一、數(shù)據(jù)挖掘中涉及的關聯(lián)規(guī)則在實際生活中的應用

關于關聯(lián)規(guī)則分析，這篇文章可以認真學習一下，講的比較全面，關聯(lián)規(guī)則分析還在零售、快消、電商、金融、搜索引擎、智能推薦等領域大有所為，如超市捆綁營銷、銀行客戶交叉銷售分析、搜索詞推薦或者識別異常、基于興趣的實時新聞推薦等。

關聯(lián)規(guī)則是反映一個事物與其他事物之間的相互依存性和關聯(lián)性，常用于實體商店或在線電商的推薦系統(tǒng)：通過對顧客的購買記錄數(shù)據(jù)庫進行關聯(lián)規(guī)則挖掘，最終目的是發(fā)現(xiàn)顧客群體的購買習慣的內在共性，例如購買產品A的同時也連帶購買產品B的概率，根據(jù)挖掘結果，調整貨架的布局陳列、設計促銷組合方案，實現(xiàn)銷量的提升，最經典的應用案例莫過于<啤酒和尿布>。　　

關聯(lián)規(guī)則分析中的關鍵概念包括：支持度(Support)、置信度(Confidence)與提升度(Lift)。首先，我們簡單溫故下這3個關鍵指標。

1、支持度 (Support)：支持度是兩件商品（A∩B）在總銷售筆數(shù)(N)中出現(xiàn)的概率，即A與B同時被購買的概率。類似于中學學的交集，需要原始同時滿足條件。

例子說明：

比如某超市2016年有100w筆銷售，顧客購買可樂又購買薯片有20w筆，顧客購買可樂又購買面包有10w筆，那可樂和薯片的關聯(lián)規(guī)則的支持度是20%，可樂和面包的支持度是10%。

2、置信度 (Confidence)：置信度是購買A后再購買B的條件概率。簡單來說就是交集部分C在A中比例，如果比例大說明購買A的客戶很大期望會購買B商品。

例子說明：

某超市2016年可樂購買次數(shù)40w筆，購買可樂又購買了薯片是30w筆，顧客購買可樂又購買面包有10w筆，則購買可樂又會購買薯片的置信度是75%，購買可樂又購買面包的置信度是25%，這說明買可樂也會買薯片的關聯(lián)性比面包強，營銷上可以做一些組合策略銷售。

3、提升度 (Lift)：提升度表示先購買A對購買B的概率的提升作用，用來判斷規(guī)則是否有實際價值，即使用規(guī)則后商品在購物車中出現(xiàn)的次數(shù)是否高于商品單獨出現(xiàn)在購物車中的頻率。如果大于1說明規(guī)則有效，小于1則無效。

例子說明：

可樂和薯片的關聯(lián)規(guī)則的支持度是20%，購買可樂的支持度是3%，購買薯片的支持度是5%，則提升度是1.33>1, A-B規(guī)則對于商品B有提升效果?！　±碚摵芎唵危嬲龑嵺`起來卻會遇到種種困難，印證了那句”數(shù)據(jù)分析師的50%～80%的時間都花在了處理數(shù)據(jù)上”。

要計算支持度(Support)、置信度(Confidence)與提升度(Lift)，首先需要知道Freq(A∩B)、Freq(A)、Freq(B)和總筆數(shù)數(shù)值，那么需要對商品進行排列組合?！?/p>

若一個收銀小票（銷售ID）有30種商品，則組合數(shù)達到435種。而且可視化層級上還需要展現(xiàn)集團下每個分公司、每個城市、每個門店、月度、季度或者年度時間的關聯(lián)規(guī)則分析，如果用傳統(tǒng)的工具來實現(xiàn)上述分析無異于大海撈針。在BDP中，不僅可以便捷地實現(xiàn)多維數(shù)據(jù)分析，還可以通過靈活強大的功能組合來進行更深層面的數(shù)據(jù)分析探索。

延伸閱讀：

二、BI是什么

BI即商業(yè)智能，泛指用于業(yè)務分析的技術和工具，通過獲取、處理原始數(shù)據(jù)，將其轉化為有價值的信息指導商業(yè)行動。Gartner把BI定義為一個概括性的術語（umbrella term），其中包括應用程序、基礎設施和工具，通過獲取數(shù)據(jù)、分析信息以改進并優(yōu)化決策和績效，形成一套優(yōu)異的商業(yè)實踐。