🏗️Exemple concret
Une grande surface analyse 2 millions de tickets sur 6 mois. Règle découverte : {hummus, pita} → {taboulé} avec support 4.2%, confidence 73%, lift 3.8. Interprétation : les clients achetant hummus ET pita ont 3.8x plus de chances d'acheter du taboulé que la moyenne. Placement merchandising optimisé → +22% de ventes de taboulé.
∑ Concept clé
Support(A→B) = P(A∩B). Confidence(A→B) = P(B|A) = P(A∩B)/P(A). Lift(A→B) = Confidence(A→B)/P(B). Lift > 1 : association positive.
🎯Quand l'utiliser ?
✓Retail : optimisation du merchandising et des promotions croisées
✓E-commerce : 'Frequently bought together' et 'Complète ta commande'
✓Assurance / banque : bundling de produits
✓Streaming : recommandation d'albums/playlists
✅ Avantages
+Insights actionnables sans expertise ML avancée
+Données facilement disponibles (transactions)
+Règles interprétables directement par les équipes merchandising
⚠️ Limites
−Explosion combinatoire pour de grands catalogues (pruning nécessaire)
−Corrélation sans causalité (peut refléter des co-achats saisonniers)
−Ne tient pas compte des préférences individuelles
🛠️ Outils principaux
mlxtend (Python, Apriori/FP-Growth)
Spark MLlib (FP-Growth distribué)
R (arules)
SAS Enterprise Miner
RetailAssociationCross-sellPanierRecommandation