那些店铺之间存在客流交换？--零售业相关性分析实例

在传统的统计分析技术中，相关性分析是一种简单、实用的分析技术。
相关性分析英文名为Correlation Analysis，也可以称为Correlation Mining（相关性数据挖掘）。
相关性分析方法可以衡量二组以上连续变量之间的相关性及其相关性的强弱，并用适当的统计指标表示出来。
传统统计学认为，如果二组变量总是一同发生变化，则说明它们具有相关性（无论是正向还是反向相关）。
现实中二组变量之间的变化有些比较明确、有些变化比较隐含、有些要通过第三方进行映射完成。
相关性分析具有2个明显的优点，第一可以采取很简单的数值进行描述，第二相关性分析不受变量单位的限制，如在零售业可以计算温度变化对饮料销售量之间的相关性，也可以根据店面湿度与水产品销售金额进行相关性分析。
在零售业，相关性分析可以用于价格分析，寻找商品价格与销量之间的相互影响关系等，即后面提及的量价分析。
为了简便起见，零售业的相关性分析大多使用二组变量作为分析基准，在进行多组（三组以上）变量的发展预测时，需要采取更加复杂的分析方法，并可以与回归分析相结合使用（比如进行销售预测、促销预测），在此不做更多的阐述。
零售相关性分析的数据来源：
用于相关性分析的数据类型，分为线性连续变量、非线性离散变量二大类型，在零售业，最靠谱的数据就是产生于POS机的交易数据，属于连续性变量，变量为商品销售量、销售金额等，也会有一部分非线性离散型变量（比如环境变量）。
相关性分析的基本算法：
相关性的算法很多，最常见的就是皮尔森相关性系数分析法。
皮尔森相关性分析方法在统计学属于经典相关性分析（Canonical Correlation Analysis：CCA），采取皮尔森相关性分析法可以用来计算二个或多个事物之间的相关性，如果事物之间的指标超出二个，即所谓高维数据项，一般建议采取降维的方法，从多个数据指标中，提取2-3个最为重要的数据。
皮尔森相关性分析最终计算结果为皮尔森相关性系数r值，在此不再 过多介绍。
采取散点图表示事务之间相关性
采取r值表示事务之间的相关性事实与强弱并不直观，可采取散点图的方式，使得事务之间的相关性更加直观。
下面以某购物中心的店铺间的客流相关性为例，介绍散点图的实用方法。
在购物中心的运营中，需要了解不同店铺之间的客流相互关系，由于无法获取每家店铺的消费者消费数据，在此情况下，只能对不同店铺的某些指标进行相关性分析，以此揭示店铺之间的相互关系，本案例提取了店铺的客流量进行相关性分析。
下图为二家店铺的日客流量相关性分析。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Xnfchlqe-1682300027416)(null)]

Ø 图中左上角二家店铺的客流量呈现线性正相关性，表明二家店铺之间的客流量是正相关关系。
Ø 图中右上角二家店铺的客流量 呈现线性负相关性，表明二家店铺之间的客流量是负相关关系，
Ø 图中左下角二家店铺的客流量相关性不明显，此时我们认为二家店铺的客流量的相关性是随机的。
Ø 图中右下角二家店铺的客流量毫无规律，此时我们认为二家店铺的客流量是无关的。

店铺客流量相关性分析图

根据散点图显示二家店铺之间客流量之间的相关性，计算结果为四种结果，对应了店铺之间的四种相关关系；
Ø 店铺之间正相关，说明店铺之间的客流量存在着同升同降的特征，如果店铺之间空间邻近且体量相当，说明了业态聚集的有效性，即出现了店铺之间的客流交换，如果店铺之间空间临近且体量不相当，说明店铺之间可能存在着业态寄生关系，如果店铺之间的空间不临近，店铺之间的客流是否有交换需要验证。
Ø 店铺之间负相关，说明店铺之间的客流量呈现反向线性变化趋势，代表了店铺之间存在着业态冲突、排斥关系，店铺之间的客流相互冲突，代表了店铺之间的消费群体不一致、或消费行为的不一致。
Ø 店铺之间相关性的随机性，店铺之间客流量的相关性呈现随机性在业态组合中也很常见，这种随机性可能体现在店铺之间的客流交换随机性很强。
店铺之间无关关系：店铺之间的客流量从数据分析层面，表现为无关关系，说明二家店铺的消费群体之间相互无关。