购物篮分析怎么做?FineBI做关联规则与商品组合分析

零门槛、免安装!海量模板方案,点击即可,在线试用!

免费试用

购物篮分析怎么做?FineBI做关联规则与商品组合分析

阅读人数:385预计阅读时长:12 min

我在零售行业做商品运营那几年,最常干的一件事,就是"拍脑袋做捆绑"。

我做了三年"拍脑袋"的捆绑销售,直到一次数据打脸

啤酒旁边放尿布,是每个零售人都听过的经典故事,但真到自己做的时候,靠的全是经验和感觉。牛奶旁边摆面包,是因为"感觉早餐要一起买";洗发水搭护发素,是因为"觉得这是刚需搭配";零食区搞个"满三件打八折",是因为"看起来能提升客单价"。这些动作做下来,有的有效,有的没效,但到底为什么有效、为什么没效,谁也说不清。

直到有一次,公司上了一套能看购物篮数据的工具,我第一次把"买了 A 的顾客,到底还买了什么 B"这个问题,用数据真正算了出来。结果让我很意外:我一直以为的"黄金搭配",数据里根本不成立;而几个我完全没想到的组合,关联度却高得惊人。

那一刻我才明白一个道理:购物篮分析的价值,从来不在"会算",而在"能落地成组合与促销"。而它最大的敌人,不是技术门槛,而是"拍脑袋"——用感觉代替数据,用经验代替事实。这篇文章,我想把购物篮分析这件事讲透:它背后的逻辑是什么,旧做法为什么失效,以及怎么用工具把它真正做起来。

购物篮分析到底在算什么

要理解购物篮分析,得先搞清楚它到底在算什么。很多人一听"关联规则""支持度""置信度",就觉得这是数据科学家的专利,离自己很远。其实拆开看,它的逻辑一点都不神秘。

购物篮分析的核心,是回答一个问题:顾客在买 A 的时候,有多大可能同时买 B? 这个问题的背后,是三个关键指标。

第一个是支持度(Support)。它衡量的是"A 和 B 一起被购买"这件事,在所有订单里出现的频率。支持度高,说明这个组合很常见;支持度低,说明这个组合很罕见。支持度太低,即便关联关系成立,也没有商业价值,因为涉及的顾客太少。

第二个是置信度(Confidence)。它衡量的是"买了 A 的人里,有多少也买了 B"。置信度高,说明 A 和 B 的关联强,买了 A 的顾客大概率也会买 B。这是购物篮分析里最直观、最常用的指标。

第三个是提升度(Lift)。它衡量的是"买了 A 之后买 B 的概率,比随机买 B 的概率高多少"。提升度大于 1,说明 A 和 B 是正相关,买 A 会促进买 B;提升度等于 1,说明两者无关;提升度小于 1,说明买 A 反而会抑制买 B。提升度是判断"这个关联到底有没有意义"的关键,因为有些组合置信度很高,但可能只是因为 B 本身就很畅销,跟 A 没有真正的关联。

指标衡量什么通俗理解判断标准
支持度组合出现的频率A 和 B 一起买常见吗太低则无商业价值
置信度关联的强度买了 A 的人会买 B 吗越高关联越强
提升度关联的真实性买 A 真的促进买 B 吗大于 1 才是真关联

这三个指标,构成了购物篮分析的完整逻辑:支持度筛掉太罕见的组合,置信度找出强关联的组合,提升度排除掉"假关联"。三者结合起来,才能真正挖出"买了 A 也买 B"的有价值组合。

旧逻辑为什么失效:拍脑袋做捆绑、没有数据支撑

很多零售团队做捆绑销售、关联推荐的方式,是靠经验拍脑袋。这种做法看起来省事,实际上有三个致命的失效点。

第一个失效点是"感觉代替数据"。牛奶搭面包、洗发水搭护发素,这些搭配听起来合理,但"听起来合理"不等于"数据上成立"。顾客的真实购买行为,往往和运营人员的直觉不一样。我前面提到的那次打脸,就是最典型的例子——我以为的黄金搭配不成立,我没想到的组合反而关联度极高。

第二个失效点是"只看销量、不看关联"。很多团队做捆绑,依据的是"这两个单品都卖得好",于是把它们放在一起。但"都卖得好"和"顾客会一起买"是两回事。两个爆款放一起,可能互相抢流量,也可能根本没有连带购买关系。真正的关联,要看的是"一起被购买"的频率和概率,而不是各自的销量。

第三个失效点是"无法量化效果"。拍脑袋做的捆绑,效果好坏全凭感觉。这个组合到底带来了多少连带销售?这个促销到底提升了多少客单价?没有数据,就说不清。结果就是,好的做法留不下来,坏的做法也淘汰不掉,全靠运气。

第四个失效点,也是最根本的,是关联分析没有和商品运营、促销策划联动起来。就算偶尔发现了一个好组合,也没有一个机制把它沉淀成可复用的促销策略。购物篮分析如果只是分析师的一份报告,而没有落到货架陈列、捆绑套餐、推荐位这些具体动作上,那它的价值就大打折扣。

这四个失效点叠加,就注定了"拍脑袋做捆绑"是低效的。它既找不准真正的关联,也量化不了效果,更沉淀不成策略。

FineBI 是怎么把"买了 A 也买 B"挖出来的

FineBI 是帆软旗下的企业级数据分析平台。放到"购物篮分析"这个场景里,它解决的核心问题,就是把"买了 A 也买 B"的组合,从海量订单里自动挖出来,让捆绑销售有据可依。

先说关联规则的挖掘。购物篮分析需要处理的是订单明细数据——每一张订单里买了哪些商品。FineBI 能把这些订单明细数据整合起来,做关联分析,自动计算出"买了 A 的顾客里,有多少也买了 B"这样的关联关系,并把支持度、置信度、提升度这些指标算出来。这背后是关联分析能力在起作用。

再说指标的沉淀。购物篮分析里的支持度、置信度、提升度,不是算一次就完了,而是要作为可复用的指标沉淀下来。FineBI 的指标中心能把"关联支持度""关联置信度""关联提升度"这些口径统一起来,让每次分析都用同一套标准,不会因为换个人算、换个口径算就得出不同的结果。这背后是指标中心能力在起作用。

然后是看板的呈现。挖出来的关联组合,最终要能让运营人员直观地看到。FineBI 能把关联分析的结果做成看板,把"哪些商品组合关联强""哪些组合值得做捆绑""哪些组合提升度异常"这些信息,用图表和列表的形式呈现出来。运营人员不用懂算法,也能直接看到"该把哪两个商品放一起"。这背后是自助分析和可视化看板能力在起作用。

最后是落地的联动。挖出来的组合,要能真正落到货架陈列、捆绑套餐、推荐位这些动作上。FineBI 的分析结果可以和商品运营、促销策划联动起来,让"数据发现的关联"变成"可执行的促销动作"。这背后是分析结果与业务动作的联动能力在起作用。

能力点解决什么问题背后的能力
关联规则挖掘自动算出"买了 A 也买 B"的组合关联分析
指标沉淀统一支持度/置信度/提升度口径指标中心
看板呈现让运营直观看到关联组合自助分析与可视化
落地联动把关联变成捆绑与促销动作分析结果与业务联动

购物篮分析落地的四个步骤

购物篮分析不是"算一次就完事",而是一个从数据到动作的完整闭环。我把它归纳为四个步骤。

第一步是数据准备。把订单明细数据整理好,确保每一张订单、每一个商品、每一个数量都记录清楚。这是所有分析的基础,数据不干净,算出来的关联就不可信。

第二步是关联挖掘。用工具算出商品之间的关联关系,得到支持度、置信度、提升度这三个指标,找出真正有价值的组合。这一步的关键是设置合理的阈值——支持度太低要筛掉,提升度小于 1 要排除,只留下"既常见、又强关联、且是真关联"的组合。

第三步是策略设计。把挖出来的组合,转化成具体的运营动作:把强关联的商品做捆绑套餐、放在相邻货架、设置连带推荐位,或者设计"满减""第二件半价"之类的促销。这一步是把"数据发现"变成"业务动作"的关键。

第四步是效果复盘。动作落地后,要持续追踪效果——这个捆绑带来了多少连带销售?客单价提升了多少?关联度有没有变化?用数据验证策略是否有效,再反过来优化下一轮的挖掘和策略。这样才形成一个不断进化的闭环。

步骤核心动作关键产出
数据准备整理订单明细干净可信的数据
关联挖掘算出支持度/置信度/提升度有价值的组合清单
策略设计设计捆绑/陈列/推荐可执行的促销动作
效果复盘追踪连带销售与客单价验证与优化依据

这四个步骤,环环相扣。很多团队只做到了第二步——算出了关联,却停在了报告里,没有走到第三步和第四步。而购物篮分析真正的价值,恰恰在第三步和第四步——把关联落地成动作,再用数据验证动作。

购物篮分析能带来什么

把购物篮分析真正做起来,带来的价值是实打实的。

免费试用

最直接的是连带销售的提升。把强关联的商品放在一起、做成套餐,顾客"顺手多买一件"的概率会明显上升,客单价自然就上去了。这不是靠话术硬推,而是顺应了顾客本来的购买习惯。

其次是促销的精准化。以前做促销是"全场满减""全场打折",资源撒胡椒面。有了购物篮分析,就能针对具体的关联组合做精准促销,把有限的促销资源,用在真正能带动连带销售的地方,投入产出比更高。

再次是货架陈列的优化。线上是推荐位,线下是货架。购物篮分析能告诉你"哪些商品该放在一起",让陈列和推荐有据可依,而不是凭感觉摆。这对线下零售尤其有价值,因为货架空间是稀缺资源。

最后是商品策略的升级。关联分析不仅能发现"该搭什么",还能反向发现"哪些商品是孤立品、带不动连带",从而指导选品和汰换。一个商品如果和谁都关联不起来,可能就要考虑它的定位了。

关联规则不止一种,别只会看"两两组合"

很多人以为购物篮分析就是"两个商品一起买",其实关联规则的形态比这丰富得多。理解这些形态,才能把购物篮分析用得更好。

第一种是二元关联。这是最基础的形态,看的是"A 和 B 一起买"。比如"买了咖啡的人,也买了奶精"。这是我们前面一直在讲的,也是最常用的。

第二种是多元关联。它看的是三个甚至更多商品之间的组合,比如"买了咖啡和奶精的人,也买了糖"。多元关联能挖出更复杂的消费场景,但组合数量会爆炸式增长,计算难度也更高,需要更谨慎地设置阈值。

第三种是负向关联。它看的是"买了 A 的人,反而不买 B"。提升度小于 1 的组合,就是负向关联。负向关联同样有价值——它能告诉你哪些商品"不该放在一起",或者哪些商品之间存在替代关系,一个卖好了另一个就会受挤压。这对货架陈列和选品汰换很有指导意义。

第四种是序列关联。它看的不是"同时买",而是"先买 A、后买 B"的先后顺序。比如"先买了婴儿奶粉的人,三个月后买了婴儿辅食"。序列关联对预测复购、设计会员触达节奏特别有价值,因为它揭示了顾客的消费路径和生命周期。

关联类型看什么典型场景应用价值
二元关联A 和 B 一起买咖啡 + 奶精捆绑、陈列、推荐
多元关联三个以上一起买咖啡 + 奶精 + 糖复杂场景、套餐设计
负向关联买 A 反而不买 B竞品替代关系陈列避让、选品汰换
序列关联先买 A 后买 B奶粉 → 辅食复购预测、触达节奏

理解了这四种形态,你就会发现购物篮分析远不止"啤酒配尿布"这么简单。它是一套能覆盖"一起买、先后买、不一起买"的完整关联洞察体系,关键在于你能不能把不同的关联类型,对应到不同的运营动作上。

一个真实的落地案例:从数据到促销

为了把购物篮分析讲得更具体,我讲一个自己亲历的案例(数据做了脱敏处理)。

那是一家做休闲零食的电商,客单价一直卡在 80 块上下,涨不上去。团队试过很多办法——满减、凑单、加购推荐,但效果都不稳定。后来我们决定用购物篮分析,从头看一遍顾客到底是怎么"一起买"的。

第一步,我们把过去半年的订单明细数据整理出来,每一张订单、每一个商品、每一个数量都对齐。数据量不小,几十万张订单、上千个 SKU,光靠 Excel 是根本处理不了的。

第二步,我们跑关联分析,重点看支持度、置信度、提升度三个指标。结果挖出了几个有意思的组合。最典型的一个是:某款坚果和某款果干的关联度极高,置信度超过 40%,提升度接近 3——也就是说,买了这款坚果的人,买这款果干的概率,是随机购买的近 3 倍。但这两个商品,之前一个放在"坚果"分类,一个放在"果干"分类,页面里从来没有互相推荐过。

第三步,我们把这个组合落地成动作:在坚果的详情页加了一个"搭配果干立减"的推荐位,同时做了一个"坚果 + 果干"的套餐价。结果很直接,这个组合的连带购买率明显上升,客单价也往上走了一截。

第四步,我们持续追踪效果,发现这个组合的关联度在促销后还在上升,说明顾客是真的认可这个搭配,而不是被促销硬拉起来的。于是我们把这个组合固化成长期的推荐位,并顺着这个思路,又挖出了几个类似的组合。

这个案例给我最大的启发是:购物篮分析的价值,不在"算出一个漂亮的关联度数字",而在"把这个数字变成货架上的一个推荐位、一个套餐价"。数据本身不产生价值,把数据落到动作上,才产生价值。

购物篮分析最容易踩的几个坑

购物篮分析说起来不复杂,但真做起来,坑不少。我把最常见的几个坑列出来,帮你少走弯路。

第一个坑是"只看置信度,不看提升度"。很多人挖出"置信度 80%"的组合就兴奋,觉得发现了黄金搭配。但置信度高,可能只是因为那个商品本身就很畅销——比如纸巾,几乎人人买,那它和任何商品的置信度都不会低。这时候提升度才是关键,提升度接近 1,说明这个"高置信度"是假的,根本没有真正的关联。所以一定要把提升度作为判断"真关联"的硬门槛。

第二个坑是"支持度设得太高,把有价值的组合筛掉了"。支持度阈值设得太高,确实能筛掉噪声,但也可能把那些"低频但高价值"的组合一起筛掉。比如某个高价商品,虽然买的人少,但买了它的人几乎都会再买一个配件,这个关联的商业价值其实很高。所以支持度阈值要结合客单价和品类特点来定,不能一刀切。

第三个坑是"忽略了时间维度"。购物篮分析默认看的是"同一张订单里一起买",但顾客的消费是有时间跨度的。今天买了咖啡机,下周才买咖啡豆,这种"跨时间的关联"如果只看单张订单,是挖不出来的。所以除了看"同单关联",还要看"跨单关联",也就是序列关联,才能覆盖更完整的消费场景。

第四个坑是"算出来就完事,不落地不复盘"。这是最普遍、也最致命的一个坑。关联分析的结果如果只是躺在报告里,那就等于白做。挖出来的组合,一定要落到具体的货架、推荐位、套餐、促销上,并且持续追踪效果,用数据验证这个关联到底有没有带来真实的连带销售。只有形成"挖掘—落地—复盘—再挖掘"的闭环,购物篮分析才真正有价值。

常见坑具体表现正确做法
只看置信度把畅销品的假关联当真用提升度筛掉假关联
支持度过高筛掉低频高价值组合结合品类和客单价定阈值
忽略时间维度只看同单、漏掉跨单关联补充序列关联分析
不落地不复盘结果躺在报告里落地成动作并持续追踪

常见问题:关于购物篮分析

0. 购物篮分析适合所有零售品类吗?

购物篮分析最核心的前提,是"顾客会一次买多件商品"。所以它最适合超市、便利店、生鲜、零食、美妆、母婴这些"多件连带购买"明显的品类。对于客单价高、购买频次低、一次只买一件的品类(比如大家电、汽车),购物篮分析的价值会打折扣,因为"一起买"的场景本身就少。所以购物篮分析不是万能的,要结合品类特点来判断适用性。

1. 支持度、置信度、提升度,到底先看哪个?

三个指标要结合起来看,不能只看一个。支持度太低,说明组合太罕见,即便关联强也没商业价值;置信度高但提升度接近 1,说明这个关联可能是"假关联"——只是 B 本身畅销,跟 A 没关系。正确的顺序是:先用支持度筛掉罕见的组合,再用提升度排除假关联,最后用置信度给剩下的组合排序。三者缺一不可。

2. 关联规则的阈值怎么定,拍脑袋行不行?

不建议拍脑袋。阈值要根据自己的品类和订单量来定。订单量大的品类,支持度阈值可以设高一点,筛掉噪声;订单量小的品类,阈值要设低一点,否则什么组合都挖不出来。一个简单的做法是,先跑一遍数据,看支持度、置信度、提升度的分布,再据此设定阈值,这样挖出来的组合才符合自己的业务实际。

3. 购物篮分析的数据,从哪里来?

主要来自订单明细数据——每一张订单里买了哪些商品、各买了多少。线上电商可以从订单系统直接取;线下零售可以从 POS 收银系统取,每一张小票就是一个"购物篮"。关键是要有"订单号 + 商品"的明细结构,这样才谈得上"买了 A 也买 B"的分析。如果只有汇总后的销量数据,是没法做购物篮分析的。

4. 购物篮分析一定要上 BI 工具吗,Excel 能做吗?

订单量小的时候,Excel 也能勉强做,但非常吃力。因为购物篮分析本质上是"两两商品组合"的计算,商品一多,组合数量就是平方级增长,Excel 根本扛不住。BI 工具的价值在于,把关联分析的计算、指标沉淀、看板呈现做成一个可持续的系统,让运营人员不用每次都手工重算。尤其是商品数达到几百上千、订单量几十万上百万时,BI 工具几乎是必然的选择。

5. 挖出来的关联组合,怎么落地成促销?

落地要分三步:一是把强关联的组合做成捆绑套餐,比如"啤酒 + 尿布"式的套餐价;二是把关联商品放在相邻位置,线上是推荐位,线下是相邻货架;三是设计针对性的促销,比如"买 A 加购 B 立减"。关键是每一步都要有数据支撑,并且落地后要持续追踪连带销售和客单价的变化,用数据验证效果。

6. 购物篮分析之外,还需要看什么商品指标?

购物篮分析解决的是"关联"问题,但商品运营还需要看更多维度,比如商品的动销率、库存周转、毛利贡献、复购率。可以在购物篮分析的基础上,把这些指标结合起来,构建更完整的商品价值画像。购物篮分析是商品运营的一个重要视角,但不是全部。一个成熟的商品运营体系,往往是关联分析打底、多维度指标叠加,逐步从"看关联"走向"看全局"。

7. 购物篮分析做出来了,怎么保证真正用起来?

购物篮分析最怕的是"算出来就完事"。要保证真正用起来、持续用起来,关键是把分析结果和运营动作、效果复盘串成一个闭环——挖出组合、设计促销、追踪效果、再优化挖掘。同时要把关联分析的结果沉淀成可复用的指标和看板,让运营人员能持续、自助地查看,而不是每次都要找分析师重新算一遍。只有把购物篮分析从"一次性项目"变成"持续运营的能力",它才能真正带来增长。

【AI声明】本文内容通过大模型匹配关键字智能生成,仅供参考,帆软不对内容的真实、准确或完整作任何形式的承诺。如有任何问题或意见,您可以通过联系blog@fanruan.com进行反馈,帆软收到您的反馈后将及时答复和处理。

若想了解更多关于FineBI的相关信息,您可以访问下方链接,或点击下方组件,快速获得帆软为您提供的企业大数据分析平台建设建议、免费的FineBI试用和同行业自助智能分析标杆案例学习参考。

了解更多Finebi信息:www.finebi.com

帆软FineBI一站式大数据分析平台在线试用!

免费下载

评论区

暂无评论
帆软企业数字化建设产品推荐
报表开发平台免费试用
自助式BI分析免费试用
数据可视化大屏免费试用
数据集成平台免费试用