关联规则挖掘算法_数据挖掘十大经典算法之一关联规则挖掘的应用（一）

关联规则挖掘应用-“购物篮分析”

将单个客户一次购买商品的总和(以收银台结账为准)称为一个购物篮。那么购物篮分析就是针对商品的相关性进行分析。因为最初这种关联分析主要是在超市应用广泛，所以也称为“购物篮分析”。

购物篮分析是商业领域最前沿、最具挑战性的问题之一，也是许多企业研究的重点问题。购物篮分析是通过发现顾客在一次购买行为中放入购物篮中不同商品之间的关联，研究客户的购买行为，从而辅助零售企业制定营销策略的一种数据分析方法。

本章使用Apriori关联规则算法实现购物篮分析，发现超市不同商品之间的关联关系，并根据商品之间的关联规则制定销售策略。

背景与挖掘目标

现代商品种类繁多，顾客往往会由于需要购买的商品众多而变得疲于选择，且顾客并不会因为商品选择丰富而选择购买更多的商品。繁杂的选购过程往往会给顾客疲惫的购物体验。对于某些商品，顾客会选择同时购买，如面包与牛奶、薯片与可乐等，当面包与牛奶或者薯片与可乐分布在商场的两侧，且距离十分遥远时，顾客购买的欲望就会减少，在时间紧迫的情况下顾客甚至会放弃购买某些计划购买的商品。相反，把牛奶与面包摆放在相邻的位置，既给顾客提供便利，提升购物体验，又提高顾客购买的概率，达到了促销的目的。许多商场以打折方式作为主要促销手段，以更少的利润为代价获得更高的销量。打折往往会使顾客增加原计划购买商品的数量，对于原计划不打算购买且不必要的商品，打折的吸引力远远不足。而正确的商品摆放却能提醒顾客购买某些必需品，甚至吸引他们购买感兴趣的商品。

因此，为了获得最大的销售利润，销售什么样的商品，采用什么样的促销策略，商品在货架上如何摆放，了解顾客的购买习惯和偏好对销售商尤其重要。通过对商场销售数据进行分析，从而得到顾客的购买行为特征，并根据发现的规律而采取有效的行动，制定商品摆放、商品定价、新商品采购计划，对商场增加销量并获取最大利润有重要意义。

我们需要根据提供的数据实现以下目标。

1) 构建零售商品的Apriori关联规则模型，分析商品之间的关联性。

2) 根据模型结果给出销售策略。

预告：

数据挖掘十大经典算法之一关联规则挖掘的应用(二)-数据探索分析，将于本周五推送