商品关联 | FineBI v6.0 数据模型 | 购物篮分析数据模型
概述
购物篮分析数据模型
即通过研究用户消费数据，将不同商品之间进行关联，并挖掘二者之间联系的分析方法，又叫做商品关联分析法。
其使用目的是找出顾客购买行为的模式：比如用户买了A商品，是否会对B商品产生什么影响？不同的用户是否具有不同的购买模式？哪些产品应该放在一起进行捆绑销售？
在这一商品关联分析中，又分别由支持度、置信度、提升度指标进行衡量：
支持度是指A商品和B商品同时被购买的概率。它说明了这条规则在所有事务中有多大的代表性，支持度越大，关联规则越重要。其计算公式为：同时购买A和B订单数 / 总购买订单数。
置信度是指购买A之后又购买B的条件概率，简单说就是因为购买了A所以购买了B的概率。其计算公式为：同时购买A和B订单数 / 购买A的订单数。
提升度是指先购买A对购买B的提升作用，用来判断商品组合方式是否具有实际价值。若组合商品被购买的次数高于单独商品的购买次数，说明该组合方式有效，反之则说明无效。其计算公式：支持度 / ((购买A次数 / 总购买订单数)*(购买B次数 / 总购买订单数))。
购物篮分析数据模型在零售和电商行业应用十分广泛，它可以有效找出用户购买习惯的一些潜在规律，并为用户提供他们希望的商品搭配。该商品关联分析模型适合经济管理、智慧零售、跨境电商等专业学生学习。
今天，我们就以一组集团商品销售数据为例，教大家如何在FineBI v6.0中通过简单操作完成购物篮分析数据模型。操作步骤如下：
1左右合并求商品组合
1.1 首先将excel表【集团商品销售总表】导入FineBI中（点击文末阅读原文可以下载该表数据），新建分析主题：购物篮分析。添加数据，勾选「单据编码」和「商品名称」。
1.2 添加「左右合并」，合并数据集为「集团商品销售总表」下的「单据编码」和「商品名称」
1.3 选择「左合并」，合并依据为「单据编码」。
1.4 添加字段设置更改名字。将「商品名称」作为 A 商品，「集团商品销售总表-商品名称」作为 B 商品。
2计算需要的指标
由文章开头所述公式可知需要的指标有：同时购买A和B的订单数、购买A的订单数、购买B的订单数、总购买订单数
2.1求「购买A的订单数」
新增一列，按「A商品名称」进行分组，对分组后的单据编码进行去重计数，可以得到购买A的订单数。
2.2求「购买B的订单数」
再添加一个新增汇总列，按「B商品名称」进行分组，对分组后的单据编码进行去重计数，可以得到购买B的订单数。
2.3求「同时购买A和B的订单数」
添加一个新增汇总列，按「A商品名称」和「B商品名称」进行分组，对分组后的单据编码进行去重计数，可以得到同时购买A和B的订单数，
2.4求「总购买订单数」
添加一个新增汇总列，对所有的单据编码进行去重计数，可以得到一共有多少订单。
以上所有的基础指标「同时购买A和B的订单数」、「购买A的次数」、「购买B的次数」、「总购买订单数」都已经计算得出了。接下来只需要计算支持度、置信度、提升度就可以了。
3计算支持度、置信度、提升度
3.1求「支持度」
支持度=同时购买A和B订单数/总购买订单数，新增公式列。
3.2 求「置信度」
置信度=同时购买A和B订单数/购买A的订单数，新增列。
3.3 求「提升度」
提升度=支持度 / ((购买A的订单数 / 总购买订单数)*(购买B的订单数 / 总购买订单数))，新增列。
4去除AB相同的商品组合
4.1 当 A商品名称 和 B商品名称 相同时，它们是同一个产品，计算支持度、置信度、提升度没有意义，我们可以过滤掉这部分的商品组合。
完成以上步骤后，保存并更新该分析主题。
5制作组件
5.1 使用刚刚保存的「购物篮分析」制作组件。选择「自定义图标」，将「A产品名称」和「B产品名称」分别拖入横轴和纵轴。如①②所示；
在图形属性设置矩形快，将「支持度」拖入颜色栏。由于作图会导致多订单的值相加，所以支持度的汇总方式需要选择平均。如③④所示：
5.2 再新建一个组件，展示「支持度」、「置信度」、「提升度」的明细数据。如①所示；
其中「支持度、置信度、提升度」由于多订单会合并求和，所以它们的汇总方式要改为「平均」。数值格式设置为百分比，如②所示：
6完成
来看看最后效果吧！“
结论分析
1）微爽日用245mm和家之寓圆形24夹晒架的支持度最高，且购买家之寓圆形24夹晒架后又购买微爽日用245mm的置信度最高，因此两者被捆绑购买的概率很大，可放置在货架的相邻位置。
2）家之寓圆形24夹晒架和本地小白菜的支持度和置信度都比较高，用户更可能买完夹晒夹后去买小白菜。
3）微爽日用245mm与盐津铺子、香妃蜜瓜、西红柿等的提升度高于 1 ，说明组合方式有效。
立即沟通
