O que são regras de associação em mineração de dados?

O que são regras de associação em mineração de dados? é perfilado pela BTW Media porque evidências publicadas o ligam à infraestrutura da internet, governança, dependências operacionais ou visibilidade de mercado.

• Regras de associação são padrões ou relacionamentos descobertos em conjuntos de dados que ocorrem frequentemente juntos.
• Regras de associação ajudam a descobrir padrões de compra e preferências dos clientes. Elas também facilitam sistemas de recomendação, detecção de fraudes e compreensão das relações entre diferentes variáveis em um conjunto de dados.
• Várias métricas são usadas para avaliar a força e a significância das regras de associação, incluindo suporte, confiança e lift.

Regras de associaçãoem mineração de dados esclarecem as relações entre itens de dados por meio de instruções 'se-então'. Essas regras, derivadas de padrões frequentes, ajudam a discernir associações significativas dentro de grandes conjuntos de dados. Ao identificar co-ocorrências, os cientistas de dados extraem insights acionáveis, facilitando a tomada de decisão em diversos campos. Da análise de clientes às finanças, as regras de associação desempenham um papel na descoberta de padrões e tendências, promovendo estratégias informadas e melhorando a eficiência operacional.

O que são regras de associação em mineração de dados?

Regras de associação representam relações condicionais entre itens de dados dentro de vastos conjuntos de dados presentes em diversos formatos de banco de dados. Essencialmente, a extração de regras de associação usa técnicas de aprendizado de máquina para examinar dados em busca de padrões recorrentes, chamados de co-ocorrências, em um banco de dados. Esses padrões, que retratam associações 'se-então' frequentes, são eles próprios denominados regras de associação.

Por exemplo, se 75% dos clientes que compram cereais também compram leite, isso sugere uma tendência perceptível nos dados transacionais indicando que os compradores de cereais frequentemente também optam por leite. Uma regra de associação neste cenário afirmaria uma conexão entre as compras de cereais e leite.

Vários algoritmos são empregados para descobrir tais padrões em conjuntos de dados, capazes de lidar com grandes quantidades de dados. As tecnologias de inteligência artificial (IA) e aprendizado de máquina são cada vez mais implantadas para reforçar esses algoritmos e suas regras de associação associadas para gerenciar os vastos volumes de dados gerados hoje.

Leia também:5 papéis e responsabilidades da governança de dados

Tipos de regras de associação em mineração de dados

Generalizadas: Essas regras servem como exemplos globais, oferecendo uma perspectiva ampla das associações entre os pontos de dados.

Multiníveis: As regras de associação multiníveis classificam os pontos de dados em diferentes níveis de significância, também chamados de níveis de abstração. Elas distinguem associações entre pontos de dados de importância variada.

Quantitativas: Esta categoria de regras de associação descreve os casos em que conexões são estabelecidas entre pontos de dados numéricos.

Multirrelacionais: Mais abrangentes do que as regras de associação clássicas, as regras multirrelacionais vão além de pontos de dados únicos para abranger relações em múltiplos bancos de dados ou multidimensionais.

Como funcionam as regras de associação?

As regras de associação consistem em duas partes: um antecedente (se) e um consequente (então). O antecedente designa um item presente no conjunto de dados, enquanto o consequente se refere a um item observado em conjunto com o antecedente. Essas instruções 'se-então' constituem itemsets, formando a base para derivar regras de associação que incluem dois ou mais itens em um conjunto de dados.

Os analistas de dados percorrem os conjuntos de dados em busca de instruções 'se-então' frequentemente recorrentes, avaliando então o suporte dessas instruções com base em sua frequência de ocorrência e a confiança derivada do número de instâncias confirmadas.

As regras de associação geralmente derivam de itemsets contendo muitos itens bem representados nos conjuntos de dados. No entanto, gerar regras examinando todos os itemsets possíveis ou um número excessivo de combinações de itens produz um volume excessivo de regras, muitas vezes pouco significativas.

Uma vez estabelecidas, os cientistas de dados e os profissionais das áreas dependentes da análise de dados usam as regras de associação para descobrir padrões significativos nos conjuntos de dados.

Leia também:10 princípios da governança de dados

Aplicações das regras de associação

Em ciência de dados, as regras de associação são usadas para encontrar correlações e co-ocorrências entre conjuntos de dados. Este processo, frequentemente chamado de extração de regras de associação ou busca de associações, explora padrões dentro de repositórios de informações aparentemente díspares, como bancos de dados relacionais e transacionais.

Vários setores aproveitam as regras de associação para fins variados, incluindo:

Análise de clientes: Empregada para analisar e prever o comportamento dos clientes, especialmente em áreas como tendências de compra e históricos de transações.

Análise de cesta de compras (market basket analysis): Usada em ambientes de varejo para identificar produtos frequentemente comprados juntos, melhorando as estratégias de marketing e vendas.

Agrupamento de produtos (clustering) e disposição de lojas: Facilita o exame dos dados de produto para agrupar itens com base em atributos comuns, auxiliando no design do layout das lojas.

Design de catálogos: Informa o posicionamento e a apresentação dos produtos em catálogos de varejo, analisando o histórico de compras dos clientes.

Desenvolvimento de software: Explorado em aprendizado de máquina e IA para desenvolver programas capazes de melhorar a eficiência de forma autônoma, especialmente em tarefas de mineração de dados em grande escala.

Mineração de textos (text mining): Usada para analisar as relações entre palavras e frases em documentos volumosos, gerando novos insights.

As regras de associação encontram aplicações práticas em diversos campos, por exemplo:

Saúde: Facilitam o diagnóstico ao comparar as relações entre sintomas de casos passados para determinar a probabilidade de uma determinada doença com base nos sintomas atuais, auxiliando os médicos na tomada de decisão.

Varejo: Melhoram as estratégias de marketing e vendas ao identificar produtos comumente comprados juntos, informando o posicionamento dos produtos e a priorização de vendas.

Design de experiência do usuário (UX): Otimizam as interfaces de sites com base nos dados de interação dos usuários, melhorando o engajamento e a usabilidade.

Entretenimento: Alimentam os motores de recomendação de conteúdo em plataformas como Netflix e Spotify, analisando o comportamento passado dos usuários para sugerir conteúdo relevante.

Finanças: Melhoram a detecção de fraudes em transações ao analisar padrões para diferenciar atividades legítimas de fraudulentas, fortalecendo os esforços de gerenciamento de riscos.

Segurança cibernética: Empregadas em algoritmos de aprendizado de máquina para detectar e prevenir ataques cibernéticos, identificando padrões anormais indicativos de comportamento fraudulento.