Comment déterminer si les produits ont été achetés ensemble et sont complémentaires?

Pour identifier les produits achetés ensemble et qui sont complémentaires, on utilise souvent des méthodes d’analyse des règles d’association (association rule mining). L’un des algorithmes classiques est Apriori, qui trouve des ensembles fréquents de produits dans des transactions.

Étapes principales :

1. Collecte des données d’achats (transactions), chaque transaction étant une liste de produits achetés.
2. Calcul des ensembles fréquents de produits apparaissant ensemble avec un support minimal.
3. Construction de règles du type "si le produit A est acheté, alors avec une certaine probabilité X, le produit B sera acheté" en évaluant des métriques comme le support, la confiance et le lift.

Exemple :

• Support : proportion de transactions contenant les deux produits.
• Confiance : probabilité d’acheter le produit B si le produit A a été acheté.
• Lift : mesure dans laquelle l’achat du produit B est plus probable lorsque le produit A est acheté, par rapport à la moyenne.

Si lift > 1, les produits sont considérés comme complémentaires.

Pour l’implémentation, on peut utiliser des bibliothèques comme mlxtend en Python :

from mlxtend.frequent_patterns import apriori, association_rules
import pandas as pd

# Exemple de données : chaque ligne est une transaction, colonnes sont des produits
# True/False indique si le produit a été acheté

data = pd.DataFrame({
    'milk': [True, False, True, True],
    'bread': [True, True, False, True],
    'butter': [False, True, True, True],
})

frequent_itemsets = apriori(data, min_support=0.5, use_colnames=True)
rules = association_rules(frequent_itemsets, metric="lift", min_threshold=1)
print(rules[['antecedents', 'consequents', 'support', 'confidence', 'lift']])

Ainsi, on peut identifier des paires ou ensembles de produits achetés fréquemment ensemble et utiliser ces données pour des recommandations ou pour optimiser la présentation en magasin.