数据分析方法12：购物篮分析模型

1、背景

数据分析中有一个经典的案例，超市里经常会把婴儿的尿不湿和啤酒放在一起售卖，原因是经过数据分析发现，出来买尿不湿的家长以父亲居多，如果他们在尿不湿的同时看到了啤酒，将有很大的概率购买，这样就可以提高啤酒的销售量。

     其实，这种通过研究用户消费数据，将不同商品之间进行关联，并挖掘二者之联系，并挖掘二者之间联系的分析方法，就叫做商品关联分布法，也叫做“购物篮分析”。

2、定义

关联的定义就是反映某个事物与其他事物之间的相互依存关系的，在商品关联分析的定义是，通过对顾客的购买记录数据库进行某种规则的挖掘，最终发现顾客群体的购买习惯的内在共性。

对于内在共性，一般来说是女性去超市买的东西是化妆品，服装，时蔬等等，男性去超市买的东西大多是日用品，所以超市里会设置女性专柜和男性专柜，通过简单的客户分群实现商品分类。我们都知道，做数据分析的目的就是找到数据之间的关联和联系，而对于产品和商品来说，我们的目的是找出顾客购买行为的模式，比如说用户买了A商品，是否会对B商品产生什么影响，比如用户今天的购买行为，会不会对明天的销售量带来影响，比如不同的用户是否具有不同的购买模式

3、使用案例

从上图表分析可以看出，蔬菜和水果，肉类的商品关联性比较大，零食和生活用品的商品关联性较大，为了使得销售商品的最大化，我们可以采用以下几种销售方式

（1）优化商品布局

        通过分析能够得出，蔬菜，水果，肉类是相关性强的商品，生活用品和零食是相关性较强的商品 ，所以超市进行商品排列时，可以把这些强相关性的商品摆放得靠近一些，或者在统一渠道内，即方便购买，又可增加冲动购物。

（2）捆绑销售

        设计促销方案，依据商品关联分析的结果，将关联性强的商品可以设计捆绑销售，如同时购买这两种商品，可以优惠5%。

（3）用户推荐

        快速商品推荐，顾客购买完商品后，通过关联分析结果，可以推测该顾客还可能购买的商品，从而向他进行推荐。

4、模型优化

购物篮分析模型对于超市购物商品的销售的效果显而易见，但是有时候数据的显现可能是临时因素带来的效果，在真实的场景下商品销售效果就会暴露出来。而对于购物篮分析模型真正的用处在于解决弱关联的关系中找出商品之间的相关性，这样才能更大的利益最大化。

如何优化？

（1）记录用户的年龄，性别，职业，衣着，购物路线，选择的商品，购物时间等数据

（2）记录影响销售商品的因素，日期因素，地点因素，产品因素，天气因素，气味，照明等等

（3）记录商品的销售情况，分成好，中，良，差。

（4）综合以上因素，进行统计分析，找出商品之间的强关联关系，弱关联关系，互斥关系

（5）根据商品之间的关系再次进行销售

强关联关系：在相同或相邻的区域，或者一同进行促销

弱关联关系：尝试将这些商品在卖场中进行关联陈列

互斥关系：对这类商品组织专门的专卖店，专卖区域，在组织陈列时应该将这些陈列在一起，让客户有更多选择的余地，满足不同消费者的需求。

交叉陈列：在卖场按照商品关联关系在相同的区域、货架、排面组织不同的商品共同陈列，通过将不同毛利水平、具有关联关系的商品放在一起，既可以满足客户购买需求，又同时可以将商品的毛利互相弥补。

（6）对商品购物篮模型进行迭代更新