标签：配置   收集   增加   读取   行业   吸引力   置信度   零售商   实现   

1、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:

1.分析零售企业商品销售现状。
2.了解某商品零售企业的基本数据情况。
3.熟悉购物篮分析的基本流程与步骤。

2、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。

1.分析商品热销情况和商品结构。
2.分析商品之间的关联性。
3.根据分析结果给出销售建议。

3、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

3.1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。

掌握顾客喜好，促进商品销售，商家应该如何做好购物篮分析？

标签：配置   收集   增加   读取   行业   吸引力   置信度   零售商   实现   

原文地址：https://blog.51cto.com/14843387/2510588