老高与购物篮分析
公告
“啤酒与尿布”是一个真实的故事，发生在1990年代的沃尔玛大卖场，代表卖场的购物篮商品之间存在着某种特定的关联关系，挖掘并利用这种关联关系，可以使得实体零售门店充分；了解顾客的购物场景，为选品与品类管理、定价与调价、促销策略及评估、关联陈列、顾客行为聚类等提供了有效的数据依据。
我在2008年撰写了《啤酒与尿布-神奇的购物篮分析》（清华大学出版），开辟本专栏,是为了与大家探讨实体门店购物篮管理的理念、计算方法及案例，以及能够与相关软件企业合作，开发相关应用软件产品
MP：13901022781 微信同号
统计
今日访问：231
总访问量：97123
负关联规则（Mining Negative Association Rule）挖掘
2023年10月19日
评论数（0）负关联指的是一个事务的增加会导致另一个事件的减少，也被称为负模式(Negative Pattern)，简单理解就是此消彼长的零和模式，负关联规则数据挖掘就是针对负关联的数据挖掘方法。
零售行业中负关联的商业价值：
商品之间的负关联关系代表了商品的互斥关系，互斥关系预示了商品之间的替代关系，零售业存在着大量的商品替代关系，商品替代大多数发生在同品类的商品之间，替代的商品基本功能相同，商品的品牌、价格、包装、特定属性（比如口味）存在差异，导致顾客在购买这类商品时容易发生替代购买，如西方发现60%的意大利面都具有负关联关系，代表了这些意大利面之间的互斥、替代关系。
商品负关联不是没有意义的关联关系，负关联关系对于零售业意义重大，有助于识别竞争商品(competing item)。当货架上存在着大量的可替代商品时，可以丰富顾客的购买选择，避免出现顾客放弃购买或单商品购物篮的情况出现。
购物篮中商品负关联关系的形成，有很多是顾客在货架前的冲动购买行为造成的，有些是商品是陈列方式导致的，如价格因素、品牌、口味、包装的切换因素。
商品之间的负关联关系对应的商业逻辑具有多样性，有些负关联关系需要鼓励、有些负关联关系需要逐渐剔除。
当购物篮中的替代商品之间出现了向上销售（Up-selling）时，此种负关联关系需要鼓励，这种负关联关系可以为门店带来较高的购物篮收益。
当购物篮中的替代商品之间出现了向下销售（Down-selling）时，此种负关联关系需要转换为正常的交叉销售（Cross-selling），因为向下销售的负关联关系会使得购物篮质量逐渐下降，门店的销售收益也会逐渐减少。
对于品牌商来说，当商品之间的替代效果（substitution effects）发生在品牌转换时（brand switching），品牌商不会欢迎这种替代效果，而零售商却无所谓，只要顾客手里的购物篮份额不丢失即可。
零售门店中负关联对应的消费行为，往往是一种顾客的取舍型消费行为，需要从大量的消费行为中挖掘及观察这种行为模式，并根据商业价值及顾客满意度，确定哪些负关联需要鼓励、哪些负关联需要避免。
负关联规则的数据挖掘：
负关联规则（Negative Associations）与负相关( Negative Correlations) 不是一回事，负关联规则指的是是事务之间此消彼长的频繁模式，而负相关是事务指标之间统计学意义的反向发展趋势。
商品负关联规则需要满足如下条件：
要分析事务是否为负关联，需要在整个的样本空间（购物篮集合中）找出这个此消彼长的模式，或者找出很少一起出现的频繁模式。
假定A、B是二个商品，在购物篮交易数据中都是频繁的，即购物篮中各自出现的次数（PI值）比较高，对应的支持度都较大，但是A、B很少同时出现，这二个商品很少出现在同一个购物篮中，说明A、B可能是负关联的。
如果A和B组成的模式支持度远远小于A的支持度与B的支持度的乘积、那么说明A、B是强负关联。
负关联规则的数据挖掘步骤：
全数据集合采取Apriori算法不现实：Apriori算法并不擅长挖掘商品之间的负关联规则，原因之一就是采取暴力遍历的方法，寻找频繁模式都很吃力，更别说去寻找非频繁项集，不仅会耗费算力、也会产生大量毫无价值的负关联规则。因此建议采取如下步骤：
1、采取相关性分析：在零售门店的数据分析中，要想挖掘商品之间的负关联关系，最便利的方法就是先行采取商品销售指标的相关性分析，相关性分析可以很便捷地找出商品之间销售指标的反向变化趋势，即所谓的负相关模式（negatively correlated pattern），统计学意义的负相关模式不代表事务之间的负关联模式，但是事务之间的负关联会表现为负相关，因此可以先采取相关性分析找出事务之间的负相关性（最佳的分析工具就是商品交叉弹性分析（Cross-Elasticities）），将具有销量交叉弹性的商品组合选取出来，作为后续的负关联规则数据挖掘的数据项集。
2、部分采取Apriori算法，对上述选取的购物篮数据项集采取关联规则数据挖掘方法，挖掘及验证商品之间的负关联规则，负关联的数据挖掘首先需要基于支持度定义(support-based definition)，即必须满足一定的支持度规则（最小支持度：min_sup），这个支持度在零售业对应的是购物篮数量比例。
负关联模式的公式推演如下：
假定A、B是二个相互独立的事务。模式AUB是关联模式。
Sup（A U B）<sup（A）X sup（B）
代表 A和B组成的模式支持度小于A的支持度与B的支持度的乘积
则项集A和B是负关联。
3、最后是量化评估：经过商品交叉弹性分析、Apriori算法验证具有的负关联规则，不要仅仅依靠关联规则的指标强弱作为标准，而是必须经过量化指标的评估，才可以判断这种负关联模式的商业价值，比如使用购物篮销售金额（Cross-selling），判断负关联模式对应了向上销售（Up-selling）、还是向下销售（Down-selling），或者出现了放弃购物篮中商品组合的趋势，即由交叉销售（Cross-selling）转为单商品购物篮（Stand-alone或single-Selling)，这些都需要采取量化指标对负关联规则进行商业价值评定。