ,
#> dairy foods ,
#> frozen foods ,
#> fruit,
#> party snack foods } => {biscuits} 0.08019996 0.8661972 1.529894 369
#> [5] {bread and cake ,
#> frozen foods ,
#> fruit,
#> juice sat cord ms,
#> margarine,
#> party snack foods } => {biscuits} 0.08063464 0.8648019 1.527429 371Berdasarkan hasil di atas, rules {baking needs, bread and cake, frozen foods, fruit, juice sat cord ms, party snack foods,vegetables} => {biscuits} memiliki Lift terbesar dengan nilai 1.54. Karena nilai Lift lebih besar dari 1, jika pelanggan membeli {baking needs, bread and cake, frozen foods, fruit, juice sat cord ms, party snack foods,vegetables} maka akan membeli biscuits.
Bisa dilihat hasil A => B pada data rules dengan confidence tertinggi dan lift tertingi berbeda. Meskipun, kedua rules ini sama-sama meningkatkan peluang pembelian item consequentnya, namun efek yang dihasilkan dengan nilai lift tertinggi lebih berpengaruh. Dan mengapa hal ini penting? Hal Contonya, hal ini bisa mendukung keputusan untuk memiliki produk mana yang seharusnya ditempatkan pada posisi display utama.
Untuk memvisualisasikan rules yang sudah terbentuk kita dapat menggunakan fungsi plotly_arules dari packages arulesViz
Berdasarkan 670 rules yang dihasilkan, hanya terdapat beberapa rules yang memiliki Confidence tinggi atau Lift yang tinggi. Defini tinggi disini bisa berbeda-beda tergantung kebutuhan bisnis. Sedangkan, dari semua rules yang dihasilkan, tidak terdapat rules yang memilki Lift kurang dari 1, sehingga dapat disimpulkan bahwa semua rules yang dihasilkan dapat meningkatkan peluang untuk pembelian item tertentu.
Dari rules yang dihasilkan dapat dilihat juga hubungan antar rules dengan menggunakan graph atau network, dengan tiap lingkaran atau titik adalah rules dan panah sebagai hubungan antara rules dengan item barangnya.
set.seed(2020, sample.kind = "Rounding")
plot(market_rules, # rules yang telah dibuat
method = "graph", #
measure = "lift",
engine = "htmlwidget" # membuat grafik interaktif
)Dari graph diatas, dataset ini hanya membentuk 1 cluster. Semakin merah warna node/lingkaran rules maka semakin tinggi nilai lift. Kemudian pada graph terdapat tanda arah/panah yang menunjukan item antecedent tertentu menghasilkan item consequent melalui rules tertentu. Contohnya output yang bisa kita dapat dari Rule 100 yaitu kita bisa membuat keputusan, misalkan:
1. Melakukan penjualan yang bersifat bundle package dari produk baking needs ,bread and cake ,frozen foods ,fruit, juice sat cord ms, party snack foods, vegetables dan biscuits.
2. Melakukan pemetaan posisi produk-produk tersebut berdekatan dalam suatu rak belanja.
Berikut ini adalah data rules yang dihasilkan dengan consquent/RHS nya biscuits.
market_biscuit_rules <- apriori(data = market_transaction,
parameter = list(supp = 0.08, conf = 0.85),
appearance = list(rhs = "biscuits"),
control = list(verbose = F))
market_biscuit_rules %>%
DATAFRAME() %>%
arrange(desc(lift))Berikut ini tambahan jika hendak mengetahui produk/item mana yang paling sering muncul sebagai antecedent.
library(tidyr)
library(stringr)
library(tibble)
market_rules %>%
DATAFRAME() %>%
tibble::rownames_to_column("id") %>%
separate_rows_(cols = "LHS", sep = ",") %>%
mutate(LHS = str_remove_all(LHS, "[:punct:]")) %>%
count(LHS) %>%
arrange(desc(n))Hasil analisa diatas tentunya dapat dikembangkan lagi sesuai dengan kebutuhan dan berbagai pertimbangan. Misalkan melakukan seleksi produk atau data yang hanya ada pada rentang waktu, lokasi tertentu atau segmen tertentu. Data yang digunakan diatas merupakan data supermarket yang didapatkan dari bahan pelatihan “Cross Selling and Market Basket Analysis” yang dilakukan oleh PT. Algoritma Data Indonesia atau akrab dikenal Algoritma Data Science School. Dari penjelasan analisa diatas, dengan menerapkan market basket analysis pada perusahaan retail maka akan memudahkan perusahaan untuk menentukan strategi-strategi, seperti:
1. Menyediakan bundling package dengan promo tertentu untuk meningkatkan pembelian dan melakukan cross selling.
2. Memaksimalkan tata letak produk supaya pelanggan lebih mudah mendapatkan produk tersebut.
3. Memberikan rekomendasi produk untuk meningkatkan penjualan.