- Las reglas de asociación son patrones o relaciones descubiertos en conjuntos de datos que frecuentemente ocurren juntos.
- Las reglas de asociación ayudan a descubrir patrones de compra y preferencias de los clientes. También ayudan en sistemas de recomendación, detección de fraudes y comprensión de las relaciones entre diferentes variables en un conjunto de datos.
- Se utilizan varias métricas para evaluar la fuerza y significancia de las reglas de asociación, incluyendo soporte, confianza y elevación (lift).
Las reglas de asociaciónen la minería de datos aclaran las relaciones entre los elementos de datos mediante declaraciones si-entonces. Estas reglas, derivadas de patrones frecuentes, ayudan a discernir asociaciones significativas dentro de grandes conjuntos de datos. Al identificar co-ocurrencias, los científicos de datos extraen información procesable, ayudando a la toma de decisiones en diversos dominios. Desde el análisis de clientes hasta las finanzas, las reglas de asociación juegan un papel en el descubrimiento de patrones y tendencias, facilitando estrategias informadas y mejorando la eficiencia operativa.
¿Qué son las reglas de asociación en la minería de datos?
Las reglas de asociación representan relaciones condicionales entre elementos de datos dentro de extensos conjuntos de datos encontrados en varios formatos de base de datos. Esencialmente, la minería de reglas de asociación utiliza técnicas de aprendizaje automático para examinar datos en busca de patrones recurrentes, conocidos como co-ocurrencias, dentro de una base de datos. Estos patrones, que representan asociaciones si-entonces frecuentes, son en sí mismos denominados reglas de asociación.
Por ejemplo, si el 75% de los clientes que compran cereal también compran leche, sugiere una tendencia discernible en los datos transaccionales que indica que los compradores de cereal a menudo también optan por leche. Una regla de asociación en este escenario afirmaría una conexión entre las compras de cereal y leche.
Se emplean varios algoritmos para descubrir tales patrones dentro de los conjuntos de datos, capaces de manejar grandes volúmenes de datos. La inteligencia artificial (IA) y las tecnologías de aprendizaje automático se utilizan cada vez más para potenciar estos algoritmos y sus reglas de asociación asociadas para gestionar los vastos volúmenes de datos generados hoy en día.
Lea también:5 roles y responsabilidades de gobernanza de datos
Tipos de reglas de asociación en minería de datos
Generalizadas: Estas reglas sirven como ejemplos generales, ofreciendo una perspectiva amplia de las asociaciones entre los puntos de datos.
Multinivel: Las reglas de asociación multinivel categorizan los puntos de datos en distintos niveles de importancia, también denominados niveles de abstracción. Discriminan entre asociaciones de puntos de datos de importancia variable.
Cuantitativas: Esta categoría de regla de asociación describe instancias donde se establecen conexiones entre puntos de datos numéricos.
Multirelacionales: Más completas que las reglas de asociación convencionales, las reglas multirelacionales se extienden más allá de puntos de datos individuales para abarcar relaciones a través de bases de datos múltiples o multidimensionales.
¿Cómo funcionan las reglas de asociación?
Las reglas de asociación constan de dos segmentos: un antecedente (si) y un consecuente (entonces). El antecedente denota un elemento presente dentro del conjunto de datos, mientras que el consecuente se refiere a un elemento observado en conjunción con el antecedente. Estas declaraciones si-entonces constituyen conjuntos de elementos (itemsets), formando la base para derivar reglas de asociación que comprenden dos o más elementos dentro de un conjunto de datos.
Los analistas de datos examinan los conjuntos de datos en busca de declaraciones si-entonces que se repiten frecuentemente, evaluando posteriormente el soporte para estas declaraciones en función de su frecuencia de ocurrencia y la confianza derivada del número de instancias confirmadas.
Las reglas de asociación generalmente provienen de conjuntos de elementos que presentan numerosos elementos bien representados en los conjuntos de datos. Sin embargo, generar reglas examinando todos los conjuntos de elementos posibles o un número excesivo de combinaciones de elementos produce un volumen excesivo de reglas, a menudo carentes de significancia.
Una vez establecidas, los científicos de datos y profesionales en campos que dependen del análisis de datos emplean las reglas de asociación para descubrir patrones significativos dentro de los conjuntos de datos.
Lea también:10 principios de gobernanza de datos
Aplicaciones de las reglas de asociación
En la ciencia de datos, las reglas de asociación se utilizan para encontrar correlaciones y co-ocurrencias entre conjuntos de datos. Este proceso, a menudo denominado minería de reglas de asociación o minería de asociaciones, profundiza en los patrones dentro de repositorios de información aparentemente dispares, como bases de datos relacionales y transaccionales.
Varios sectores aprovechan las reglas de asociación para diversos fines, incluyendo:
Analítica de clientes: Se emplea para analizar y predecir el comportamiento del cliente, particularmente en áreas como tendencias de compra e historiales de transacciones.
Análisis de la cesta de la compra (market basket analysis): Utilizado en entornos minoristas para identificar productos frecuentemente comprados juntos, mejorando las estrategias de marketing y ventas.
Agrupación de productos y diseño de tiendas: Facilita el examen de datos de productos para agrupar artículos basados en atributos comunes, ayudando en el diseño de la distribución de la tienda.
Diseño de catálogos: Informa la colocación y presentación de productos en catálogos minoristas mediante el análisis del historial de compras del cliente.
Desarrollo de software: Aprovechado en aprendizaje automático e IA para desarrollar programas capaces de mejorar la eficiencia de forma autónoma, particularmente en tareas de minería de datos a gran escala.
Minería de textos: Se utiliza para analizar relaciones entre palabras y oraciones en documentos extensos, generando nuevas perspectivas.
Las reglas de asociación encuentran aplicaciones prácticas en diversos dominios, ejemplificadas por:
Salud: Facilitan el diagnóstico al comparar las relaciones de síntomas de casos pasados para determinar la probabilidad de una enfermedad dada según los síntomas actuales, ayudando a los médicos en la toma de decisiones.
Minorista: Mejoran las estrategias de marketing y ventas al identificar productos comúnmente comprados juntos, informando la colocación de productos y la priorización de ventas.
Diseño de experiencia de usuario: Optimizan las interfaces de sitios web basándose en datos de interacción del usuario, mejorando el compromiso y la usabilidad.
Entretenimiento: Impulsan motores de recomendación de contenido en plataformas como Netflix y Spotify mediante el análisis del comportamiento pasado del usuario para sugerir contenido relevante.
Finanzas: Mejoran la detección de fraudes en transacciones mediante el análisis de patrones para diferenciar entre actividades legítimas y fraudulentas, reforzando los esfuerzos de gestión de riesgos.
Ciberseguridad: Se emplean en algoritmos de aprendizaje automático para detectar y prevenir ciberataques mediante la identificación de patrones anómalos indicativos de comportamiento fraudulento.