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。快點擊下方按鈕，和軟妹一起開始自助數據分析之旅吧~

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。

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：

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%。

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%。

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。

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，並且個人版完全免費~

FineBI可以實現自助式数据分析，而且學習成本極低，幾乎不需要任何編程基礎，比很多國外的工具都更容易上手，非常適合經常業務人員和運營人員。

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。

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。

現在就點擊下方按鈕，讓我們一同開啟今天的學習之旅吧！

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。

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：

計算交集的方法很簡單，就是複製一欄相同的商品類別，將兩欄合併在一起，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。

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。

FineBI擁有豐富的函數選擇，方便使用者對資料進行彈性的二次加工處理，以應對多變的業務分析需求。立即點擊下方圖片，親身體驗FineBI強大函數的威力吧！和軟妹一同發掘BI工具的無限可能性！

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。

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。

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。

理論上的知識總是膚淺的，唯有親自實踐才能真正了解。立即點擊下方圖片，免費試用FineBI，親身體驗購物籃分析的魅力！讓我們一同深入探索數據分析的奧秘吧~