Association-Rules für Warenkorb-Empfehlungen im Online-Großhandel
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst 18 Monate Bestellungen (rund 4 Mio. Zeilen) und einen Produktkatalog mit Hierarchie (Warengruppe → Kategorie → Artikel). Implementiere Apriori oder FP-Growth (mlxtend) mit Schwellen für Support, Konfidenz und Lift, die du begründest. Filtere Regeln nach Geschäftsregeln (z. B. nicht innerhalb derselben Kategorie, nicht für Aktionsartikel) und liefere die Top-200 inklusive einer JSON-Ausspielform, die das Produkt-Team direkt einbinden kann. Schwierigster Teil: Regeln, die statistisch stark, aber geschäftlich trivial sind (Salz → Pfeffer), müssen ausgefiltert werden.
Das Briefing
Was Du tust und was Du zeigst.
Wie generiert man aus 18 Monaten Bestelldaten die Top-200 produktiv ausspielbaren Warenkorb-Regeln, ohne triviale Korrelationen zu zeigen?
Earning criteria — what you'll demonstrate
- Apriori bzw. FP-Growth auf realer Warenkorb-Größenordnung anwenden
- Support/Konfidenz/Lift — die drei klassischen Regel-Metriken — begründet wählen
- Statistisch starke vs. geschäftlich nützliche Regeln voneinander trennen
- Einen A/B-Test mit ausreichender Sample-Size planen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Association-Rules sind ein klassisches Data-Mining-Werkzeug, das immer noch in Empfehlungs-Slots produktiv ist — die Challenge liefert eine end-to-end-Demonstration vom Rohdatensatz bis zum A/B-Test-Plan.
Dieses Projekt schärft
- association-rules
- apriori
- feature-engineering
Machine Learning Engineer
Eine produktive Regel-Pipeline mit JSON-Ausspielung und Schwellen-Tuning ist eine typische erste Aufgabe für ML Engineers in Retail- und Marketplace-Teams.
Dieses Projekt schärft
- python
- fp-growth
- data-cleaning
AI Engineer
Die Schnittstelle zwischen Modell-Output und Produkt-Endpunkt sauber zu schneiden ist Tagesgeschäft eines AI Engineers — die Challenge übt genau das.
Dieses Projekt schärft
- python
- association-rules
- feature-engineering
Noch eine Sache