零售购物篮分析

零售购物篮关联规则挖掘

零售运营销售计划部副经理袁正伟

商家通过对消费者购物行为进行分析，通过购物小票发现顾客购物产生连带消费时具有一定的规律性，即很多顾客购买了A类商品的同时会考虑再购买B类商品。其实这种有趣的发现在数据挖掘领域被称作购物篮关联规则挖掘。商家运用挖掘规则对商品进行合理的摆放以及对商铺进行合理的布局, 使商场销售格局更符合消费者的消费行为与模式, 从而为商场提高销售业绩, 创造更多的利润, 也为消费者带来更多的方便. 这也正是美国零售业巨头沃尔玛创造的啤酒与尿布的成功案例给人们带来的启示.每一次购物篮处理得到的都是一位顾客的购物信息, 大多数零售企业只是将这些数据进行简单分类、分析单一的销量数据, 实际上并没有充分利用这些能反映所有顾客购物行为最有效的数据, 一些宝贵的数据资源就成了数据坟墓.

购物篮分析泛指对顾客购物篮里的商品组成进行分析。购物篮里的商品反映了商品间的相互依赖。这些商品间的依赖关系，对于零售市场商品的陈列摆放提供数据支持。目前的数据挖掘的关联规则技术则为购物篮分析提供了科学的依据。

下面我们一起来研究一下JL公司的销售小票，希望通过日常顾客的购物明细来挖掘隐藏的关联关系。

1、数据准备

一般来说，描述顾客购物数据包括：单据编号、货号、货品名称、系列、颜色、尺码、年份、品牌等等货品资料。在这里，考虑到购物数据的时效性，我们截取最近的半年数据，也就是2011年6月1日到2011年12月1日的所有购物明细数据。再通过对数据的清洗处理，我们共整理出857555条有效数据。以下就是通过整理后的部分数据截图：

图1：顾客购物篮部分数据截图

2、模型建立

顾客购物行为分析也就是关联规则挖掘，类似于模型X→Y的蕴涵式，也就是发掘购买了X后再购买Y的强规则。目前国际上普遍采用的是Apriori算法，在这里对于算法及程序实现我们暂不做介绍。

3、挖掘规则

通过对以上模型的构建及处理，我们发现通过货号关联，很难发现较为明显的规则，原因是货号过于明细，在识别规则的时候很难通过标识进行归类。因此，我们将考虑以中类或大类进行规则关联，这里我们采取以商品名称进行关联。得到部分强规则如下：

图2：部分购物规则

4、规则分析

从图2的部分结果展示我们可以看到，在2011年6月1日到2011年12月1日顾客所有的消费行为中，共有3139笔消费买了短袖POLO，同时又购买了短袖T恤。以此为例，我们便能清楚的发现以上图2所展示规则的含义。目前，经过笔者的调查发现，JL公司货品资料的统一性较差，数据质量并不是很高。例如，在系列分类中不同品牌的系列定义是不统一的，甚至出现相同品牌的系列定义也可能不一样。这样就会导致很多规则在项集归类时遗漏，影响规则的全面性和准确性。考虑到这种实际情况，保证结果的可靠性，笔者在实际建模时只能采取以商品名称为关联项集。而实际陈列时更多的是考虑系列搭配而并非商品名称。因此在数据整理时一定要保证数据的规范性，建立挖掘模型时合理选择输入项和预测项，这样才能获得有价值且实用的规则。

特别地在百货零售企业中，琳琅满目的商品如何合理摆放在货架上是每一个成功的经营者必须考虑的问题。商品摆放在不同位置的货架上可能直接决定了该商品的售卖周期，甚至商品间的摆放也直接影响了商品的受欢迎程度。因此，通过消费者购买习惯的研究，挖掘隐藏的购物规则，通过数据重现购物事实，对于陈列调整和商铺进行合理的布局,必定能提高连带销售率，既方便顾客也能使商家提升销售。

相关链接

啤酒与尿布的故事

在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：

在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。

按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对海量交易数据进行挖掘和分析，沃尔玛是不可能发现数据内在这一有价值的规律的。