都2020年了，别再迷信啤酒与尿布！数据分析的真

小提示：您能找到这篇{都2020年了，别再迷信啤酒与尿布！数据分析的真}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的都2020年了，别再迷信啤酒与尿布！数据分析的真内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

编辑导读：想必很多人都听过啤酒和尿布的传说，这两样物品放在一起，销售量比单独售卖要高得多。然而，现实生活中啤酒与尿布并不会捆绑售卖，更没有因此销量大增。但是，支持这个故事的关联规则算法却是存在的，并且被广泛运用。本文作者对此展开了三方面的分析，与你分享。

一提人工智能大数据，必有人提啤酒与尿布，有意思的是，都2020年了，还有人信这个老掉牙的都市传说。今天我们系统讲解一下。

一、站在背后的关联规则

假设有6种产品，ABCDEF，一个客人买了AB去结账，收银员打出一张小票，上边有AB产品的名称、价格，我们可以用0、1代表是否有该商品，简单把小票表示成：

类似地，如果有5张订单，可以表示成：

注意，即使没有计算，用肉眼也能看到，似乎ABC三个产品在订单里同时出现的几率很高，这就是关联规则的基本思路：找到同时出现频率高的组合。只不过，我们需要用一些指标来衡量：到底什么算高。

因为有六个商品，所以同时出现的组合有很多种：A+B，A+B+C等，我们从最简单的两两组合开始计算，再算三三、四四……计算组合的时候，我们希望组合出现的频率越高越好，因此有了支持度概念：

两个商品的购买可能有先后顺序，比如先A后B，这时候可以算购买A的情况下，用户购买B的概率，从而决定在用户购买A以后推B产品，或者是C、D产品。因此引入置信度概念：

注意，虽然算出来购买A以后有75%概率购买B，但是不一定非等到用户买A再推荐B。如这个小例子里，直接推B也有80%购买率，显然非等到买了A再推B会很不划算，购买率还跌了，因此引入提升度概念：

支持度、置信度、提升度的计算都很简单，理论上，只需要设定支持度与置信度的要求，之后按一定顺序遍历所有组合（比如Apriori算法），即能找出所有符合条件的组合。这种方法最大的优势就是简单，计算方法、计算逻辑都简单，且需要的数据很少，只要有订单数据即可，数据采集永远是算法的头号大敌，一个需要数据少的方法，自然会被极其广泛的运用。特别是应用于购物篮分析。

然而，运用归运用，你真在哪个超市见过啤酒与尿布堆在一起的吗。很快讲故事的人便发现了这个bug，于是改口说：国外的超市……欺负大家出国少呀。那事实的真相到底是啥呢？

二、为啥现实中不存在

很遗憾，啤酒与尿布在现实中不存在。首先因为啤酒与尿布是teradata公司的销售编出来的故事。它完美符合了卖科技产品需要“意料之外，情理之中”的讲故事原则，因此才流传广泛。在实际运用的时候，无论是技术上还是业务上，类似“啤酒与尿布”的完美案例都不存在。

从技术上看，关联规则作为一种无监督找规律方法，更适合做探索性分析，不太适合直接指向一个可落地的SKU组合。注意，上边的例子是高度浓缩的，所以看起来简单可行。比如啤酒，实际上还包含了品牌、包装、价格、是否促销、是否临近保质期等众多因素。实际上SKU极其庞大，且单个SKU的数据非常零散。

如果只笼统地用“啤酒”这个大品类做关联，得出的数据几乎没啥指导意义。如果细到某一个具体价位具体保质期的SKU， 比如“Corona/科罗娜啤酒330ml*24瓶178元非折扣非临期”与“宝适绿帮纸尿裤S164新生婴儿超薄透气干爽款155元”单个具体SKU之间的支持度和置信度都非常低，很难达到落地的程度。

这是导致啤酒与尿布不会出现在超市里根本原因翡翠及工艺品的购销。随便一个3米5门头的小超市尿布至少几十款，啤酒至少几十款，到底哪个该摆在一起！还要考虑啤酒的冷藏问题，总不能在冰柜里放尿布吧。至于几百上千平米大超市，啤酒SKU数几千款，尿布几千款，货架长达数十米，只能分开放在酒水饮料区和母婴用品区。这俩摆在一起，肯定被商场主管活活殴打致死。

从业洋酒推广服务热线务上讲，关联规则同所有数学、统计学模型一样，只能说明两个数字之间有关联关系，无法论证任何实际意义上逻辑关系。“妈妈们买尿布的时候会顺便给爸爸买啤酒”的解释，完全就是为了圆故事而圆故事。如果真站在买尿布的妈妈的角度，她有100个理由去买更更值得买的东西，比如干纸巾和湿纸巾。给BB换过尿布的人都知道，那纸巾用起来简直像泼水一样快。有更直接、更明确的驱动力存在，为啥要舍近求远。

三、现实中是怎么玩的

本质上，消费者的决策是多因素的，生理性需求，认知层次，产品价格，材质，广告、宣传、都会影响消费者最终决策。因此想带动关联销售，方法多的很。

最直接的，基于业务规律的推荐，也就是俗称的硬规则。比如有的书就上中下册，拆开了就是没头没尾；有的药就是要一起吃，乱吃会死人。这些商品有固定的规律。这时候就不需要看数据，而是根据业务规律直接做推荐。

有些不是硬规则，但是是人们约定俗成的习惯。比如出去烧烤，就是需要碳、炉子、签子、酱油、鸡翅、可乐；啤酒就是和花生米、小龙虾、黄瓜拉皮一起吃；比如方便面就是配火腿肠。这种是软规则。这些基于用户习惯的软规则，也能成为推荐的工具。比如抖音推广前期做生鲜电商，可以一件件散着卖，也能打包一个“养秋膘火锅套装”把羊肉卷、汤底料、丸子、香菇等涮锅食材打包卖。

有些曾经不是规则，但是经过商家的宣传广告，植入进用户脑海的规则。比如女生各种化妆品，男生各种游戏皮肤、套装；比如最经典的：怕上火喝XXX；比如学数据分析要ESP套餐。这些是基于营销宣传的伪规则。虽然没有啥科学道理，但是用户能接受，就能成为推荐准则。

当然，还有最简单粗暴的，基于打折的惠规则。最简单的，用户加入购物车以后，发现自己已经买了400，还有一张满500减100的券能用。这时候用户急着找的就是“哪里有不鸡肋的100元东西可以买”。很有可能她会选纸巾、沐浴露、米面油这种能存放的硬通货。

这些都是业务方能发挥主观能动性创造出的规则。所以请同学们牢记，并转发给业务方看：不存在一个不用你努力，就静静躺在数据库里等着被你的数据分析师发现的神秘力量。在2020年，没有谁家的产品是100%独特的，想业绩做的比别人好，关键是自己得努力做。

当然，业务方想发挥主观能动性，也是需要数据支持的（如下图）：

那么问题又来了，大家更想看哪一种落地方法呢？有兴趣的话，关注接地气的陈老师，我们下一篇挑一个方法来分享，敬请期待哦。

#专栏作家#

接地气的陈老师，微信公众号：接地气学堂，专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文于。，

题图来自Pexels，基于CC0协议