Correlation rules: analisi di una tecnica di data mining e sua applicazione ai sistemi di telecomunicazione

8 1 Introduzione La nostra capacit� sia di generare che di raccogliere dati � andata rapidamente crescendo nelle ultime decadi; l�elevata mole di informazioni accumulate spesso nasconde al proprio interno informazioni concretamente sfruttabili ma difficilmente estraibili con i tradizionali strumenti di analisi; a questo proposito si sta sviluppando in questi anni una nuova disciplina, il Data Mining, che permette l�estrazione dell�informazione nascosta, presentandola poi all�utente sotto forma di pattern utili e facilmente comprensibili. Una tecnica di data mining molto diffusa ed utilizzata � l�estrazione delle association rules. Un problema tipico che si risolve generalmente con questa tecnica � la cosiddetta analisi dei carrelli della spesa: grazie ad essa si possono estrarre pattern che permettono di capire quali articoli il cliente tende ad acquistare contemporaneamente, informazione molto utile ad esempio per poter pianificare opportune campagne di marketing. Un esempio di regola estraibile con le association rules � la seguente: Se il cliente acquista latte, allora con una probabilità del 75% acquista anche zucchero La percentuale del 75%, che rappresenta l� �affidabilit�� della regola, viene detta confidenza. Questa misura, per�, in alcune situazioni � fuorviante: e se lo zucchero fosse comunque presente nel 75% di tutti i carrelli? L�utente vedendo la regola potrebbe erroneamente concludere che il latte incentiva l�acquisto dello zucchero (che invece in realt� non ne viene minimamente influenzato), e intraprendere errate campagne di marketing (ad esempio, proporre sconti sul latte nella speranza di aumentare anche le vendite dello zucchero). Per risolvere questo ed altri problemi, sono state proposte in letteratura le correlation rules, che permettono di estrarre regole del tipo: Latte e zucchero hanno una correlazione dell’87%