×

据说上个世纪九十年代，沃尔玛的超市管理人‎‎员分析销售数据时发现了一‎‎个令人难于理解的现象，婴儿的纸尿裤和啤酒放通常会出现在一个订单里，经过数据分析发现，买尿不湿的家长以父亲居多，如果他们在买尿不湿的同时恰好看到了啤酒，就会有很大的概率购买，从而就能提高啤酒的销售量。这个案例被证实是虚构的，但是案例中的分析思路是可以应用在实际工作场景中的，通过实际案例来找出我们商品中类似 “啤酒与尿不湿“ 的购物篮组合。

购物篮分析，指的是将单个消费者的一次购物行为中购买的商品集合，通过对购物篮中商品组合进行数据分析，发现商品之间的关联关系（Relationship、Merchandise Mix Modeling），进而挖掘出消费者行为或商品组合规律，这种分析手段最早应用于超市的购物篮商品分析，因此被称为“购物篮分析”。

购物篮分析应用领域

●商品配置分析：哪些商品可以一起购买，关联商品如何陈列、促销；

●客户需求分析：分析顾客的购买习惯，顾客购买商品的时间、地点等；

●销售趋势分析：利用数据仓库对品种和库存的趋势进行分析，选定需要补充的商品，研究顾客购买趋势，分析季节性购买模式，确定降价商品；

●帮助供应商改进老产品及开发新品：通过购物篮分析，根据客户的需求，开发新的产品/改进老产品及产品包装。

购物篮分析的关键衡量指标有三个：1、支持度；2、置信度；3、提升度

购物篮分析流程图

为了更好地解释这三个指标，这里我先跟大家举个例子，后续就用这个例子说明

某超市30天订单数一共10000单，其中包含A商品的订单有600单，包含B商品的订单有400单，同时包含A和B两种商品的订单有300单。

购买A商品的概率 P(A)=(600/10000)*100%=6%

购买B商品的概率 P(B)=(400/10000)*100%=4%

同时购买A商品和B商品的概率 P(A∩B)=(300/10000)*100%=3%

1.支持度

支持度是指A和B两个商品同时被购买的概率，代表了这个组合的可靠程度

AB组合的支持度=同时包含A和B商品的订单数/总订单数*100%

在本例中,AB组合的支持度=P(A∩B)=(300/10000) *100%=3%

2.置信度

置信度是指先购买A之后又购买了B的条件概率,是买了A和B的订单占所有买了A的订单里的占比。

代表买了A的用户有多大概率会再买B，也就是买A产品对B产品产生了多大的影响

A对B的置信度=同时包含A和B商品的订单数/包含A商品的订单数*100%

在本例中,A对B的置信度=P(A∩B)/P(A)=(300/600)*100%=50%

3.提升度

A对B提升度=A对B的置信度/P(B)

提升度是一个比较难理解的指标。它的计算方法是 A对B的置信度/P(B)。提升度和置信度一样，也是一个条件概率。

A对B的置信度指的是在购买A商品的情况下，有多大概率再买B商品。

而P(B)则是不计其他商品的影响下，用户购买B的自然概率。

当置信度>P(B)时,A对B的提升度>1,则表示买A再买B的概率大于本身买B的概率,就表示用户买了A之后再买B的意愿要比自然情况下买B的意愿要强烈，组合AB商品会对B商品的销量带来提升。

当置信度＜P(B)时,A对B的提升度<1,则表示买A再买B的概率小于本身买B的概率,就表示用户买了A之后再买B的意愿要比自然情况下买B的意愿要低，组合AB商品会对B商品的销量带来降低。

当置信度等于P(B)时,A对B的提升度=1，则代表买A对买B没有影响，不会对B的销量带来提升或者降低。

在本例中，A对B的提升度=A对B的置信度/P(B)=50%/4%=12.5 表示用户买A后再买B的概率是自然情况下买B的概率的12.5倍,有较大的搭配价值,建议搭配。

当我们算出所有搭配的这三个指标后,我们可以设定合理的阈值来衡量每个搭配的优劣，最终就可以根据这些指标来确定合适的组合搭配了。

购物篮分析作为一种强大的数据分析工具，能够帮助商家深入理解顾客的购买习惯，从而做出更为精准的营销策略。