掌握购物篮数据分析，企业轻松提高销售额

发布时间：2020-07-21      游览量：3877

• 大数据分析应用数据分析运营数据分析

近期，华为半年营收一下子冲上了热搜！#华为上半年营收4540亿#

在全球疫情肆虐以及自然灾害频发的上半年，华为公司取得这样骄人的业绩实属不易。在这次疫情中最受影响的应该是零售业了。

一面是“冰”，众多线下零售企业被按下了暂停键，受挫明显。以鞋服类品牌为例，爆发的疫情让本来是销售旺季的春节几乎颗粒无收；另一面是“火”，超市、便利店、生鲜平台的销售火爆，尤其是线上、到家部分表现突出，如疫情期间，京东到家订单量同比2019年增长了374%。

越是这种时候，越是变革的契机！小麦就以一个现实案例为例，手把手教大家做“购物篮分析”，掌握顾客喜好，轻松促进商品销售。

1、背景描述

购物篮分析是商业领域最前沿、最具挑战性的问题之一，也是许多企业研究重点问题。购物篮分析是通过发现顾客在一次购买行为中放入购物篮中不同商品之间的关联，研究客户的购买行为，从而达到辅助零售企业制定营销策略的一种数据分析方法。

2、需求分析

商场以获得最大的销售利润为目的。零售商都在考虑销售什么样的商品，采用什么样的促销策略，商品在货架上如何摆放，了解顾客的购买习惯和偏好。

本案例对商场销售数据进行分析，从而得到顾客的购买行为特征，并根据发现的规律而采取有效的行动，制定商品摆放、商品定价、新商品采购计划，对商场增加销量有着重要意义。

本案例基于思迈特软件的数据挖掘平台Smartbi Mining进行建模，使用FP-Growth关联规则算法实现购物篮分析，发现超市不同商品之间的关联关系，并根据商品之间的关联规则制定销售策略。

根据购物篮案例数据实现以下目标:

● 分析零售企业商品销售现状。

● 了解某商品零售企业的基本数据情况。

● 熟悉购物篮分析的基本流程与步骤。

3、现状分析

现代商品种类繁多，顾客往往会由于需要购买的商品众多而变得疲于选择，且顾客并不会因为商品选择丰富而选择购买更多的商品。

例如，货架上有可口可乐和百事可乐，若顾客需要选购可乐若干，或许会同时购买两种可乐，但是购买可乐的数量大多数情况下不会因为品牌数量增加而增加。

繁杂的选购过程往往会给顾客疲惫的购物体验。对于某些商品，顾客会选择同时购买，如面包与牛奶、薯片与可乐等，当面包与牛奶或者薯片与可乐分布在商场的两侧，且距离十分遥远时，顾客购买的欲望就会减少，在时间紧迫的情况下顾客甚至会放弃购买某些计划购买的商品。相反，把牛奶与面包摆放在相邻的位置，既给顾客提供便利，提升购物体验，又提高顾客购买的概率，达到了促销的目的。

其次，许多商场以打折方式作为主要促销手段，以更少的利润为代价获得更高的销量。打折往往会使顾客增加原计划购买商品的数量，对于原计划不打算购买且不必要的商品，打折的吸引力远远不足。而正确的商品摆放却能提醒顾客购买某些必需品，甚至吸引他们购买感兴趣的商品。

综合商品零售行业现状，本案例需要完成以下分析目标。

● 分析商品热销情况和商品结构。

● 分析商品之间的关联性。

● 根据分析结果给出销售建议。

4、实施过程

某商品零售企业共收集了300030条购物篮数据，以下是字段说明（见表2-1）。

表2-1 购物篮分析相关数据说明

4.1数据接入

在实验中添加数据源节点，将购物篮数据读取进来，部分数据如图4-1所示。

图4-1

4.2数据处理

根据本案例分析的是商品之间的关联性，需要收集到用户购买的物品列表，通过聚合节点根据用户id分组收集物品列表，如图4-2所示。输出结果如图4-3所示。

图4-2 聚合配置

图4-3

通过排序节点，根据用户id进行排序，输出结果如图4-4所示。

图4-4

数据预处理流程图如图4-5所示。

图4-5 数据预处理

4.3 构建模型

经过特征选择物品列表一列，通过拆分节点按照7：3比例将数据集拆分为训练集和测试集。如图4-6所示。

4.3.1最小支持度

支持度，代表项集的频繁程度；最小支持度作为支持度的阈值，满足最小支持度的项集才会输出；

4.3.2最小置信度

置信度，代表包含A事务中同时包含B事务的频繁程度；最小置信度作为置信度的阈值，满足最小置信度的项集才会输出；

我们使用一个关联规则算法，这里选用FP-Growth算法。整体的实验流程如图4-6所示。

图4-6 构建模型

算法参数配置如图4-7所示。

图4-7 算法参数配置

4.4 结果分析

如图4-6所示，通过模型系数节点输出训练模型，输出结果如图4-7所示，预测结果如图4-8所示。

图4-7 模型系数

图4-8 预测结果

通过模型的规则得出顾客大多数比较喜欢购买蔬菜罐头、啤酒、冻肉等商品。并且在顾客购买啤酒的时候会同时购买冻肉、蔬菜罐头。因此，商场应该根据实际情况将蔬菜罐头、啤酒等商品在顾客购买冻肉的必经之路，或者的显眼位置，方便顾客拿取。其他水果、鱼类、糖果等商品同时购买的概率较高，可以考虑捆绑销售，或者适当调整商场布置，将这些商品的距离尽量拉近，提购物体验。

5、总结

本案例主要结合商品零售购物篮的案例，重点介绍了关联规则算法中的FP-Growth算法在商品零售购物篮分析案例中的应用。过程中详细的分析了商品零售的现状与问题，同时给出某商场的商品零售数据，分析了商品的热销程度，最后通过FP-Growth算法构建相应模型，并根据模型结果制定销售策略。