提及“啤酒与尿布” 的故事,了解数据分析的朋友都会想到购物篮分析,以及对应的关联规则,对于门店的购物篮数据进行数据挖掘,就是所谓的关联规则挖掘( Rule ) 。
但是零售业的关联规则不仅仅只有购物篮分析(),还应该包含相关性规则( rule)、时间序列规则( rules)、链接分析(link )、推荐系统( )等数据挖掘手法,这些挖掘手段共同构成关联规则挖掘( Rule ),这才是完整的零售业关联规则数据挖掘 。
我们以“啤酒与尿布”的故事为例:
![“啤酒与尿布”--零售业的购物篮分析包含了哪些数据挖掘算法?](http://img.gansulong.com/230623/1355564I6-0.jpg)
文章插图
“啤酒”与“尿布”二个商品经常出现在同一个购物篮中,产生了事物之间的频繁模式( ),可以使用购物篮分析对这种频繁模式进行挖掘,找出其中的关联规则( Rule) 。
假定“啤酒”与“尿布”之间存在着关联关系,对“啤酒”与“尿布”二种商品的销售量进行统计分析,可能会发现二种商品的销售量出现同升同降的现象,即出现了统计学意义的相关性表现,构成了相关性规则( rule),由于“啤酒”与“尿布”之间销量变化趋势,比如购买一包尿布会购买半打啤酒,这种量化销售指标使得“啤酒”与“尿布”的故事变得具有商业价值 。
【“啤酒与尿布”--零售业的购物篮分析包含了哪些数据挖掘算法?】我们也知道,“啤酒与尿布”的故事并不是常态化的消费行为,而具有很强的时间序列特征( rules),仅仅出现在在美国职业棒球大联盟比赛周的周五晚上 。
![“啤酒与尿布”--零售业的购物篮分析包含了哪些数据挖掘算法?](http://img.gansulong.com/230623/13555B512-1.jpg)
文章插图
又比如在门店的购物篮数据分析过程中,可以对会员的购物篮数据进行长期跟踪,“啤酒与尿布”可能会出现在同一个顾客的多个购物篮中,呈现时间序列模式的关联关系,这种序列关联关系也是会员消费行为的重要规则,值得重视及有效利用 。
在发现了“啤酒与尿布”之间的关联规则后,有时需要对卖场的陈列布局、动线与消费者轨迹进行分析,以达到最佳空间利用效果,此时就需要进行消费行为的链接分析(link ) 。
新零售业态的门店需要线上线下全流量打通,需要根据消费者的消费行为及商品敏感度、对消费者进行有效的商品推荐,因此会涉及到推荐系统( ) 。
以上几个部分共同构成了零售业的关联规则数据挖掘( Rule ) 。
- 提示 “需要使用新应用以打开此windowsdefender链接“
- windows11提示“需要使用新应用以打开此ms
- 人教版初中数学九年级上册“阅读与思考”《旋转对称》教学设计
- 神曲歌曲,哪些歌是“神曲”
- 创始人醉心长生不老,电报群被骗子占有,币圈“蒂凡尼”Dfinity千疮百孔
- 一 laravel入门
- 掌握坐标轴的log转换
- 曹氏家族为何会喜欢配冥婚
- 工作内容一模一样,牛头马面和黑白无常有什么区别?
- 2021云栖大会落幕,行云创新荣获“阿里云云原生核心伙伴”授牌