本文作者为永洪科技高级咨询顾问
在上篇文章《AI实现流失预警与成本预测，业务新人零技术搞定高阶技能》中，我们学会了永洪深度分析模块中的两种预测算法：“逻辑回归分析”和“时序预测”的应用，本篇文章将为大家讲解深度分析模块中的“关联分析”应用实践。
1998年《哈佛商业评论》上刊登了这样一则案例：20世纪90年代的美国沃尔玛超市中，管理人员分析销售数据时发现了一个令人费解的现象：在某些特定情况下，“啤酒”与“尿布”两件看上去毫无关联的商品会经常一同出现在购物篮中，这一独特的销售现象引起了管理人员的注意。
后经过调查发现，这种现象出年轻父亲的身上：刚有婴儿的美国家庭中，目前负责照看婴儿，年轻的父亲来到超市进行采购，在购买尿布时，他往往会顺便为自己购买啤酒，因此，啤酒与尿布两件看上去毫不相干的商品经常一同出现在购物车中。如果这个父亲在商场中只能买到两件商品之一，则他可能会放弃购买转而选择另一家商店，知道一次可以同时购买到啤酒与尿布。
沃尔玛发现这一现象，开始在卖场中尝试将啤酒与尿布摆放在同一区域，让年轻父亲可以同时找到这两件商品，快速完成购物，同时也可以确保客户购买两件商品，而非其中一件，从而获得更高的销售收入，这就是“啤酒与尿布”故事的由来。
“啤酒与尿布”的案例可以说已经成为从营销界到数据分析行业的经典段子，这个故事的实质其实就是商品的交叉销售，放到今天就犹如电商网站的商品推荐。研究这种关联关系的方法就是购物篮分析，购物篮分析可以帮助我们在门店、网站的销售过程中找到具有关联关系的商品，以此推动销售额的增长。
商品的关联分析是购物篮分析中最重要的部分。关联分析又称关联挖掘，就是在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象集合之间的频繁模式、关联、相关性或因果结构。就像在购物篮中频繁出现的“啤酒与尿布”组合。
关联分析算法有很多，例如Apriori算法、基于划分的算法、FP-growth算法等。如今，关联分析已经不仅仅运用于零售、快消行业，也更多地运用在互联网、金融、医学、气象、交通等行业，在推荐、反欺诈、精准营销等领域有深入应用。
Yonghong Z-Suite V7.5深度分析模块提供关联规则算法，用户可直接通过拖拽实现关联规则挖掘模型构建。考虑如下场景，某连锁超市有所有用户的消费数据，通过Yonghong完成了数据处理，经过处理后得到图1一张宽表，包含：信用卡ID、用户年龄、性别、收入、支付方式、以及商品购买清单等信息。
我们希望了解交易数库中不同商品项的关联，找出客户的购买行为模式。则可以通过运用深度分析模块，进行深度信息挖掘，具体步骤如下：
- 添加数据节点后，拖入购物篮模型：
- 进行参数配置，在关联规则节点，选择合适的支持度和置信度，得到关联规则。设置10%的支持度，设置80%的置信度，最小项数为2，最大项数为4，将所有购买的产品添加为自变量列：
- 点击运行，即可查看结果展示：
- 结果分析
1）以第一条数据为例，bear（啤酒 ）和frozenmeal（冻肉）是左项、cannedveg（罐装蔬菜）是右项、支持度（Support）表示购买左项（啤酒和冻肉）的记录数占所有的购买记录数的百分比、置信度（confidence）表示同时购买左项和右项的记录数占购买后项（蔬菜）记录数的百分比，提升度（Lift）表示置信度与已知右项的百分比的比值，提升大于 1 的规则才是有意义的。
2）根据结果可以看出购买了啤酒、冻肉的顾客，同时有85.9%购买了罐头蔬菜，而且提升度为2.834，表明此规则的相关性很强。由此可知，啤酒和冻肉、罐装蔬菜放在一起销售比较合理。
注：以上的深度分析应用案例基于Yonghong Z-Suite V7.5版本，使用前需要先配置R环境。以下为两种主要推荐的方式：
1）windows安装产品，推荐用linux虚拟机的方式：
安装linux虚拟机，里面有已经配置好的R和Rserve，把Rserve启动即可。
2）linux安装产品，推荐用docker镜像的方式：
在linux上安装docker，下载R的docker镜像（里面是centos7，已经包含R和Rserve），启动docker，把Rserve启动即可。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
