基于關(guān)聯(lián)規(guī)則的超市顧客購物行為分析匯報人：AiPPT時間：202XPowerPointDesignCATALOGUE01任務(wù)背景02任務(wù)分析03核心知識點(diǎn)04任務(wù)實(shí)施目錄任務(wù)背景Part01大型超市或商場中，商品的擺放位置對銷售存在非常重要的作用?？茖W(xué)合理的商品擺放布局不僅能節(jié)省顧客的購買時間，還能進(jìn)一步刺激顧客的購買欲望。本案例中，該超市主要經(jīng)營食品、生鮮、日用品等，規(guī)模相對較大，銷售的商品種類繁多。隨著超市競爭加劇，為求進(jìn)一步發(fā)展，該超市迫切需要對自身的經(jīng)營狀況進(jìn)行深入分析，并根據(jù)銷售狀況適時調(diào)整經(jīng)營策略。超市經(jīng)營現(xiàn)狀01希望通過挖掘顧客歷史交易記錄，了解顧客的購買習(xí)慣和偏好，了解顧客購物籃中商品之間存在的關(guān)聯(lián)性，以實(shí)現(xiàn)商品的組合優(yōu)化布局，促進(jìn)商品的效率，提高超市的效益。任務(wù)目標(biāo)通過關(guān)聯(lián)規(guī)則分析，超市可以更好地理解顧客的購物行為，優(yōu)化商品擺放，提高銷售效率，增強(qiáng)顧客滿意度，從而在激烈的市場競爭中脫穎而出。01任務(wù)意義任務(wù)分析Part02本任務(wù)的目標(biāo)是通過關(guān)聯(lián)規(guī)則挖掘，發(fā)現(xiàn)顧客購物行為中的隱藏模式，為超市的商品布局和營銷策略提供數(shù)據(jù)支持。01任務(wù)目標(biāo)分析數(shù)據(jù)觀察與載入深入理解已有數(shù)據(jù)字段的作用，理解數(shù)據(jù)特征的含義，對業(yè)務(wù)場景有足夠的把握，并將原始數(shù)據(jù)載入PMT平臺。探索性數(shù)據(jù)分析首先，選擇合適的特征字段；其次，對數(shù)值型數(shù)據(jù)進(jìn)行離散化處理；接著，通過數(shù)據(jù)可視化的方式（分布圖、馬賽克圖），深入探索超市客戶在不同維度上的分布狀況。關(guān)聯(lián)規(guī)則的建立與挖掘基于“購物籃數(shù)據(jù)1.CSV”數(shù)據(jù)，構(gòu)建多維關(guān)聯(lián)規(guī)則，并觀測與消費(fèi)額、物品的關(guān)聯(lián)；基于“購物籃數(shù)據(jù)2.CSV”數(shù)據(jù)，構(gòu)建單維關(guān)聯(lián)規(guī)則，觀測不同物品之間的關(guān)聯(lián)。010203任務(wù)流程分析數(shù)據(jù)量大且復(fù)雜，需要高效的數(shù)據(jù)處理和分析能力。采用PMT平臺的高效數(shù)據(jù)處理組件和可視化工具，確保數(shù)據(jù)清洗和分析的準(zhǔn)確性。關(guān)聯(lián)規(guī)則的挖掘需要合理設(shè)置支持度和置信度閾值，通過多次嘗試和調(diào)整，找到最適合的參數(shù)。任務(wù)難點(diǎn)與應(yīng)對核心知識點(diǎn)Part03關(guān)聯(lián)規(guī)則（associationrule）：R：X→Y，其中X、Y都是I的子集，且X、Y交集為空。這一規(guī)則表示如果項(xiàng)集X在某一交易中出現(xiàn)，則會導(dǎo)致項(xiàng)集Y以某一概率同時出現(xiàn)在這一交易中。衡量某一關(guān)聯(lián)規(guī)則有兩個指標(biāo)：關(guān)聯(lián)規(guī)則的支持度（support）和置信度（confidence）。關(guān)聯(lián)規(guī)則定義交易中同時出現(xiàn)X、Y的交易數(shù)與總交易數(shù)之比，記為support（X→Y）。支持度高，就會過濾許多無效的規(guī)則，否則就會產(chǎn)生許多不重要的規(guī)則。但是，支持度過高，又會刪除掉許多規(guī)則。例如某超市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(guān)聯(lián)規(guī)則的支持度是20%，可樂和面包的支持度是10%。01關(guān)聯(lián)規(guī)則的支持度包含X、Y的交易數(shù)與包含X的交易數(shù)之比，記為confidence(X→Y)。也就是條件概率：當(dāng)項(xiàng)集X出現(xiàn)時，項(xiàng)集Y同時出現(xiàn)的概率，P（Y|X）。置信度高，說明當(dāng)項(xiàng)集X出現(xiàn)時，項(xiàng)集Y有很大的可能會發(fā)生。例如，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(guān)聯(lián)性比面包強(qiáng)，營銷上可以做一些組合策略銷售。關(guān)聯(lián)規(guī)則的置信度提升度表示先購買A對購買B的概率的提升作用，用來判斷規(guī)則是否有實(shí)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(dú)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。可樂和薯片的關(guān)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。關(guān)聯(lián)規(guī)則的提升度任務(wù)實(shí)施Part04超市顧客歷史交易數(shù)據(jù)。本案例分析的是顧客的每次交易數(shù)據(jù)（即每個購物籃），其中涉及一個或多個商品。每一條記錄表征顧客的購買記錄，數(shù)據(jù)特征包括卡號——顧客的唯一標(biāo)識，每次購物的消費(fèi)額，年齡等數(shù)值型屬性，還包括付款方式、性別和購買物品等離散型業(yè)務(wù)屬性。登錄PMT平臺，新建工作流，命名為“基于關(guān)聯(lián)規(guī)則的客戶購物行為分析”。選擇“Logis云端數(shù)據(jù)”組件，載入數(shù)據(jù)表“購物籃數(shù)據(jù)1”。通過“域編輯”組件，進(jìn)行數(shù)據(jù)的觀測和編輯，確保數(shù)據(jù)的準(zhǔn)確性和完整性。通過初步觀測，了解數(shù)據(jù)的基本結(jié)構(gòu)和特征分布，為后續(xù)的數(shù)據(jù)清洗和分析提供依據(jù)。發(fā)現(xiàn)數(shù)據(jù)中存在數(shù)值型和離散型數(shù)據(jù)，需要進(jìn)一步處理。數(shù)據(jù)觀察與分析數(shù)據(jù)載入與觀測數(shù)據(jù)初步理解010302數(shù)據(jù)觀察與載入特征字段的選擇采用卡號作為購物記錄的唯一標(biāo)識，過濾id字段，通過Data區(qū)域中的“特征選擇”組件實(shí)現(xiàn)。利用分布圖進(jìn)行數(shù)據(jù)分析選擇“分布圖”組件，分析顧客年齡對其付款方式的影響，發(fā)現(xiàn)年齡段小于27.333的顧客偏好于使用刷卡和現(xiàn)金支付。進(jìn)一步分析顧客性別對其付款方式的影響，發(fā)現(xiàn)男性顧客與女性顧客大多偏好刷卡與現(xiàn)金付款，女性顧客采用刷卡支付的方式更顯優(yōu)勢。原始數(shù)據(jù)觀測選擇“數(shù)據(jù)表格”組件，與“Logis云端數(shù)據(jù)”組件相連，查看原始數(shù)據(jù)基本信息和二維列表，發(fā)現(xiàn)數(shù)據(jù)中存在數(shù)值型和離散型數(shù)據(jù)。利用馬賽克圖進(jìn)行數(shù)據(jù)分析選擇“馬賽克圖”組件，分析性別差異對顧客購物偏好的影響，發(fā)現(xiàn)男性顧客主要偏好購買凍肉、啤酒和蔬菜罐頭，女性顧客偏好購買水果、白酒、糖果、乳制品以及軟飲料。進(jìn)一步分析不同年齡不同性別在購物偏好方面的差異，發(fā)現(xiàn)年齡低于27.333歲以及高于38.667的顧客更愿意購買乳制品，低年齡段的顧客更喜歡購買魚類食品。在挖掘關(guān)聯(lián)規(guī)則時，數(shù)值型字段需要進(jìn)行離散化處理。采用等寬離散化方法，將消費(fèi)額和年齡字段進(jìn)行離散化處理，設(shè)置間隔寬度為3。通過“離散化”組件，完成數(shù)值型字段的離散化處理。數(shù)值型字段的離散化處理探索性數(shù)據(jù)分析從Associate區(qū)域中選擇“關(guān)聯(lián)規(guī)則”組件，配置最小支持度為5%，最小置信度為50%，構(gòu)建多維關(guān)聯(lián)規(guī)則。通過“關(guān)聯(lián)規(guī)則”組件與“離散化”組件相連，生成關(guān)聯(lián)規(guī)則，總共有38條規(guī)則。01多維關(guān)聯(lián)規(guī)則的構(gòu)建在“關(guān)聯(lián)規(guī)則”對話框的“包含條目”中輸入消費(fèi)額，發(fā)現(xiàn)與“消費(fèi)額”相關(guān)的關(guān)聯(lián)規(guī)則共有17條，大多數(shù)男性顧客單次消費(fèi)額低于36.593，大多數(shù)女性顧客單次消費(fèi)額高于36.593。將“包含條目”切換為物品，發(fā)現(xiàn)與前項(xiàng)物品相關(guān)的關(guān)聯(lián)規(guī)則共有9條，女性顧客偏好魚類、糖果、白酒和水果；男性顧客偏好蔬菜罐頭、啤酒和凍肉。02關(guān)聯(lián)規(guī)則的進(jìn)一步觀測選擇“Logis云端數(shù)據(jù)”組件，載入數(shù)據(jù)表“購物籃數(shù)據(jù)2”，通過“特征選擇”組件過濾掉與“物品”無關(guān)的其他字段。配置最小支持度閾值為10%，最小置信度閾值為40%，構(gòu)建單維關(guān)聯(lián)規(guī)則。發(fā)現(xiàn)蔬菜罐頭、啤酒和凍肉之間的關(guān)聯(lián)性較強(qiáng)，建議超市適當(dāng)增加這三種商品的庫存量，并將這些商品擺放于相近的位置，方便顧客選購。03單維關(guān)聯(lián)規(guī)則的構(gòu)建關(guān)聯(lián)規(guī)則的建立與挖掘

可視化方式拓展本任務(wù)在進(jìn)行關(guān)聯(lián)規(guī)則分析時主要使用了分布圖和馬賽克圖，用戶也可以嘗試其他可視化方式，如熱力圖、樹形圖等，進(jìn)一步探測關(guān)聯(lián)規(guī)則的模式。多維度交互分析為了更全面地分析顧客購物行為，可以引入更多維度進(jìn)行交互分析，如顧客的購買時間、購買頻率等，發(fā)現(xiàn)更多隱藏的關(guān)聯(lián)模式。根據(jù)關(guān)聯(lián)規(guī)則分析結(jié)果，制定針對性的營銷策略和服務(wù)方案。例如，針對高關(guān)聯(lián)性的商品組合，設(shè)計(jì)促銷活動和優(yōu)惠套餐；針對不同性別和年齡段的顧客，提供個性化的商品推薦和購物體驗(yàn)，提高顧客滿意度和忠