연관규칙의 지지도·신뢰도·향상도 해석과 활용
연관규칙에서 지지도·신뢰도·향상도를 함께 해석하는 방법과 장바구니 분석, 리스크 탐지, 번들 전략의 적용 기준을 정리한다.
2026-08-14 · 최초 발행 2025-12-16
함께 발생한 패턴을 어떤 기준으로 남길 것인가
연관규칙은 품목 집합 X가 관찰될 때 품목 집합 Y도 함께 나타나는 경향을 X→Y 형태로 표현하는 데이터 마이닝 기법이다. 시장바구니 분석, 추천, 번들링, 사기 탐지에서는 규칙이 자주 나타나는지뿐 아니라 실제로 의미 있는 연관인지 판단해야 한다.
이를 위해 지지도(Support), 신뢰도(Confidence), 향상도(Lift)를 함께 사용한다.
- 지지도는 전체 거래 가운데 X와 Y가 동시에 발생한 비율이다.
S = count(X∩Y) / N - 신뢰도는 X가 발생했을 때 Y도 발생하는 조건부 확률이다.
C = count(X∩Y) / count(X) = P(Y|X) - 향상도는 X가 주어졌을 때 Y의 발생 확률이 베이스레이트와 비교해 얼마나 달라지는지 나타낸다.
L = P(Y|X) / P(Y) = P(X∩Y) / (P(X)·P(Y))
향상도는 L > 1이면 양의 연관, L = 1이면 독립, L < 1이면 음의 연관으로 해석한다.
예를 들어 전체 거래 N=10, count(X)=4, count(Y)=5, count(X∩Y)=3이라면 지지도는 3/10 = 0.3이다. 신뢰도는 3/4 = 0.75이며, 향상도는 0.75 / 0.5 = 1.5가 된다. 이 경우 X가 주어지면 Y의 발생 확률은 평균 대비 1.5배 상승한다.
빈도와 조건부 확률만으로는 부족한 이유
지지도는 반복적으로 나타난 규칙을 남기는 기준이다. 최소 지지도(min_support) 이상인 패턴만 채택하면 희소 아이템에서 우연히 생긴 조합을 걸러낼 수 있다. 거래 수가 많은 대규모 코호트에서는 해석 안정성도 높아진다. 다만 롱테일 아이템에서 유의미한 패턴까지 탈락할 수 있다는 트레이드오프가 있다.
신뢰도는 방향성을 가진다. X→Y와 Y→X는 같은 값이 아니므로 추천이나 캠페인 타깃팅에서 어느 쪽을 조건으로 둘지 구분하는 데 쓸 수 있다. 그러나 Y가 매우 흔한 품목이면 신뢰도가 높아도 정보가치는 낮을 수 있다. 이 베이스레이트 문제 때문에 신뢰도만으로 규칙을 평가하지 않고 향상도를 병행한다.
향상도는 독립일 때 기대되는 동시 발생과 실제 발생을 비교한다. 따라서 규칙의 정보가치를 판단하기에 적합하다. 반면 희소 사건의 조합에서는 분모가 작아져 수치가 과대해질 수 있다. 최소 지지도를 함께 적용해야 이 위험을 줄일 수 있다.
후보를 줄이고 운영 규칙으로 연결하는 과정
후보 규칙은 min_support로 먼저 걸러내고, 이후 min_confidence를 적용한 뒤 lift 기준 Top-K를 선정하는 흐름으로 다룰 수 있다. 중복되거나 더 일반적인 규칙에 포함되는 결과는 closed/maximal itemset, 규칙 축소, 우선순위 정책으로 정리한다.
운영 전에 홀드아웃 또는 시계열 분할로 재현성을 확인하고, 계절성이나 프로모션의 영향을 분리한다. 다중가설 문제는 False Discovery Rate 같은 보정을 고려할 수 있으며, 도메인 제약에 맞춘 화이트리스트와 블랙리스트도 해석 통제에 사용한다.
장바구니부터 리스크 신호까지
리테일과 이커머스에서는 교차판매, 번들·세트 기획, PDP와 장바구니 추천을 위해 연관규칙을 활용한다. 거래 로그를 수집한 뒤 품목 코드를 통합하고 품목 레벨을 정해 이진화한다. Apriori 또는 FP-Growth로 후보를 만들고, min_support와 min_confidence로 필터링한 다음 lift가 높은 규칙을 선별해 A/B 테스트로 운영에 반영한다. 동일 카테고리 안의 규칙과 카테고리 사이의 규칙을 나누고, 가격·마진·재고·배송 제약도 함께 반영한다.
금융과 리스크 탐지에서는 시간대·IP·거래유형처럼 비정상 이벤트의 조합을 규칙으로 탐색할 수 있다. 높은 lift 규칙을 기준으로 얼럿 우선순위를 조정하면 오탐을 줄이고 조사 효율을 높이는 데 활용할 수 있다.
헬스케어 진단 코호트에서는 동시 공병(comorbidity) 패턴을 파악해 치료 경로 설계와 선제적 스크리닝 프로토콜 수립에 연결한다. 시계열 분해를 통해 계절성 질환이라는 교란 요인을 분리하면 규칙의 안정성을 확인할 수 있다.
B2B 환경에서는 기능 모듈과 부가 서비스의 동시 채택 규칙을 바탕으로 번들을 제안한다. 이때는 마진과 채널 정책 제약 안에서 적합한 규칙을 골라야 한다.
운영 효과를 판단할 때 남겨야 할 기준
교차판매 매출은 +3~10%p, 추천 CTR은 +10~30% 상대 향상을 기대할 수 있다. 번들 기반의 재고 회전율 개선과 피킹 동선 최적화는 처리시간 단축으로 이어질 수 있다.
쿠폰과 세트 프로모션에서는 ROAS 개선을 검토할 수 있고, 무의미한 규칙을 제거하면 실험 비용을 줄일 수 있다. 리스크 관리에서는 사기 탐지 우선순위를 재정렬해 오탐률을 낮추고 조사 리드타임을 단축하는 데 활용한다.
규칙 추출과 검증 흐름
지지도는 규칙의 발생 빈도를, 신뢰도는 조건부 발생 가능성을, 향상도는 베이스레이트를 고려한 정보가치를 드러낸다. 실무에서는 min_support로 안정성을 확보하고 min_confidence로 후보를 좁힌 뒤, lift와 검증 결과를 바탕으로 우선순위를 정한다. 여기에 도메인 제약, 재고와 마진, 시계열 요인을 더해야 운영 가능한 규칙이 된다.