バスケット分析とレコメンデーションのアルゴリズム

　バスケット分析とレコメンデーションのアルゴリズムには、いろいろなアルゴリズムがあるそうですが、一番初歩的で基本的なアルゴリズム。

【バスケット分析】
　バスケット分析は一回の買い物単位（買い物かご＝バスケット）で考えます。

▼基本的に考え方
　ある商品Ａが買われる平均の確率を出します。
　そして、ある商品Ｂを買った場合、ある商品Ａの買われる確率が大きく上昇した場合、商品Ａと商品Ｂは関連があると考えるわけです。

▼例
　例えば１万回買い物が行われて、２千回ビールが買われたとします。
　つまり、１回の買い物でビールが買われる確率は２０％（0.２）です。
　対して、乾物が1000回買われて、同時にビールが買われたのが500回だとします。この場合、乾物を買っている人が同じ１回の買い物でビールが買われる確率は５０％（0.５）です。

　
　確率が上がっていますね。
　つまり、何らかの関連性があると考えるわけです。
　まぁ、単純につまみで買っているのでしょうが。

　乾物を買ってビールを買われる確率/ビールが買われる確率＝0.5/0.2＝２．５

　今回の事例は、あまりにも判り易く当たり前の例ですが、毎週、毎年やることにより、小さい買い物傾向の変化（流行の前触れ）を知ることが出来ます。

　そして、小さい買い物傾向の変化（流行の前触れ）を早めに探知して情報出しすることにより、需要の開拓を行うことが出来ます。

▼プログラム
　エクセルなどで分析する場合は、テーブルなどを利用します。
　100のカテゴリーを対象とする場合は、
　100×100の表を作り、カテゴリーＡ（行）が買われた場合のカテゴリーＢ（列）の回数を地道に記録していきます。

【レコメンデーション】
　レコメンデーションのアルゴリズムはより多彩ですので、ここで紹介するものと全く別のものがあります（というかそっちの方が多い）

　バスケット分析は一回の買い物単位（買い物かご＝バスケット）で考えますが、レコメンデーションはユーザー単位で考えます。

▼基本的に考え方
　同じような趣味の人は、同じような本を買うということです。

　書籍Ａが買われる平均の確率を出します。
　母数はユーザー数です。
　そして、ある書籍Ｂを買ったユーザーが、書籍Ａも買っている確率を求めます。
　買われる確率が大きく上昇した場合、書籍Ａを買ったユーザーは書籍Ｂを買っていると言えます。

　その場合、書籍Ａを買おうとしている、買ったユーザーに対して、書籍Ｂを進める訳です。

▼注意
　ワンピース１巻を買う人が、２巻、３巻、４巻を買うのは当たり前の行為です。
　２巻、３巻を進めのは良いとしても、２０巻、３０巻を進めるのは意味がある行為でしょうか？

　ワンピース以外を薦める方が、ユーザーとして嬉しいでしょう。
　単純に相関が高いのを進めるだけでは、驚きがありません。
　こんなものがあるんだと言うマイナーなものの推薦、驚きが重要です。