AtoZ novaspráticaseminformaçãoeconhecimento ISSN:2237-826X Análisis de Canasta de mercado en supermercados mediante mapas auto-organizados Market basket analysis in supermarkets using self-organized maps JoaquínIgnacioCorderoLustig 1 ,AlfredoBolt 2 ,MauricioA.Valle 3 1 Universidad Finis Terrae, Providencia, Chile. ORCID: https://orcid.org/0000-0003-2809-3133 2 Universidad Finis Terrae, Providencia, Chile. ORCID: https://orcid.org/0000-0003-1901-9804 2 Universidad Finis Terrae, Providencia, Chile. ORCID: https://orcid.org/0000-0003-1362-2776 Autor para correspondência/Mail to: AlfredoBolt,abolt@uft.cl Recebido/Submitted: 15dejunhode2021; Aceito/Approved: 29desetembrode2021 Copyright c 2021 Lusting, Bolt, & Valle.TodooconteúdodaRevista(incluindo-seinstruções,políticaeditorialemodelos)estásobumalicençaCreativeCommons Atribuição4.0Internacional.AoserempublicadosporestaRevista,osartigossãodelivreusoemambienteseducacionais,depesquisaenãocomerciais,com atribuiçãodeautoriaobrigatória.Maisinformaçõesem http://revistas.ufpr.br/atoz/about/submissions#copyrightNotice. Resumo Introucción: lascanastasdemercadoocanastasdecompra,sontodoslosproductosquesoncompradosporunclienteenundeterminado momento.Elanálisisdeestascanastasnospermiteconocerlaspreferenciasdenuestrosclientes,loquepuedeserutilizadoparadiversos ﬁnes: operativos,publicitarios,estratégicosylogísticos.Lomejordetodo:nospermite“predecir”susfuturaspreferencias.Sepresentaelcasode estudiodeunaimportantecadenadesupermercadosdelazonaponientedelacapitaldeChilequenecesitaobtenerinformaciónclaveacerca delascanastasdecompradesusclientesparatomardecisiones. Método: serealizóunpreprocesamientodedatosparatransformarlosdatos originalesencanastasdecompra.Seutilizóunalgoritmodeclústeringdecanastasdecompramedianteredesneuronalesartiﬁcialesdela clasemapasauto-organizados-selforganizingmaps(SOM).Lautilizacióndelalgoritmoincluyólabúsquedadelosmejoreshiperparámetros: tamañodelagrillaytasadeaprendizaje. Resultados: elresultadodelmejorSOMencontradoidentiﬁca ﬁnalmenteseisclústeresdecanastas decompracentradasalrededordealgúnproductopredominanteereconocelosproductosmásrelacionadosaellos. Conclusiones: sehan hechorecomendacionessobrecanastasdecomprafrecuentesalacadenadesupermercadosquehaproporcionadolosdatosutilizadosenla investigación. Palavras-chave: SOM;Análisisdecanastadecompra;Python,MineríadeDatos;RedesNeuronales. Abstract Introduction: market baskets, or shopping baskets, are all products that are purchased by a customer at a certain point in time. The analysis of these baskets allows us to know the preferences of our customers, which can be used for various operational, advertising, strategic and logistical purposes. Best of all: it allows us to "predict" their future preferences. We present the case study of an important supermarket chain in the western part of the capital of Chile that needs to obtain key information about their customer market baskets to make decisions. Method: data preprocessing was performed in order to transform the original data into market baskets. We clustered market baskets using artiﬁcial neural networks of the self-organizing maps (SOM) class. The use of the algorithm included the search for the best hyperparameters: grid size and learning rate. Results: the result of the best SOM found identiﬁes six clusters of market baskets, each based in one predominant product, and identiﬁes the products most related to them. Conclusions: recommendations on frequent shopping baskets have been made to the supermarket chain that has provided the data used in the research. Keywords: Digital environments; Attitudes; Personal learning environments; PLE. INTRODUCCIÓN El contexto de la presente investigación se reﬁere al análisis del comportamiento de los clientes de supermercados al momento de comprar productos. Esto porque determinados productos, habitualmente, se complementan con productos predeterminados; de esta manera, analizando una gran cantidad de datos relacionados a las boletas de compra de los clientes, se puede llegar a obtener patrones de compra de productos. De ahí el nombre “Market Basket Analysis” que trata del análisis de las canastas de compra de los clientes en supermercados. Toda esta información transaccional (como la fecha, id de transacción, productos comprados por cada cliente) representa un gran volumen de datos. Cada compra en el sistema está asociada a una transacción en particular, la cual nos ayuda a identiﬁcar los productos adquiridos dentro de esa canasta. De esta manera, podemos encontrar patrones en los productos que se adquieren en conjunto. Estos patrones y relaciones pueden ser utilizados para conformar promociones y/o que eventualmente se puedan tomar decisiones con respecto a las compras de los clientes y establecer relaciones entre los productos: se podría determinar cuáles productos en las vitrinas podrían ir acompañados con sus complementos. Debido a esta gran cantidad de información almacenada y a las complejas relaciones que cada producto de esta contiene, proponemos utilizar técnicas de inteligencia artiﬁcial (en concreto, redes neuronales de tipo mapas auto-organizados) para poder analizar, trabajar y descubrir estas relaciones. 1