weixin_41680624的博客

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。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。为什么会出现这种令人尴尬的状况？

支持度计数（Sopport Conut）：在一个数据集合中的某个项集出现在几个购物篮中，支持度计数就是几，比如{苹果、牛奶}出现在购物篮1、购物篮2中，所以{苹果、牛奶}的支持度计数为2，在零售业中支持度计数是一个非常重要的指标，可以表示交易集合在限定交易数据中的总量（购物篮数量），以此提示关联关系的商业价值，比如有些购物篮的关联规则看上去很强，但是购物篮总数不多，商业价值也不会太高。以上面的购物篮为例，苹果与牛奶的提升度Lift（苹果->牛奶）=P(苹果/牛奶）/P（牛奶）=40%/60%=67%。

自下而上的品类跨层交叉模式：先将主分析对象确定为较低的层级，向上跨越品类层级寻找关联规则，如将主分析商品定为“嘉士伯啤酒”，将购物篮中的其他商品上升一级品类层级，如将各种规格、品牌的尿布升级为“尿布”品类，以此寻找“嘉士伯啤酒”与“尿布”的关联关系，或者寻找“帮宝适尿布”与“啤酒”品类的关联规则。品类层级对品类层级的平级关联：将购物篮中的商品进行品类升级，统一到同一层级的品类，比如“啤酒”与“尿布”就是二个同一个品类层级的关联关系，这是最常见的商品关联规则挖掘对象层级选择方法。

零售业的购物篮数据维度是最小零售单位（product level），即所谓的SKU级别，如果将这种最底层的商品单品直接进行购物篮分析，可能会出现数据颗粒度过于细小，商品之间的关联关系会被稀释，难以发现有意义的关联规则。第三级，即小分类级别，是中分类的下属管理对象，比如中分类啤酒品类下的进口啤酒、国产啤酒等，小分类级别会对应货架上具体的区域，如在啤酒货架上，有国产355ml听装燕京啤酒、也有进口640ml瓶装嘉士伯啤酒。每家零售企业的分类方式都不同，但基本会有大分类、中分类、小分类、细分类等。

*摘樱桃者：**计划购买啤酒，到了门店发现大箱啤酒促销，本来想随便买点下酒菜，但大箱啤酒将双手占据，拿不了更多的东西，只能拿了促销的大箱啤酒离店，对于顾客是一笔合算的买卖、但是负毛利促销的啤酒没有购物篮的整体弥补，对于门店来说是一笔失败的买卖。**互斥商品：**原计划购买某卤菜，后发现某熟食的品相更好，于是不再购买某卤菜、取而代之购买了熟食，熟食品与卤菜形成了互斥关系。**向上销售：**计划购买啤酒，由于门店的酒类陈列、促销等原因，最终购买了葡萄酒，形成了向上销售的购物篮。

在电商平台上，顾客将商品放入购物篮，不结账放弃购买的行为是大量存在，由于可以随时跟踪到顾客的全程消费轨迹，因此被放弃的购物篮被作为改进网页的商品陈列、价格策略、促销手段的数据依据，从而改善电商平台的顾客转换率、并提升销售业绩的指标。互斥商品关系，指的是一种商品出现、则另一种商品必然不出现的购物篮销售现象，商品之间的向上销售、向下销售也是互斥商品的一种表现形式，代表了商品之间的替代关系，互斥商品呈现了商品的负关联关系。有一种方法，如对比门店的客流量及转化率，逐渐累计相关数据，就可以发现被放弃的购物篮。

对应商务事件之间的基本关联关系类型，零售业的购物篮中，商品之间的关联关系会出现以下八种关联表现形式：

实体门店的数字化至今依然处于一个比较初级的阶段，门店的几乎所有设备都是智能数字化设备，可惜这些设备之间都是“数字孤岛”，相互不联通，而且各个厂商将这些数据接口视同为自己的“禁地”，都想以自己数据为中心形成数据中台，从这个角度出发，也是各个厂商难以完成统一门店数字化的根本原因。