データマイニングにおけるアソシエーションルールとは？

What are association rules in data mining? は、公開された証拠がインターネットインフラストラクチャ、ガバナンス、運用上の依存関係、または市場での可視性にリンクしているため、BTW Media によってプロファイルされています。

• アソシエーションルールは、データセット内で頻繁に一緒に発生するパターンまたは関係です。
• アソシエーションルールは、購買パターンや顧客の好みを発見するのに役立ちます。また、推奨システム、不正検出、データセット内の異なる変数間の関係の理解を容易にします。
• アソシエーションルールの強度と有意性を評価するために、サポート、信頼度、リフトなどの複数のメトリクスが使用されます。

アソシエーションルールは、データマイニングにおいて、条件付きの「if-then」ステートメントを通じてデータ項目間の関係を明らかにします。これらのルールは頻出パターンから導出され、大規模データセット内の有意義な関連性を識別するのに役立ちます。共起を特定することで、データサイエンティストは実用的な洞察を抽出し、様々な分野での意思決定を容易にします。顧客分析から金融まで、アソシエーションルールはパターンやトレンドの発見に役割を果たし、情報に基づいた戦略を促進し、業務効率を向上させます。

データマイニングにおけるアソシエーションルールとは？

アソシエーションルールは、様々なデータベース形式で存在する広大なデータセット内のデータ項目間の条件付き関係を表します。基本的に、アソシエーションルールの抽出は、機械学習技術を用いてデータベース内の繰り返し発生するパターン、いわゆる共起を探索します。これらのパターンは頻繁な「if-then」の関連性を描き出し、それ自体がアソシエーションルールと呼ばれます。

例えば、シリアルを購入する顧客の 75%が牛乳も購入する場合、トランザクションデータにおいてシリアルの購入者がしばしば牛乳も選択するという認識可能な傾向を示唆しています。このシナリオにおけるアソシエーションルールは、シリアルと牛乳の購入間の関連性を主張するでしょう。

様々なアルゴリズムが、大量のデータを処理できるデータセット内のそのようなパターンを発見するために使用されています。人工知能（AI）と機械学習技術は、今日生成される膨大なデータ量を処理するために、これらのアルゴリズムとそれに関連するアソシエーションルールを強化するためにますます展開されています。

併せて読む:データガバナンスの 5 つの役割と責任

データマイニングにおけるアソシエーションルールの種類

一般化ルール: これらのルールは全体的な例として機能し、データポイント間の関連性の広範な視点を提供します。

マルチレベルルール: マルチレベルアソシエーションルールは、データポイントを異なる重要度（抽象度レベルとも呼ばれる）に分類します。これらは、重要度の異なるデータポイント間の関連性を区別します。

定量的ルール: このカテゴリのアソシエーションルールは、数値データポイント間に接続が確立されるケースを記述します。

マルチリレーショナルルール: 従来のアソシエーションルールよりも包括的で、マルチリレーショナルルールは単一のデータポイントを超えて、複数または多次元のデータベースにわたる関係を包含します。

アソシエーションルールの仕組み

アソシエーションルールは、先行詞（if）と後続詞（then）の 2 つの部分で構成されます。先行詞はデータセット内に存在する項目を示し、後続詞は先行詞と共に観察される項目を指します。これらの「if-then」ステートメントはアイテムセットを構成し、データセット内で 2 つ以上の項目を含むアソシエーションルールを導出するための基礎を形成します。

データアナリストは、頻繁に繰り返される「if-then」ステートメントを求めてデータセットを走査し、次にこれらのステートメントのサポートを発生頻度に基づいて評価し、確認されたインスタンスの数から導出される信頼度を評価します。

アソシエーションルールは通常、データセット内で十分に代表される多数の項目を含むアイテムセットから生じます。しかし、可能なすべてのアイテムセットや過剰な項目の組み合わせを調べてルールを生成すると、大量のルールが生成され、しばしば有意義ではありません。

ひとたび確立されると、データサイエンティストやデータ分析に依存する分野の専門家は、データセット内の有意義なパターンを発見するためにアソシエーションルールを使用します。

併せて読む:データガバナンスの 10 原則

アソシエーションルールの応用

データサイエンスでは、アソシエーションルールはデータセット間の相関関係や共起を見つけるために使用されます。このプロセスは、しばしばアソシエーションルールマイニングまたはアソシエーション探索と呼ばれ、リレーショナルデータベースやトランザクションデータベースなどの一見無関係な情報のリポジトリ内のパターンを探索します。

様々な分野が、以下のような多様な目的でアソシエーションルールを活用しています。

顧客分析: 顧客の行動を分析・予測するために使用され、特に購買傾向や取引履歴などの分野で活用されます。

マーケットバスケット分析: 小売環境で頻繁に一緒に購入される製品を特定するために使用され、マーケティングおよび販売戦略を改善します。

製品クラスタリングと店舗レイアウト: 製品データを調べて共通の属性に基づいてアイテムをグループ化し、店舗レイアウトの設計を支援します。

カタログデザイン: 顧客の購買履歴を分析することにより、小売カタログでの製品の配置と提示方法を知らせます。

ソフトウェア開発: 機械学習と AI で活用され、特に大規模なデータマイニングタスクで自律的に効率を改善できるプログラムを開発します。

テキストマイニング: 大量のドキュメント内の単語やフレーズ間の関係を分析し、新たな洞察を生成するために使用されます。

アソシエーションルールは、以下のような様々な領域で実用的な応用が見られます。

ヘルスケア: 過去の症例の症状間の関係を比較することで診断を容易にし、現在の症状に基づいて特定の疾患の可能性を判断し、医師の意思決定を支援します。

小売: よく一緒に購入される製品を特定することでマーケティングおよび販売戦略を改善し、製品の配置や販売の優先順位付けに役立ちます。

ユーザーエクスペリエンス（UX）デザイン: ユーザーインタラクションデータに基づいてウェブサイトのインターフェースを最適化し、エンゲージメントと使いやすさを向上させます。

エンターテインメント: Netflix や Spotify などのプラットフォームで、過去のユーザー行動を分析して関連コンテンツを提案するコンテンツレコメンデーションエンジンを支えています。

金融: 正当な活動と不正な活動を区別するためにパターンを分析することで、取引における不正検出を改善し、リスク管理の取り組みを強化します。

サイバーセキュリティ: 機械学習アルゴリズムで使用され、不正行為を示す異常なパターンを特定することでサイバー攻撃を検出・防止します。