アソシエーション分析（バスケット分析）｜頻出アイテムとルールを見つける（実務ガ... | First byte Blog

アソシエーション分析（バスケット分析）｜頻出アイテムとルールを見つける（実務ガイド）

カゴ内で一緒に買われやすい組合せや、購買の“つながり”をルールとして抽出します。サポート（出現頻度）、信頼度（条件付き確率）、リフト（期待比）を使って有用な知見に絞り込みます。

この記事が想定する読者：POS/ECで「一緒に買われやすい組合せ」を施策（クロスセル・棚割り・セット販促）に活かしたい担当者。

判断を誤るとどうなるか：リフトだけ見て高すぎる小規模ルールを採用すると誤検知になり、施策が効かない。先にサポート・信頼度・リフトの意味を押さえ、前処理→頻出アイテム→ルール→スクリーニングの順で絞り込むと失敗しにくい。

TL;DR

目的: 「A を買う人は B も買う」タイプのルールを抽出
指標: サポート（頻度）/信頼度（P(B|A)）/リフト（独立からのずれ）
手順: 前処理（ワンホット化）→ Apriori で頻出アイテム → ルール生成 → リフト等で選別

まずはここだけ（やさしい導入）

何をする？: 「一緒に現れる」アイテムの組を見つけ、施策（クロスセル/陳列）に活かす
いつ使う？: POS/EC のレコメンド、棚割り、セット販促
どう読む？: リフト>1 は“期待より一緒に出る”。高すぎる小規模ルールは要注意（誤検知）

用語ミニ辞典（1 行で）

アイテムセット: 同時に観測されたアイテムの集合
サポート: そのアイテムセットの出現割合
信頼度: ルール A→B の条件付き確率 P(B|A)
リフト: A と B が独立なら 1、1 より大きいほど関係が強い
前件/後件: ルールの左側/右側（A→B の A/B）

ミニ例題と Python コード（Apriori + ルール抽出）

# pip install mlxtend
import pandas as pd
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules

transactions = [
  ['milk','bread','butter'],
  ['bread','eggs'],
  ['milk','bread'],
  ['beer','chips'],
  ['milk','eggs','bread'],
]

te = TransactionEncoder()
ohe = te.fit(transactions).transform(transactions)
df = pd.DataFrame(ohe, columns=te.columns_)

# 頻出アイテムセット
freq = apriori(df, min_support=0.3, use_colnames=True)

# ルール生成
rules = association_rules(freq, metric='confidence', min_threshold=0.6)
rules = rules.sort_values('lift', ascending=False)
print(rules[['antecedents','consequents','support','confidence','lift']].head())

読み方のコツ:

サポートが低すぎるルールは安定しない。最低サンプルの下限を設ける
信頼度が高くても後件が極端に多い/少ないと偏る。リフトと一緒に確認
前件や後件のアイテム数（1→1 か 2→1 か）で実装のしやすさが変わる

実務ケーススタディ（グロサリーのクロスセル）

目的: 食品カテゴリで「一緒に買われる」組合せから、棚割りと推薦を改善。

前処理

アイテム定義の粒度を揃える（例: “牛乳 1L”を“牛乳”に集約）
季節性やキャンペーン期間を分けて集計

抽出と選別

min_support を段階的に上げて冗長ルールを除去
lift、confidence、conviction、chi-square などで多角的に評価

運用

陳列の近接/セット割引/レコメンドに反映。週次で見直し

よくある落とし穴（チェックリスト）

リフトが高いがサポートが極小（偶然）
後件が超頻出で何でもヒット（意味が薄い）
アイテム粒度が細かすぎ/粗すぎ（設計の見直し）

練習問題（理解を定着）

confidence は高いが lift≈1。どう解釈？

ヒント: 後件が元々頻出。ルールの価値は限定的

有望な 2→1 ルールが多すぎる。どう絞る？

ヒント: support 下限、前件の長さ上限、後件の多様性でスクリーニング

季節性の影響をどう見る？

ヒント: 期間を分割し、共通ルールと季節限定ルールを比較

判断の土台として押さえておくこと

サポート・信頼度・リフトの役割を分ける：サポートは出現頻度、信頼度はP(B|A)、リフト>1は「期待より一緒に出る」。高信頼でもリフト≈1なら後件が元々頻出で価値は限定的。
前処理（ワンホット化）→頻出アイテム→ルール→スクリーニングの順：min_supportで頻出を出し、confidenceでルール生成、リフト等で選別。有望ルールが多すぎる場合はsupport下限・前件長・後件の多様性で絞る。
リフトが高すぎる小規模ルールは誤検知に注意：季節性の影響は期間分割で共通ルールと季節限定を比較する。

次の一手：RFM分析／ABC分析／統計の判断ハブ