2022-11-24   By  Carrie

揭秘商品分析的本質!手把手教你做購物籃分析

share

blog-banner

購物籃分析(Basket Analysis)是商品分析中常用的一種數據分析手段,在電商分析和零售分析中應用相當廣泛,但是很多人僅僅是照貓畫虎,做一點表面的購買率關聯分析,其實真正的商品關聯分析可不是這麼淺顯簡單。下面就簡單介紹一下購物籃分析到底是什麼,以及如何使用自助式大數據分析工具,不寫代碼進行購物籃分析。

購物籃分析(Basket Analysis)是商品分析中常用的一種數據分析手段,經典案例“啤酒和紙尿褲搭配售賣”就是一種購物籃分析。

超市裏經常會把嬰兒的尿不濕和啤酒放在一起售賣,原因是經過數據分析發現,出來買尿不濕的家長以父親居多,如果他們在買尿不濕的同時看到了啤酒,將有很大的概率購買,這樣就可以提高啤酒的銷售量。

這個案例可能很大多數人都聽爛了,但是如果要問你這個案例背後的演算法和本質是什麼,可能就要難倒不少人了。

其實,這種通過研究用戶消費數據,將不同商品之間進行關聯,並挖掘二者之間聯繫的分析方法,就叫做商品關聯分析法,也叫作“購物籃分析”。

購物籃分析(Basket Analysis)在電商分析和零售分析中應用相當廣泛,但是很多人僅僅是照貓畫虎,做一點表面的購買率關聯分析,其實真正的商品關聯分析可不是這麼淺顯簡單。並且,目前在網路上搜索到的購物籃分析教程,幾乎都要用到R語言。如何不寫代碼就能完成一次數據分析呢?

下面就簡單介紹一下購物籃分析到底是什麼,以及如何使用自助式大數據分析工具FineBI,不寫代碼進行購物籃分析。

一、購物籃分析(Basket Analysis)的定義和目的

購物籃分析(Basket Analysis)也叫做商品關聯分析法。關聯這個詞大家應該都很好理解,就是反映某個事物與其他事物之間相互依存關係。

在購物籃分析中的定義是,通過對顧客的購買記錄資料庫進行某種規則的挖掘,最終發現顧客群體的購買習慣的內在共性

那麼,什麼叫做內在共性呢?

舉個簡單例子,一般來說女性去超市買的東西是化妝品、服裝、時蔬等等,而男性去超市買的東西大多是日用品,所以超市裏會設置女性專櫃和男性專櫃,通過簡單的客戶分群實現商品分類。

我們都知道,做數據分析的目的就是找到數據之間的關聯和聯繫,而對於產品或商品來說,我們的進行商品分析的目的是什麼呢?

答案是找出顧客購買行為的模式。

比如說用戶買了A商品,是否會對B商品產生什麼影響;比如用戶今天的購買行為,會不會對明天的銷售量帶來影響;比如不同的用戶是否具有不同的購買模式,等等。

而這種挖掘方式要基於一定的規則,這個規則就是進行購物籃分析的演算法,也就是下面我們要說的內容。

二、購物籃分析(Basket Analysis)的指標

購物籃分析(Basket Analysis)中有很多的指標體系,一般來說下面三種比較常見:

1、支持度

支持度是對關聯規則重要性的衡量。支持度是指A商品和B商品同時被購買的概率,或者說某個商品組合的購買次數占總商品購買次數的比例,用圖表示就是兩者之間的交集。

其演算法公式是:S=F[(A&B)/N]

其中S代表支持度,F代表概率函數,A&B代表購買了A且購買了B的次數,N代表購買總次數。

比如今天共有10筆訂單,其中同時購買牛奶和麵包的次數是6次,那麼牛奶+麵包組合的置信度就是6/10=60%。

2、置信度

置信度是對關聯規則的準確度的衡量。置信度是指購買A之後又購買B的條件概率,簡單說就是因為購買了A所以購買了B的概率,用圖表示就是交集在A中的比例。

其演算公式是:C=F(A&B)/F(A)

其中C代表置信度,F表示條件概率,A&B代表購買了A且購買了B的次數,A代表購買A的次數。

比如今天共有10筆訂單,其中購買A的次數是8,同時購買A和B的次數是6,則其置信度是6/8=75%.

3、提升度

提升度是先購買A對購買B的提升作用,用來判斷商品組合方式是否具有實際價值。換句話說,就是看組合商品被購買的次數是否高於單獨商品的購買次數,大於1說明該組合方式有效,小於1則說明無效。

其演算法公式是:L=S(A&B)/[S(A)*S(B)]

其中L代表提升度,S(A&B)代表A商品和B商品同時被購買的支持度,S(A)*S(B)代表商品A被購買的概率與B被購買概率的乘積

比如今天共有10筆訂單,購買A的次數是8,購買B的次數是4,購買A+B的次數是6,那麼提升度是0.6/(0.8*0.4)>1,因此A+B的組合方式是有效的。

三、購物籃分析(Basket Analysis)的步驟

目前在網路上搜索到的購物籃分析(Basket Analysis)教程,幾乎都要用到R語言。如何不寫代碼就能完成一次數據分析呢?

本文將用到自助式大數據分析工具FineBI演示如何進行購物籃分析(Basket Analysis)。

FineBI是一款簡潔明瞭的數據分析工具,優點是零代碼可視化、可視化圖表豐富,只需要拖拖拽拽就可以完成十分炫酷的可視化效果,擁有資料整合、可視覺化資料處理、探索性分析、數據挖掘、可視化分析報告等功能,並且個人版免費。

v2-8013f5130239738292eacae29b76f205_720w (3).webp

FineBI可以實現自助式数据分析,而且學習成本極低,幾乎不需要太深奧的編程基礎,比起很多國外的工具都比較易用上手,非常適合經常業務人員和運營人員。在綜合性方面,FineBI的表現比較突出,不需要編程而且簡單易做,能夠實現平臺展示,比較適合企業用戶和個人用戶。

使用FineBI可以輕鬆搭建各種經典的數據分析模型,諸如金字塔模型、KANO分析模型RFM模型購物籃分析模型等等,幫助業務洞察。

image_0a2bc4a80d.png

FineBI提供包括製造業、醫藥、零售、金融等不同行業的業務主題分析場景,通過業務指標數據分析與展示,讓相關管理人員能夠輕鬆掌握業務動態。

FineBI能將業務人員從資料處理和可視化的泥潭中解放出來,把更多精力投放到資料分析與資料管理和業務溝通上。

點擊下方圖片即可免費使用!

9adfc5e6-2140-4175-83d9-2df9d8c6e59d.jpg

1、資料來源

我們以某份超市的購買訂單資料為基礎,其中包含了商品類別、價格、特價、訂單ID等資料。

2、使用專業數據分析工具FineBI

我們在建立購物籃分析等數據模型的時候,如果選擇用Excel等工具實現起來較為困難,為了提高分析效率,我們可以使用專業的數據分析BI工具,比如下面我用到的FineBI,可以直接將Excel的資料導入到系統裏進行分析,當然也可以選擇連接oracle等庫使用資料庫表,通過建立自助資料集的方式進行自主分析。

首先我們先進行交集的計算,將剛才的Excel資料表直接導入FineBI:

3、資料處理

計算交集的方法很簡單,就是複製一列相同的商品類別,將兩列合併在一起,就可以分出比如A+A、A+B、B+A等的商品組合,操作方法是使用FineBI中的合併功能,以「單據編碼」為合併依據,選擇所需要的合併方式,就可以得到所有訂單中產生的商品組合。

4、計算出需要的指標

接下來,我們就可以開始計算購物籃分析所需要的指標:同時購買A和B的訂單數購買A的訂單數購買B的訂單數總購買訂單數

先求「購買A的訂單數」,新增一欄,按「A商品名稱」進行分組,對分組後的單據編碼進行去重計數,可以得到購買A的訂單數。如下圖所示:

如法炮製再求出「購買A的訂單數」,就可以求出「同時購買A和B的訂單數」。新增一個新增欄,按「A商品名稱」和「B商品名稱」進行分組,對分組後的單據編碼進行去重計數,可以得到同時購買A和B的訂單數,如下圖所示:

再用相同的方法進行去重,就可以算出「總購買訂單數」。

以上所有的基礎指標「同時購買A和B的訂單數」、「購買A的次數」、「購買B的次數」、「總購買訂單數」都已經計算得出了。接下來只需要計算支援度、置信度、提升度就可以了。

9adfc5e6-2140-4175-83d9-2df9d8c6e59d.jpg

5、計算支持度、置信度、提升度

支持度、置信度、提升度的公式分別如下:

  • 支援度=同時購買A和B訂單數/總購買訂單數
  • 置信度=同時購買A和B訂單數/購買A的訂單數
  • 提升度=支援度/((購買A次數/總購買數)*(購買B次數/總購買數))

新增欄,如下圖所示,分別輸入公式進行計算,就可以得到這三個維度的數據:

當 A商品名稱 和 B商品名稱 相同時,它們是同一個產品,計算支援度、置信度、提升度沒有意義。我們可以過濾掉這部分的商品組合,如下圖所示:

完成以上步驟後,儲存並更新該自助資料集。

6、資料視覺化

到這一步時,基本的資料就已經製作完畢,俗話說“一圖勝千言”,我們需要使用合適的圖表將資料展示出來。

FineBI內置50+圖表和聯動鑽取特效,能夠用優秀的可視化效果呈現資料,便於大家進行資料展示和分析

在這裡我們使用矩形塊圖來對這部分資料進行視覺化處理。矩形塊圖以矩形塊的形式展示不同資料點的分佈情況,可以透過顏色或矩形塊的大小來展示對應指標值的大小。

使用剛剛儲存的「購物籃分析」建立儀表板。選擇「自訂圖示」,將「A產品名稱」和「B產品名稱」分別拖入橫軸和縱軸。

在圖形屬性設定矩形快,將「支援度」拖入顏色欄。由於作圖會導緻多訂單的值相加,所以支援度的彙總方式需要選擇平均。如下圖所示:

除了使用矩形塊圖以外,我們還使用了散佈圖進行關聯分析,最終整個看板的呈現效果如下:

更具體的操作步驟可以參見操作文檔

7、分析結論

通過FineBI製作的儀表板,分析可得:

1)微爽日用245mm和家之寓圓形24夾曬架的支持度最高,且購買家之寓圓形24夾曬架后又購買微爽日用245mm的置信度最高,因此兩者被捆綁購買的概率很大,可放置在貨架的相鄰位置。

2)家之寓圓形24夾曬架和本地小白菜的支持度和置信度都比較高,使用者更可能買完夾曬架後去買小白菜。

3)微爽日用245mm與家之寓圓形24夾曬架、三全960g奶香饅頭、本地小白菜、純悅礦泉水、鹽津鋪子、香妃蜜瓜、西紅柿、夾心蛋糕的提升度高於 1 ,說明組合方式有效。

當然還有很多其他結論,購物籃分析(Basket Analysis)可以幫助我們對商品的銷售進行分析和處理,有利於我們提高銷量,實現資料分析的價值。

點擊下方按鈕即可免費下載FineBI,優化你的數據分析之旅吧!

9adfc5e6-2140-4175-83d9-2df9d8c6e59d.jpg

開啟全新的 BI 大數據分析之旅

立即試用,獲取100+行業場景數據分析範本

免費試用FineBI