Reglas de Asociación

Muy popular en sitios de comercio electrónico, las Reglas de Asociación o Análisis de Cesta identifican relaciones entre productos. Este tipo de técnica permite ofrecer productos que otras personas han comprado al navegar por la página de un producto específico.

Muchas otras aplicaciones son posibles con este tipo de técnica, como identificar fraude en licitaciones (asociaciones entre empresas participantes), identificar afinidades entre personas, entre otras aplicaciones. Gaio utiliza mlxtend para realizar los cálculos.

---

Cómo configurar la tarea de Reglas de Asociación

1. Abrir la tarea de Reglas de Asociación

Para identificar asociaciones en tus datos, haz clic en la tabla que contenga al menos dos columnas (Transacción e Ítem). En el Studio, ve al panel Tareas. En la sección Analytics, selecciona Reglas de Asociación.

2. Completar los campos requeridos

• Etiqueta de la tarea: (opcional) Nombre para identificar este paso en tu flujo.

• Tabla de resultado: Nombre de la tabla de salida que almacenará los resultados generados (ej.: basket_association_rules).

• Tabla origen: Se completa automáticamente con la tabla seleccionada (ej.: association_rules).

• Soporte mínimo: Frecuencia mínima con la que un conjunto de ítems debe aparecer para ser considerado (ej.: 0.2 = 20%). Corresponde a la cantidad de ventas en las que los dos “productos” estuvieron juntos dividida por el total de ventas.

• Confianza mínima: Nivel mínimo de confianza para que una regla sea aceptada (ej.: 0.8 = 80%). Dado que el producto A fue vendido, ¿cuál es la probabilidad de que también se venda el producto B?

• Columna ID: Columna que representa el identificador único de la transacción o usuario (ej.: order_id).

• Categoría: Columna que contiene el ítem, producto o evento a analizar (ej.: product_name).

Una vez configurada esta información, la tarea puede ejecutarse para buscar asociaciones.

3. Qué hace esta tarea

• Aplica algoritmos de minería de reglas de asociación (como Apriori).

• Genera reglas en formato “si-entonces” que destacan relaciones entre ítems.

• Produce una tabla con las combinaciones más relevantes, basadas en soporte, confianza y lift.

Ejemplo de caso de uso

Dado un conjunto de datos con:

• order_id → identificador de la transacción

• product_name → productos comprados

4. Resultados

Como resultado de ejecutar la técnica, se genera una tabla que contiene las asociaciones encontradas. Cada fila representa una asociación basada en los dos criterios definidos (soporte mínimo y confianza mínima).

• Antecedentes: En esta columna aparecen uno o más “productos” que, si son “comprados”, aumentan la probabilidad de que lo que está en los consecuentes también sea comprado.

• Consecuentes: Aquí se presentan los “productos” cuya probabilidad aumenta si se venden los antecedentes.

Las columnas con estadísticas de relaciones son:

Indicador	Fórmula	Variación
soporte (A→B)	soporte (A+B)	0 a 1
confianza (A→B)	soporte (A+B) / soporte (A)	0 a 1
lift (A→B)	confianza (A→B) / soporte (B)	0 a información
leverage (A→B)	soporte (A→B) − soporte (A) * soporte (B)	0 a 1
convicción	[1 − soporte (B)] / [1 − confianza (A→B)]	0 a información

---

Buenas prácticas

• Utiliza conjuntos de datos que contengan múltiples ítems por transacción (ej.: carritos de compra, paquetes, acciones de usuario).

• Aplica filtros o segmentaciones antes de ejecutar la tarea para refinar la generación de reglas.

• Visualiza los resultados mediante gráficos o redes basadas en confianza, soporte o lift.