- 사용자의 구매, 찜, 클릭 등 행동 패턴에서 상품 간 연관성을 추출하고, 이를 추천 규칙으로 적용하는 방식
- 복잡한 모델 학습 없이 SQL과 Python만으로 구현 가능해 가장 실천하기 쉬운 추천 방식
- 패션 코디처럼 자연스럽고 반복적인 행동 패턴일수록 추천 신뢰도가 높아짐
- 프로세스는 사용자 행동 데이터 수집 → 상품 간 연관성 분석 → 연관 규칙 평가 → 추천 제공 순으로 이어짐
사용자 행동 데이터 수집 : 구매, 찜, 장바구니 추가, 클릭 등 사용자 행동 로그를 수집. "A 상품을 구매한 뒤 B 상품에 반응한 비율"처럼 행동의 순서와 조합이 핵심 데이터
상품 간 연관성 분석 : PostgreSQL로 데이터를 정리하고, pandas로 상품 조합별 행동 빈도를 집계. 특정 조합의 비율이 임계치 이상이면 연관성 있는 조합으로 판단. 상품 조합이 많아지면 Python의 mlxtend 라이브러리(Apriori 알고리즘)로 자동화
연관 규칙 평가 : 세 가지 지표로 연관성을 판단
- 지지도(Support) : 전체 거래 중 특정 상품 조합이 함께 등장한 비율
- 신뢰도(Confidence) : A 상품 구매 시 B 상품도 함께 구매된 조건부 확률
- 향상도(Lift) : 두 상품의 연관성이 우연보다 얼마나 높은지 수치화. 향상도가 높을수록 우연이 아닌 실제 연관성이 강한 조합
세 지표를 모두 충족한 조합만 추천 규칙으로 등록. 예를 들어 "라이트 블루 데님 자켓 구매자의 47%가 화이트 와이드 팬츠도 함께 구매"라면 추천 규칙으로 적용