“大数据给得了结论，但给不了解释”，这句话是某些数据分析人员最爱的口头禅，重算法、炫展示、忽略商业解释，也是数据分析界某些人的通病。

数据分析界还有一句名言：测量、但不解释（Measure, but do not explain），有时被认为是天经地义的。

在零售业这样做会导致分析结果是瘸腿的，不能解释数据背后的商业逻辑，就不能体现数据分析的商业价值。

对于购物篮的关联规则，只指出这些规则的“有趣”，而对其中的商业价值不予以商业解释，这样的关联规则是没有意义的。

一个完整的商业数据分析结论应该由三部分组成：业务知识、数据处理、算法技巧。按照权重比例分配，应该是业务知识第一、数据处理第二、算法技巧第三。

业务知识就是你对商业问题的理解能力（Business Understanding），只有经过业务知识包装的商业解释，才能够得到客户的认可、并得以应用。

零售数据分析的商业解释，就是解释零售门店中有价值的商业事实、消费者行为、或门店运作的优化模式。

1、常见的错误商业逻辑解释方法

首先需要明确的是，聆听商业解释的对象，不是数据分析专业人员，而是零售门店的运营人员，商业解释必须采取他们能够听得懂的语言（俗称：说人话），并可以在门店中指导实际操作。

在现实中，需要注意如下的商业解释方法：

? 不要讲业务人员听不懂的语言，比如数据分析人士最爱说的“这条曲线吻合得非常好”之类的话。

? 不要简单地将支持度-置信度-提升度三个指标直接丢给业务人员，以此解释购物篮分析指标的强弱，这个三个指标不是量化指标，没有业务人士能看懂。

? 不要简单地将分析报表直接丢给业务人员，尽管业务人员每天被各种报表包围，都是地道的“表哥表姐”（表格），但实际上很多人看不懂很多报表。

? 不要讲一些不合规的建议，我曾经遇到过某外资零售咨询人员，建议客户多开设烟草门店，以此提高企业的销售额。

? 避免告知一些自己不懂，但对方已经熟知的商业常识；

? 避免盲目建议对方“应该采取的营销措施”等。

? 只是提交分析结果，没有告诉业务人员下一步应该采取什么样的行动，没有行动指导建议、再美观的图表也是苍白无力的。

2、正确的关联规则商业解释方法

关联规则的商业解释应该由二个部分组成，一部分是关联规则对应的指标，另一部分是描述关联规则使用的语言。

描述关联规则的指标应该是量化且业务人员熟知的经营指标，描述关联规则的语言一定是业务人员能听懂的自然语言。

基于量化经营指标的商业解释是业务人员最喜欢的方式，量化指标描述可以对门店中某些熟视无睹、或被忽略的商业事实，通过经营指标来揭示这些商业规则的价值。

比如买尿布的客户45%会购买啤酒花生米、产生的购物篮金额可能是XXX元。

又比如买了大米的顾客，二周之内会购买食用油,二者的关联销售额可能是XXX元。

在组织黄酒节时，建议熟食柜台也要对1-2个品类进行促销，以此组成黄酒与熟食的购物篮，可能产生XXX元的销售收入。

也可以采取基于因果关系的商业解释方法，对某些商业活动进行预测，如IF 促销水果 THEN 客流增加30%。

还可以对商品的购物篮表现趋势给予商业解释，比如对商品不同的购物篮发展趋势，如Single-selling、Cross-selling、UP-selling、Down-selling等趋势进行商业解释。

在对关联规则进行商业解释时，仅仅采取量化指标的描述是不够的，最好的办法是学会讲故事，尤其是使用统计指标包装的故事！故事有着强大的力量，不管在哪里，无论是学术界还是企业界，大家都公认演讲中的故事比统计数据更有说服力。

当故事被统计数据包装后，故事可以加深统计数据的感染力，这是任何报表、图表都无法企及的。

对于关联规则的商业解释故事组织中，应注意如下的事项：

? 独立（Independent）：在关联规则涉及到了几个故事时，尽量避免故事之间的相互依赖性，相互依赖的故事是没有商业价值。

? 可协商（Negotiable）：故事包含的商业逻辑是可以被业务人员及其团队接受的。

? 可估算（Estimate）：这里谈及的可估算，指的是关联规则涉及的数据集合是可以估算的，是给定了限定范围（有约束条件），而不是无边际的海量数据。

? 有价值（Valuable）：挖掘出来的关联规则具有商业价值，而不仅仅讲个有趣的故事。

? 短小（Small）：故事不要涉及太多概念，具有适应性及可重复性，故事的分析、评估过程可以在短时间内完成迭代或循环。

? 可测试（Testable）：讲述的故事必须是可以在卖场中检验、可重复的。