“啤酒与尿布”--零售业的购物篮分析包含了哪些数据挖掘算法？

提及“啤酒与尿布” 的故事，了解数据分析的朋友都会想到购物篮分析，以及对应的关联规则，对于门店的购物篮数据进行数据挖掘，就是所谓的关联规则挖掘（Associations Rule Mining）。
但是零售业的关联规则不仅仅只有购物篮分析（Market basket analysis），还应该包含相关性规则（Correlations rule）、时间序列规则（Sequence rules）、链接分析（link Analysis）、推荐系统（Recommendation system）等数据挖掘手法，这些挖掘手段共同构成关联规则挖掘（Associations Rule Mining），这才是完整的零售业关联规则数据挖掘。
我们以“啤酒与尿布”的故事为例：
“啤酒”与“尿布”二个商品经常出现在同一个购物篮中，产生了事物之间的频繁模式（Frequent Patterns），可以使用购物篮分析对这种频繁模式进行挖掘，找出其中的关联规则（Association Rule）。
假定“啤酒”与“尿布”之间存在着关联关系，对“啤酒”与“尿布”二种商品的销售量进行统计分析，可能会发现二种商品的销售量出现同升同降的现象，即出现了统计学意义的相关性表现，构成了相关性规则（Correlations rule），由于“啤酒”与“尿布”之间销量变化趋势，比如购买一包尿布会购买半打啤酒，这种量化销售指标使得“啤酒”与“尿布”的故事变得具有商业价值。
我们也知道，“啤酒与尿布”的故事并不是常态化的消费行为，而具有很强的时间序列特征（Sequence rules），仅仅出现在在美国职业棒球大联盟比赛周的周五晚上。
又比如在门店的购物篮数据分析过程中，可以对会员的购物篮数据进行长期跟踪， “啤酒与尿布”可能会出现在同一个顾客的多个购物篮中，呈现时间序列模式的关联关系，这种序列关联关系也是会员消费行为的重要规则，值得重视及有效利用。

在发现了“啤酒与尿布”之间的关联规则后，有时需要对卖场的陈列布局、动线与消费者轨迹进行分析，以达到最佳空间利用效果，此时就需要进行消费行为的链接分析（link Analysis）。

新零售业态的门店需要线上线下全流量打通，需要根据消费者的消费行为及商品敏感度、对消费者进行有效的商品推荐，因此会涉及到推荐系统（Recommendation system）。
以上几个部分共同构成了零售业的关联规则数据挖掘（Associations Rule Mining）。