数据分析：精准提高商品购买数量和单价

忙于项目和公司的事情，好久没有写关于数据分析的文章，很多关注我的朋友都在催促我更新。其实，一直都有在想写也在纠结写什么内容的文章，刚好最近做了一个关联销售的项目，这个项目比较易懂，实际用处也比较大，所以这次就写一个关联销售的案例。

一、案例背景：

超市的运营和管理，涉及的心理和营销上的知识其实是非常复杂的，从心理上来说，超市通常快消品为主，主力产品价格不高，但是面对的人群大，又都是必需品，在采购时常出现即兴的情形的非常多，经常可能由于某些因素引发冲动购物。在购买时，起决定作用的往往是自己的需求和喜好，当然商品的包装、广告、促销、价格等均对销售起着重要作用。

另外需要注意的是，超市商品类别和价格的差异并不大，价格竞争的空间很小。所以，我们经常看到超市为了提高销售，经常会做促销、打折，那么如何设计受欢迎的促销方案就成了超市竞争客户的一个关键点，这就要求超市分析消费者购物的个人偏好，并且找到共性。

这个案例就是通过分析一家销售超市的销售情况，试图根据顾客的购买情况来帮助其优化营销方案和提升客户满意度。

二、分析思路和商业理解

这个案例中，根据顾客购买商品的情况，分析商品购买之间的关联，为超市布局和促销方案提供建议。具体内容包括3个方面：

• 分析商品之间的购买的连带情况：因为客户经常会同时选购不同商品，这些商品之间存在一定关联情况是怎么样的？

• 优化超市内部商品组合分布：根据客户购物喜好和频率，相应调整商品布局和商品组合，剌激消费者的同时购物需求。

• 设计和优化超市促销方案 : 设计商品捆绑销售套餐，或者主动推荐消费者最可能感兴趣的商品，提升购买价值。

三、数据准备

从超市结账记录数据库中，提取了某天会员购买记录数据，以此数据作为分析，试图对顾客的购买习惯进行分析，从而得到商品之间的潜在联系。

数据说明

数据预览

从上图中可以看到，超市对顾客购买商品的记录信息是按照每个顾客购买的商品条目来记录数据的。为了进行关联分析，需要对这种数据结构进行调整。把数据变为每行代表一个顾客的购买行为，在每一行中记录该顾客在各商品的购买情况，用T表示顾客购买了该商品，F表示顾客没有购买该商品，结果如下图所示：

四、关联销售分析

经过以上的数据处理，就满足了关联销售的数据准备。

针对顾客的购买习惯进行图像分析，观测商品之间的购买联系，为了更好呈现效果，这里使用"网络图" 来分析事件同时出现的潜在关联，如下图所示：

上图是根据数据中各商品的关联程度所绘制的网络图，可以看到，各商品显示为一个点，各点用线段来连接。线段的粗细程度由商品被同时购买的频数所决定，频数越高。连线越粗，反之越细。

图像下方有一个线段显示的阐值条，限定了图中显示连线的频数值。将阀值条左侧的按钮往右拉动，可以去除网络图中关系较浅的线 ; 同理，把右侧按钮往左移，可以去除强关联的钱。在这里，我们将阈值定义下限往右移动，得到下图所示的商品组合图。

从图中可见，啤酒、冻肉和罐装蔬菜被划成一个商品组，葡萄酒和甜食此被划成一个商品组，鱼和蔬菜水果被划成另一个商品组。这儿个商品组合容易被顾客同时购买，说明这几个商品组合具有潜在的联系。在进行促销设计或商品推荐时可以参考该潜在联系。

对于数据中的会员客户，进一步想知道，应该如何向他们推荐其他商品。此时，需要进一步建模分析，找出商品的推荐规则，这里运用的是Apriori模型，结果如下图：

从上图中看到，共运算出三条规则。以第一行为例，该规则告诉我们，对已经购买了啤酒和罐装蔬菜的顾客来说，他们很可能继续购买冻肉。原因是在历史数据中，发现同时购买啤酒和罐装蔬菜的顾客有167人，占总人数的17.785%，在这些顾客中，有87.425%的顾客也同时购买了冻肉。同时购买了此三种商品的顾客占比15.548%，采用此规则向客户推荐拣肉比随机推荐该商品会提升效率 2.718倍，该规则还适用于2.236%的顾客。

利用该关联模型，可以对会员进行商品推荐。在计算出关联规则模型后加入表格节点并运行，会得到下图所示的结果，例如对于会员ID为80306的顾客，可以推荐罐装蔬菜，推荐的把握程度为0.859 。

从上面的分析中发现，只有少部分顾客可以继续推荐商品，而大部分顾客没布可以推荐的项目，这是由于找出的关联规则较少造成的。在建模时没有对模型参数进行设定，在Apriori模型的默认设置中最低条件支持度为10% ，最小规则置信度为80%，表示只有同时满足这两个条件的规则才会被找出，为了更多地推荐商品，可以适当调整模型参数，以获得更多的规则。例如将最低条件支持度调整为 6%，最低规则置信度调整为 60% ，可以得到7条规则，如下图所示。

五、实际运用

分析完商品购买关联后，可以有以下业务应用：

1、优化商品布局，实现推荐销售，这就是大家听过的纸尿裤和啤酒的故事了。因为通过上面的分析，分析出有些商品被同时购买，在线下商品排列时，可以把这些商品放在一起，比如把葡萄酒与甜食摆放在一起，啤酒跟罐装蔬菜摆放在一起，可以提高销售的连带率。

2、运用在促销上，设计好捆绑销售方案，比如关联性很强的葡萄酒和甜食，同时购买这葡萄酒和甜食，可以优惠8%; 或者购买葡萄酒后，可以优惠5%的价格购买甜食。

3、快速推荐商品，这点比较多运用在电商网站中，当客户浏览或者购买某些商品后，通过关联模型，推测顾客还可能购买或者感兴趣的商品，主动向顾客推荐。

当然，在本案中对商品分析的粒度比较粗，只是分析了商品的品类。在实际例子中，可以做不同粒度的关联分析，从品类到品牌，甚至到每件商品都可以进行关联分析，需要从业务需求的角度来定义分析的范围。