1. 购物篮分析概述
大家好，我是老张。今天咱们聊聊购物篮分析。说实话，这玩意儿听起来挺高大上，但说白了就是——看看顾客买东西时，哪些商品总爱凑在一起。
我刚开始接触这个领域时，是在一家零售公司做数据顾问。老板问我：“你能不能告诉我，顾客买了啤酒之后，还会顺手拿什么？”我当时一愣，心想这问题问得真刁钻。后来我才知道，这就是购物篮分析最经典的应用场景。
什么是购物篮分析？
购物篮分析，英文叫 Market Basket Analysis，简称 MBA（别跟工商管理硕士搞混了）。它的核心任务就是：从海量交易数据中，找出商品之间的关联关系。
你想想看，每个顾客的购物篮里，都藏着他的消费习惯。有人买面包必买牛奶，有人买薯片必买可乐。这些规律，光靠肉眼是看不出来的。但用关联规则挖掘算法，就能把这些隐藏的模式挖出来。
核心概念：
- 支持度（Support）：某商品组合出现的频率。比如“啤酒+尿布”同时出现的订单数占总订单数的比例。
- 置信度（Confidence）：买了A的情况下，也买B的概率。比如买了啤酒的顾客中，有多少人也买了尿布。
- 提升度（Lift）：A和B的相关性强度。大于1表示正相关，小于1表示负相关。
嗯，这里要注意：高支持度不一定有用，高置信度也不一定靠谱。我见过不少新手，一上来就盯着置信度看，结果挖出来的规则全是“买牛奶的人也买面包”——这种常识性的东西，根本没啥商业价值。
关联规则挖掘的起源：啤酒与尿布的故事
说到购物篮分析，就绕不开那个经典案例——啤酒与尿布。
这个故事我估计你们都听过。上世纪90年代，沃尔玛的数据分析师发现了一个奇怪的现象：每到周五晚上，啤酒和尿布的销量会同时上升。
为什么会这样？
后来他们调查发现，原来是年轻爸爸们下班后去超市买尿布，顺便犒劳自己几瓶啤酒。这个发现让沃尔玛把啤酒和尿布摆在一起，结果销量双双上涨。
我个人习惯把这个故事当作入门案例来讲。因为它完美诠释了关联规则挖掘的价值——发现那些看似无关，实则紧密相连的商品关系。
我的经验： 别把“啤酒与尿布”当成神话。我在实际项目中遇到过类似的情况，但大多数关联规则并没有那么戏剧化。真正有价值的规则，往往是那些提升度在1.5到3之间的组合。太高了可能是数据异常，太低了又没啥意义。
应用场景与商业价值
购物篮分析的应用场景，比你想象的要广得多。我简单列几个常见的：
| 场景 | 具体应用 | 商业价值 |
|---|---|---|
| 零售超市 | 商品摆放优化、捆绑促销 | 提升客单价，减少库存积压 |
| 电商平台 | “买了还买”推荐、购物车加购提醒 | 提高转化率，增加复购率 |
| 金融行业 | 信用卡消费行为分析、交叉销售 | 精准营销，降低获客成本 |
| 医疗健康 | 疾病症状关联分析、药物组合推荐 | 辅助诊断，优化治疗方案 |
我曾经帮一家连锁药店做过购物篮分析。结果发现，买感冒药的人，有30%会顺手买一包维生素C。这个发现让他们在收银台旁边摆了个维生素C的小货架，一个月内销量涨了15%。
避坑指南： 我曾经踩过一个坑——数据清洗没做好。原始交易数据里有很多“退货记录”和“员工内部购买”，这些数据如果不剔除，挖出来的规则全是错的。所以，数据质量永远是第一位的。
说白了，购物篮分析的价值就三点：
- 提升销售额——通过捆绑销售和交叉推荐，让顾客多花钱。
- 优化库存——知道哪些商品经常一起卖，就可以合理备货。
- 改善用户体验——给顾客推荐他们真正需要的东西，而不是瞎推。
你想想看，如果你去超市买啤酒，收银员告诉你“今天尿布打八折”，你是不是会觉得这超市挺懂你的？这就是购物篮分析的魅力所在。
好了，这一章就聊到这儿。下一章咱们会深入讲关联规则挖掘的核心算法——Apriori算法。我会用实际代码带你们跑一遍，看看怎么从数据里挖出那些隐藏的规则。
本章小结：
- 购物篮分析就是找商品之间的关联关系
- 支持度、置信度、提升度是三个核心指标
- 啤酒与尿布的故事告诉我们：数据里藏着意想不到的商机
- 应用场景覆盖零售、电商、金融、医疗等多个行业
公众号:蓝海资料掘金营，微信deep3321