Assoziationsregeln

Assoziationsregeln sind ein Verfahren des Data Mining, das Zusammenhänge zwischen Merkmalen oder Elementen in Transaktionsdaten beschreibt. Typisch werden sie aus Einkaufsdaten gewonnen, wobei Regelstrukturen der Form X -> Y aufeinanderfolgende oder gleichzeitige Vorkommen von Elementen dokumentieren.

Ein X bezeichnet den Antezedens der Regel, Y den Konsequenten. Wichtige Kennzahlen sind der Support, die Konfidenz und der Lift. Der Support von X ∪ Y ist der Anteil der Transaktionen, in denen sowohl X als auch Y auftreten; die Konfidenz ist P(Y|X) = Support(X ∪ Y) / Support(X); der Lift ist Konfidenz geteilt durch den Anteil von Y in der Gesamtheit der Transaktionen. Höhere Werte deuten auf stärkere Assoziationen hin; Lift > 1 spricht für positive Abhängigkeit.

Zur Gewinnung werden häufige Itemsets mit Mindest-Support gesucht (Beispiele: Apriori, FP-Growth). Aus diesen Itemsets lassen sich mit ausreichender Konfidenz Regeln ableiten, etwa X -> Y mit Konfidenz ≥ Min-Konfidenz. Die Wahl von Schwellenwerten beeinflusst die Zahl und Relevanz der Regeln.

Anwendungen finden sich insbesondere in der Marktbasket-Analyse, beim Cross-Selling, im Layout von Regalen, in Empfehlungssystemen und in der Web- oder Nutzungsanalyse. Über die reine Statistik hinaus werden Regeln oft interpretiert, um Geschäftsprozesse zu optimieren.

Begrenzungen umfassen eine potenziell hohe Anzahl an Regeln, Redundanz und spärliche Aussagen bei niedrigen Support-Werten. Regeln zeigen Korrelation, nicht Kausalität, und können durch Bias oder unvollständige Daten verzerrt sein. Daher ist eine zusätzliche Bewertung mit weiteren interessierten Kennzahlen und Domänenwissen sinnvoll.

Historisch führten die Arbeiten von Agrawal und Srikant in den 1990er Jahren die Methode in der Marktkorb-Analyse ein; seitdem wurden Algorithmen wie Apriori und FP-Growth entwickelt.