Wat is Association Rule?

Wat is een Association Rule eigenlijk?

Stel je voor dat je eigenaar bent van een supermarkt. Je merkt iets opmerkelijks: klanten die babyvoeding kopen, hebben vaak ook wc-papier in hun winkelwagen. Of mensen die pasta kopen, pakken meestal ook tomatensaus. Dat zijn geen toevalligheden — dat zijn association rules: patronen die laten zien welke dingen vaak samengaan.

Een association rule is een techniek uit klassieke machine learning die grote hoeveelheden data doorzoekt op zoek naar dit soort verbanden. Het algoritme kijkt naar duizenden transacties en zegt: "Als A gebeurt, dan gebeurt B vaak ook." Niet omdat het begrijpt waarom (dat doet het niet), maar omdat het statistisch vaak genoeg samen voorkomt.

De bekendste toepassing komt uit de retail: het zogenaamde "marktmand-analyse" (market basket analysis). Maar je ziet het ook in streamingdiensten ("wie dit keek, keek ook..."), medische diagnoses ("bij deze symptomen zie je vaak ook...") en zelfs fraudedetectie ("bij deze transactie hoort meestal ook...").

Hoe werkt het?

Een association rule bestaat uit twee delen: een antecedent (het 'als'-gedeelte) en een consequent (het 'dan'-gedeelte). Bijvoorbeeld: "Als iemand brood koopt (antecedent), dan koopt diegene vaak ook boter (consequent)."

Het algoritme berekent voor elke mogelijke regel drie belangrijke maten:

• Support: hoe vaak komt deze combinatie überhaupt voor? Als brood+boter slechts 2 keer voorkomt in 10.000 transacties, is het waarschijnlijk niet interessant.

• Confidence: als iemand het eerste product koopt, hoe groot is dan de kans dat ze ook het tweede kopen? Bij 80% confidence koopt 4 van de 5 broodkopers ook boter.

• Lift: is dit verband sterker dan je op basis van toeval zou verwachten? Een lift van 2.0 betekent dat de combinatie twee keer zo vaak voorkomt als je zou verwachten als ze onafhankelijk waren.

Het meest gebruikte algoritme heet Apriori (uit 1994). Het werkt slim: het begint met losse producten, vindt welke vaak voorkomen, en bouwt daar steeds grotere combinaties van. Daardoor hoeft het niet alle mogelijke combinaties te checken — dat zou bij duizenden producten astronomisch lang duren.

Een voorbeeld uit de praktijk

Een online boekwinkel gebruikt association rules om te ontdekken dat klanten die een kookboek over Italiaanse keuken kopen, vaak ook een boek over Italiaanse wijn bestellen. Dat verband was niet expres ingebouwd — het algoritme ontdekte het zelf door 50.000 aankoopgeschiedenissen te analyseren.

De winkel past daarop de productpagina aan: onder elk Italiaans kookboek verschijnt nu automatisch een suggestie voor wijnboeken. Resultaat: 12% meer extra verkopen zonder dat er een marketeer aan te pas kwam.

Of neem een ziekenhuis dat duizenden patiëntdossiers analyseert. Het vindt een association rule: "Patiënten met symptoom X én medicatie Y hebben in 65% van de gevallen ook complicatie Z." Artsen kunnen daar geen concrete diagnose op baseren, maar het helpt wel om alerter te zijn — een soort early warning.

Waar kom je het tegen?

Association rules zijn ingebouwd in bijna alle data-analyse tools:

• IBM SPSS Modeler en RapidMiner — standaard in hun toolkit voor retail en klantanalyse

• Orange Data Mining — gratis tool met een visuele interface, ook voor niet-programmeurs

• Microsoft Excel Power Pivot — via add-ins kun je basisversies van deze analyse uitvoeren

• Python en R — bibliotheken zoals mlxtend (Python) en arules (R) voor data scientists

Daarnaast zie je het onzichtbaar werken in aanbevelingssystemen van webshops, streamingdiensten en nieuwsapps. Niet altijd als hoofdalgoritme, maar vaak als extra laag naast andere technieken.

Wat kun je ermee — en wat niet?

Association rules zijn krachtig voor het ontdekken van verborgen patronen, maar ze vertellen je nooit waarom iets samenhangt. Het beroemde "luiers en bier"-voorbeeld (dat overigens nooit goed is bewezen) zou kunnen kloppen omdat vaders 's avonds snel even beide halen — maar het algoritme weet dat niet. Het ziet alleen: ze komen vaak samen voor.

Het is dus een ontdekkingsinstrument, geen verklaringsmachine. Je gebruikt het om interessante verbanden te vinden, en dan moet jij als mens bedenken wat je ermee doet. Soms blijkt een verband volslagen logisch, soms volkomen toevallig.

Wil je in je eigen data naar dit soort patronen zoeken? Begin klein: export je verkoopdata of websitegedrag naar Excel of een gratis tool als Orange. Zelfs zonder programmeerkennis kun je al verrassende verbanden ontdekken — en daar concrete acties aan koppelen.