干货｜关联规则分析怎么做？你需要知道这3大关键词、4大步骤

提升度表示 先购买A对购买B的概率的提升作用 ，用来判断规则是否有实际价值，即使用规则后商品在购物车中出现的次数是否高于商品单独出现在购物车中的频率。如果大于1说明规则有效，小于1则无效。

公式：

例子说明：

可乐和薯片的关联规则的支持度是20%，购买可乐的支持度是3%，购买薯片的支持度是5%，则提升度是1.33>1, A-B规则对于商品B有提升效果。

理论很简单，真正实践起来却会遇到种种困难，印证了那句"数据分析师的50%～80%的时间都花在了处理数据上”，例如一般POS明细是以下图表形式展现：

要计算支持度(Support)、置信度(Confidence)与提升度(Lift)，首先需要知道Freq(A∩B)、Freq(A)、Freq(B)和总笔数数值，那么需要对商品进行排列组合。

所以，我们希望转换成下表形式，如销售ID=000001， 4种商品的两两组合（种）：

若一个收银小票（销售ID）有30种商品，则组合数达到:

而可视化层级上还需要展现集团下每个分公司、每个城市、每个门店、月度、季度或者年度时间的关联规则分析，如果用传统的工具来实现上述分析无异于大海捞针。

下面我们就来看看在BDP中如何实现Apriori算法，实现关联规则分析：

商品两两组合的初步想法是通过量化的思想对商品进行编码，比方说可按照增序（从1开始），算出每笔销售单最大值，求出两者差值得到一组数组，通过数组行转列形式实现2种商品两两组合。

操作①：

【工作表】-【创建合表】-【SQL创建】

上图转换成日期的形式，主要目的是为下一步的数组转列做准备，为配合explode（）函数使用。其中需要说明的是上图[日期]字段是自定义日期，可以更改成任意日期，没有实际日期意义。

上图主要使用的关键函数是FILL_DATES（[日期1],[日期2]），Explode（）。组合效果初显现，只是缺另一个商品名，然后把[下一日期]字段通过LEFT JOIN 关联出商品B的名称。

操作②：

【工作表】-【创建合表】-【多表关联】 用于创建表关联 包括（LEFT/INNER/ FULL  JOIN）

从上图可以看到A商品和B商品两两组合逻辑已完成，在当前表基础上我们已经可以去做连带分析内容。

在这里，求Freq(A)和Freq(B)和总笔数数值就不祥述了，思想大致是求出所有销售商品的A 和B商品的频次，通过合表关联，整合到一张大表。

操作③：

【工作表】-【创建合表】-【追加合并】合并订单总数 ，A商品订单数，B商品订单数和A∩B商品连带笔数

追加合并可以把相同字段商品合并在一起，方便计算三个指标（支持度、置信度、提升度）有利于可视化展现。

操作④：

可视化展现： 【BDP】-【仪表盘】

注：为了更好体现可视化效果 ， 这部分的可视化展示成果并非使用上述的测试数据或某个企业数据。

制作三个图表进行购物篮分析：

上图反映季度连带最高频次商品，高联带商品意味着对客户吸引力大商品粘性强，同时也可以查看不同分公司的TOP20连带情况。根据结果我们可以合理设计促销策略，例如买2送1等。

置信度高说明商品连带紧密，说明客户连带意愿强，同时关注支持度，支持度高说明是需求量大，如果支持度低，置信度高其实对市场作用是有限小的。

通过单价，支持度，置信度，提升度综合指标来看待商品组合，发现高价值关联商品，有助于提升客单价，同时也需要考虑提升度，提升度小于1，提升效果有限，可以把精力花在提升度大于1的商品组合。

同样地，我们是否可以实现三种商品的组合呢？答案是显然的，只要我们深入理解以上过程，三种商品关联也是可以在BDP中实现的。