Tecnologias utilizadas:

R Studio	Dplyr	Arules	Htmlwidgets

• RStudio: Ambiente integrado para desenvolvimento em R, oferecendo ferramentas para escrita, execução e depuração de código.
• Dplyr: Pacote para manipulação, com funções para filtragem, seleção, agrupamento e outras operações.
• Arules: Pacote para mineração de regras de associação em conjuntos de dados, útil para descobrir padrões e relações entre itens.
• Htmlwidgets: Framework para criação de widgets interativos em HTML, permitindo a integração de gráficos e visualizações interativas em aplicações web em R.

---

Objetivo:

Identificar padrões de compras dos clientes em uma padaria, utilizando "Análise de Cestas de Mercado" (MBA). Através dessa análise, será possível descobrir quais produtos são frequentemente comprados juntos, a fim de melhorar as estratégias de marketing e promoções.

Base de dados: Arquivo "padaria.csv"

---

Código:

# Ajustar as casas decimais
options(scipen = 999, digits = 4)

knitr::opts_chunk$set(message = FALSE)
knitr::opts_chunk$set(warning = FALSE)

# Carregando os pacotes
library(dplyr) # Manipulação de dados
library(arules) # Regras e MBA
library(arulesViz) # Visualização gráfica
library(htmlwidgets) # Interatividade html
library(RColorBrewer) # Paleta de cores
options(warn = -1)

# Importar o dataset de estudo
df <- read.transactions('Padaria.csv',
                        format = 'basket',
                        sep = ',')

inspect(head(df))

Número	Itens
1	Leite, Pão
2	Café, Manteiga, Pão
3	Croissant, Pão, Suco de laranja
4	Pão, Presunto, Queijo
5	Baguete, Pão
6	Café, Leite, Pão, Rosquinhas

# Verificando a frequência dos itens
summary(df)

transactions as itemMatrix in sparse format with 83 rows (elements/itemsets/transactions) and 10 columns (items) and a density of 0.341

most frequent items:

Item	Quantidade
Pão	72
Café	44
Suco de laranja	35
Leite	26
Rosquinhas	26
(Outros)	80

element (itemset/transaction) length distribution: sizes

Itemset	Transaction
2	10
3	43
4	16
5	14

Estatística Descritiva:

Estatística	Valor
Mínimo	2.00
1º Quartil	3.00
Mediana	3.00
Média	3.41
3º Quartil	4.00
Máximo	5.00

# Verificando a classe
class(df)

[1] "transactions" attr(,"package") [1] "arules"

# Visualizando as frequências dos produtos
itemFrequencyPlot(df, 
                  topN = 5,
                  type = 'absolute',
                  col = brewer.pal(8,'Pastel2'),
                  main = 'Frequência dos Itens'
                  )

# Criação das regras
regra1 <- apriori(df,
                 parameter = list(
                    supp = 0.001,
                    conf = 0.5,
                    minlen = 2,
                    maxlen = 10)
                 )

Apriori

Parameter specification:

Algorithmic control:

Absolute minimum support count: 0

set item appearances ...[0 item(s)] done [0.00s]. set transactions ...[10 item(s), 83 transaction(s)] done [0.00s]. sorting and recoding items ... [10 item(s)] done [0.00s]. creating transaction tree ... done [0.00s]. checking subsets of size 1 2 3 4 5 done [0.00s]. writing ... [252 rule(s)] done [0.00s]. creating S4 object ... done [0.00s].

Variável	Valor
confidence	0.5
minval	0.1
smax	1
arem	none
aval	FALSE
originalSupport	TRUE
maxtime	5
support	0.001
arem	none
aval	FALSE
originalSupport	TRUE
maxtime	5
support	0.001
minlen	2
maxlen	10
target	rules
ext	TRUE

Foram criadas no total 252 regras.

# Analisando as regras dos itens
regra1 <- sort(regra1, by = 'confidence', decreasing = TRUE)
summary(regra1)

set of 252 rules

Distribuição do comprimento das regras:

Tamanho	Quantidade
2	20
3	82
4	105
5	45

Resumo das medidas de qualidade:

Medida	Mínimo	1º Quartil	Mediana	Média	3º Quartil	Máximo
Support	0.0120	0.0120	0.0241	0.0505	0.0482	0.3976
Confidence	0.500	0.667	1.000	0.834	1.000	1.000
Coverage	0.0120	0.0241	0.0241	0.0677	0.0602	0.5301
Lift	0.576	1.153	1.886	2.203	2.479	8.300
Count	1.00	1.00	2.00	4.19	4.00	33.00

Das 252 regras:

• 4 Itens possuem o maior número de regras: 105
• 2 Itens possuem o menor número de regras: 20

# Analisando as 10 primeiras regras

# lhs: Left Hand Side (Parte esquerda da regra da associação), conjunto de itens que estão sendo considerado  como a causa ou antecedência da regra.Ou seja, os itens que estão sendo comprados juntos e estão sendo usados para prever a compra de outros itens.

# rhs: Right Hand Side (Parte direita da regra da associação), conjunto de itens que está sendo previsto como consequência ou consequente na regra. Ou seja, são os itens que geralmente são comprados junto com o conjunto dos itens do LHS. 
inspect(head(regra1,10))

LHS	RHS	Suporte	Confiança	Cobertura	Lift	Contagem
{Croissant}	{Suco de laranja}	0.1928	1	0.1928	2.371	16
{Rosquinhas}	{Pão}	0.3133	1	0.3133	1.153	26
{Croissant, Queijo}	{Presunto}	0.0241	1	0.0241	6.917	2
{Croissant, Presunto}	{Queijo}	0.0241	1	0.0241	8.300	2
{Queijo, Suco de laranja}	{Presunto}	0.0241	1	0.0241	6.917	2
{Croissant, Queijo}	{Suco de laranja}	0.0241	1	0.0241	2.371	2
{Queijo, Suco de laranja}	{Croissant}	0.0241	1	0.0241	5.188	2
{Croissant, Queijo}	{Café}	0.0241	1	0.0241	1.886	2
{Manteiga, Queijo}	{Leite}	0.0241	1	0.0241	3.192	2
{Manteiga, Queijo}	{Café}	0.0241	1	0.0241	1.886	2

# Itens com relevância de compra (Confidence)
regras_100 <- regra1[quality(regra1)$confidence == 1]
inspect(head(regras_100, 10))

# Scatterplot
plot(regra1, 
     method = 'scatter', 
     engine = 'htmlwidget',
     max = 250
     )

# Grafo
plot(regra1, 
     method = 'graph', 
     engine = 'htmlwidget', 
     max = 250
     )

Conclusão: Compreender os padrões de compras de um estabelecimento varejista, permite criar ofertas personalizadas, ajustar layouts da loja e otimizar mix de produtos para atender às necessidades e preferências dos clientes, aumentando a satisfação e impulsionando as vendas.