什么是关联规则？购物篮分析怎么做

便利店店长想弄清哪些商品该摆在一起：饭团和茶饮、啤酒和花生、关东煮和湿巾。收银系统里躺着几十万条小票，让 AI 去挖，几秒钟就能吐出几百条「买了 A 也买 B」的组合。真正难的是判断哪一条值得动手。关联规则做的就是这件事，三个指标各回答一个问题，混着看就会做出错误的陈列决策。

一条规则由两个集合和三个数字构成

规则写成 A 到 B，A 叫前项，B 叫后项。方向不能反：「买尿布的人常买啤酒」和「买啤酒的人常买尿布」是两条不同的规则，支持度相同，置信度往往差很远。前者可能只有几十单支撑，后者覆盖上万单。

挖掘之前要先定两件事：交易怎么算一笔，按小票还是按会员单；商品怎么归并，按单品还是按品类。这两件事定错，后面所有指标都是错的，而且错得很隐蔽。

三个指标，各回答一个问题

三个数要连起来读：支持度决定这条规则够不够大，置信度决定它准不准，提升度决定它是不是废话。任何一项单独看都能得出错误结论，这是购物篮分析最容易踩的坑。

提升度剔除的是「本来就畅销」

算一遍就清楚了。1000 单里 800 单有矿泉水，200 单有面包，其中 180 单两者都有。面包到矿泉水的置信度是 180 除以 200，等于 90%，看着很高；但矿泉水本身就有 80% 的人买，提升度只有 90% 除以 80%，约 1.13，几乎等于没有关系。反过来，某进口酱料只有 5% 的人买，买牛排的人里 30% 会买它，提升度是 6，虽然只覆盖几十单，却值得试着放在一起。

经验阈值：提升度在 1 附近表示两件商品基本独立，1.2 以上可以看一眼，2 以上才值得做陈列实验。这个阈值随品类密度变化，生鲜和日用品不能套同一套标准。

挖掘靠两步：先找频繁项集，再切规则

Apriori 用一条性质剪枝：一个项集频繁，它的所有子集必然频繁；反过来，子集不频繁，超集一定不频繁，可以直接丢掉。这一步把指数级的组合数压到可算。FP-Growth 换了一种数据结构，不生成候选集，在稠密数据上通常更快。

商品上千时，二阶三阶项集还能跑，四阶以上数量爆炸，业务上也用不上——没人会为「啤酒加尿布加牙膏加电池」设计一个货架。真正决定成败的是支持度阈值：设高了挖不出东西，设低了全是噪声，通常从千分之一到百分之一之间试几档。

它和K-means 聚类常被放在一起讲，因为两者都不需要标签。区别在于聚类按距离把样本分组，关联规则按共现把商品配对：一个回答「谁和谁像」，一个回答「谁和谁一起出现」。想按相似度找同类商品，那是余弦相似度与欧氏距离要解决的问题，和共现规律不是一回事。

规则有保质期

季节、改价、货架调整、竞品进场都会改变共现结构。上个月挖出来的规则这个月可能已经失效，而算法不会提醒你。固定周期重跑，并记录每条规则的提升度变化曲线，比一次性挖完有用得多。这类现象和数据漂移是同一回事：数据分布变了，基于旧分布得出的结论就不可靠。

重跑的频率取决于商品周转速度。生鲜便利店一周一跑不算频繁，家居建材一个月一跑也够。频率定得太低，等于拿去年的规律指导今年的陈列。

它只能说一起出现，说不出因为

相关性不等于因果，这是第一条。啤酒和尿布同现，可能是「有婴儿的家庭」这个没被观测到的因素同时带动了两者，据此做捆绑未必有效。要判断因果，得做对照实验：把商品摆在一起，看销量是否真的变化，而不是看规则分数。

第二条是辛普森悖论。整体算出来提升度 1.8，按门店拆开可能每家都低于 1，因为高提升度集中在几家大店。第三条是它丢掉了数量和顺序：同一张小票买了两瓶还是一瓶，规则不区分；先买后买的次序也不保留，那属于序列模式挖掘的范围。

还有一层是解释成本。一次挖出几百条规则，业务方看不过来，最后还是要靠人筛。规则数量本身不是成果，能被执行的规则才是。

落地前还要过三道业务筛

毛利：提升度高但毛利为负的组合，捆在一起是赔钱。客单价：两件商品本来就常被一起买，再捆绑反而拉低整体价格。库存：不稳定或临期的商品不能做主推，规则跑得再准也供不上。

指标负责从数据里挑候选，生意常识负责最后一刀。把这两步混在一起，要么挖出一堆无法执行的规则，要么凭直觉错过真正的组合。指标口径怎么和业务口径对齐，可参考评估指标的取舍。

速查：判断一条规则能不能用

• 支持度够不够：低于千分之一的规则先放一边，样本太少。
• 提升度是否明显大于 1：接近 1 说明两者独立，置信度再高也没用。
• 方向对不对：A 到 B 和 B 到 A 是两条规则，别混用。
• 拆开还成立吗：分门店、分时段复核，防止辛普森悖论。
• 能不能执行：毛利、库存、货架空间至少过一关。