🛒 Recomendação de Compras em Cesta com Regras de Associação

📌 Descrição

Este projeto demonstra como aplicar técnicas de Data Mining com Regras de Associação para identificar padrões de compra em dados transacionais de supermercado. Utilizamos o dataset público Groceries Dataset (Kaggle) para extrair insights valiosos sobre o comportamento de compra dos clientes, como itens frequentemente comprados juntos e oportunidades de promoções cruzadas.

A base teórica inclui os algoritmos Apriori e o uso de métricas como suporte, confiança e lift.

---

📊 Objetivos

• Descobrir padrões ocultos nas transações.
• Gerar regras de associação usando o algoritmo Apriori.
• Identificar oportunidades de marketing, como produtos frequentemente comprados juntos.
• Simular como sistemas de recomendação (como os da Amazon ou Mercado Livre) funcionam com base em itens comprados em conjunto.

---

📁 Dataset

• Fonte: Kaggle – heeraldedhia/groceries-dataset

• Formato: CSV

• Colunas:

  • Member_number: ID do cliente
  • Date: data da compra
  • itemDescription: produto comprado

---

⚙️ Tecnologias e Bibliotecas

• Python 3
• Pandas
• mlxtend (para Apriori e regras de associação)
• KaggleHub (para carregar datasets do Kaggle)
• Matplotlib / Seaborn (opcional para visualizações)
• tabulate (para exibir tabelas formatadas)

---

🚀 Como Executar

1. Clone o repositório:

   git clone https://github.com/seuusuario/market-basket-analysis.git
   cd market-basket-analysis

2. Instale as dependências:

   pip install pandas mlxtend kagglehub tabulate

3. Execute o script Jupyter ou .py com seu ambiente Python favorito.

---

🔍 Resultados

📈 Top 10 Produtos Mais Frequentes

Produto	Suporte (%)
whole milk	15.7
other vegetables	12.2
rolls/buns	11.0
soda	9.7
yogurt	8.5

📋 Top 5 Regras de Associação

Antecedente	Consequente	Lift	Confiança
curd	sausage	1.45	8.7%
brown bread	canned beer	1.36	6.3%
sausage	curd	1.45	4.8%

🎯 Resumo Visual para Apresentação:

Insight	Ação Recomendável
Whole milk é o item mais frequente	Destaque na loja/app
curd → sausage (lift 1.45)	Promoção cruzada
brown bread → canned beer	Sugestão no carrinho
sausage é central em várias regras	Produto-chave para estratégias
Vegetais + frankfurter	Perfil misto: saudável + rápido

---

📚 Conceitos Envolvidos

• Regras de Associação: Identificação de produtos frequentemente comprados em conjunto.
• Apriori Algorithm: Algoritmo para encontrar itemsets frequentes de forma eficiente.
• Lift: Mede o quão mais provável é a compra conjunta em comparação ao acaso.

---

📌 Aplicações Reais

• Recomendação de produtos em e-commerces.
• Promoções cruzadas e planejamento de layout em supermercados.
• Análise de comportamento do consumidor.

---