购物篮分析为什么在零售业无法普及？--Apriori算法的困境（一）

Apriori算法在零售业的困境：
Apriori算法从1993年出现，30年来算法不断得到补充、修正、改善，应该说是一个非常成熟的算法了，但是令人尴尬的是，尽管Apriori算法位居数据挖掘十大明星算法之一，但是Apriori算法在零售业始终是雷声大雨点小，对于一个出现了30年的明星算法，这种局面让人感到尴尬。
Apriori算法范例80%以上都采取了超市购物篮，使用购物篮中的商品组合介绍关联规则的概念及算法，但令人尴尬的是，尽管很多数据分析师解释得头头是道，报表也做得很有说服力，但很少有零售界（尤其是超市）的运营者会对这些购物篮分析结果感兴趣。
很多零售业者可以接受“啤酒与尿布”的故事，但是不会接受将Apriori算法直接应用到日常运营管理中，因为他们看不到商品关联关系给门店业务带来的商业价值。
为什么会出现这种令人尴尬的状况？
Apriori算法在零售业（尤其是国内零售业）难以推广，有数据分析人员缺乏零售业务知识、Apriori算法的暴力遍历、关联规则的评估标准难以令人信服等原因，但是Apriori算法缺乏量化实践，也是导致Apriori算法陷入困境的原因之一。
数据分析界认为，以Apriori算法为代表的关联规则，其商业价值应该由关联规则的强度及有趣（strength and interestingness of association rules）二个部分组成。
Apriori算法采取支持度-置信度框架（support-confidence framework）对关联规则进行评分，评分高低对应了关联规则的强弱，高评分被认为是“强的”关联规则、低评分被认为是“弱的”关联规则，很多学者认为只要是“强的”关联规则，零售用户就完全应该接受，这是把零售业关联关系的商业价值过于理想化、也过于简化了！
Apriori算法是布尔型模型（Boolean Model），而零售业非常注重量化经营指标，如销售金额、销量、销售价格、购物篮金额都是重点经营指标，Apriori算法对这些经营指标予以忽略，把购物篮中商品的经营指标简化为布尔型，支持度-置信度指标是一种事务出现的概率，这种概率不能对应零售业的量化经营指标，没有量化描述，算法就不能得到零售业者的欢迎。
数据分析界某些人喜欢忽略指标的量化(Ignores Item Amount)，规避复杂的商业问题，以此突出算法的强大，因此会有一些看上去很强大、但数值计算能力很弱的算法（Not a good algorithm for numeric data），国内的Apriori算法运用也大致也属于此类情况。
Apriori算法推出30年间，在理论层面获得了巨大的成功，但没有在国内零售界大面积落地应用，主要问题就在于量化分析实践的缺乏。