购物篮分析
购物篮分析是一种分析顾客在同一笔交易中倾向于同时购买哪些产品的实践方法，旨在揭示有意义的购买模式。它通过展示真实、数据驱动的产品关联关系（而非假设的关联），为产品捆绑、交叉销售、店铺布局和商品陈列等决策提供依据。
购物篮分析的定义
购物篮分析是一种分析交易数据以识别顾客倾向于在同一订单中一起购买哪些产品的技术。其名称源于实体购物篮：购物篮分析不是孤立地分析产品，而是审视每笔已完成购买的全部内容，以发现重复出现的共同购买模式。它是产品捆绑、“经常一起购买"推荐和商品陈列决策背后的基础技术，因为它用直接来自实际客户行为的证据，取代了关于哪些产品搭配良好的猜测。
购物篮分析的工作原理
购物篮分析依靠三个核心统计指标来评估两个产品之间的配对是否有意义。支持度衡量特定产品组合在所有交易中出现的频率——如果在 1,000 个总订单中有 50 个同时包含产品 A 和产品 B，那么该组合的支持度为 5%。置信度衡量购买产品 A 后也购买产品 B 的概率，计算方法为同时包含两者的交易数除以仅包含产品 A 的交易数——如果 200 个订单包含产品 A，其中 50 个也包含产品 B，则置信度为 25%。提升度衡量这种共同购买发生的频率是否高于偶然预期的水平，计算方法是将实际置信度与产品 B 的整体受欢迎程度所预测的值进行比较——提升度大于 1 表示真实的正相关关系，而提升度接近或低于 1 则表示该组合是偶然的，甚至呈负相关。
一个具体例子可以使这一点更加清晰。假设一家商店共有 1,000 个订单。产品 A（手机壳）出现在 200 个订单中。产品 B（屏幕保护膜）出现在 150 个订单中。在包含产品 A 的 200 个订单中，有 60 个也包含产品 B。该组合的支持度为 60 ÷ 1,000 = 6%。置信度为 60 ÷ 200 = 30%。要计算提升度，将 30% 的置信度与产品 B 的基准受欢迎程度 150 ÷ 1,000 = 15% 进行比较：提升度为 30% ÷ 15% = 2.0，意味着购买产品 A 的客户同时购买产品 B 的可能性是随机客户的两倍。提升度为 2.0，且支持度和置信度合理，这是捆绑包或交叉销售推荐的强有力候选，因为该关系既有统计意义，又足够常见，可以采取行动。
为什么购物篮分析对电商品牌至关重要
购物篮分析之所以重要，是因为没有它而做出的商品陈列决策往往依赖假设——品类邻近性、直觉判断或"看起来"应该搭配良好的感觉——这些假设通常与实际客户行为不符。一家商店可能会假设同一品类的两种产品自然会被一起购买，结果通过购物篮分析发现，客户实际上是将其中一种产品与完全不同品类的产品搭配在一起。基于经过验证的购物篮分析结果（而非假设的关系）采取行动，通常能产生转化率更高的捆绑包和交叉销售推荐，因为它们反映的是已经存在的需求模式，而非商品陈列员期望发生的模式。
| 指标 | 衡量内容 | 示例解读 |
|---|---|---|
| 支持度 | 该产品组合在所有订单中出现的频率 | 支持度低可能意味着数据太少，结果不可信 |
| 置信度 | 购买 A 后也购买 B 的可能性 | 置信度高表明存在强方向性关系 |
| 提升度 | 该组合是否优于随机概率 | 提升度接近 1 表示不存在真实关系 |
购物篮分析与 AI 驱动型电商
AI 购物助手（如 ChatGPT Shopping 和 Perplexity Shopping）在帮助购物者比较或完成购买时，越来越多地解答隐含的"这个搭配什么"的问题，这意味着品牌自身经过验证的购物篮分析结果可以作为构建准确的捆绑包和推荐方案的数据输入，而这些方案更可能被这些助手反馈给购物者。AmICited 的 eshop_get_product_bundles 工具直接针对商店的真实订单历史运行此分析，展示经过支持度、提升度和置信度评分的产品组合，使商家能够基于真正强关联的关系（而非假设）采取行动——无论目标是构建捆绑包、改善站内交叉销售布局，还是更好地了解目录的实际购买结构。
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
购物篮分析的最佳实践
- 在将产品组合视为可靠之前，要求最低支持度，因为低销量组合容易受到噪声影响
- 在关注置信度的同时优先关注提升度，因为如果提升度接近 1，高置信度的组合仍可能无信息价值
- 定期重新运行购物篮分析，因为购买模式会随季节性、促销活动和目录变化而改变
- 在相关情况下按客户类型或渠道对购物篮分析进行细分，因为新客户和复购客户可能以不同的方式搭配产品
- 将结果用于指导捆绑包、交叉销售布局甚至分类页面结构，而不仅仅是促销优惠
常见的购物篮分析错误
一个常见错误是仅依赖支持度而不检查提升度，这可能会发现两个仅仅是热门的产品之间的组合，但实际上并不存在真实关联——两个畅销品会在相当数量的订单中纯粹偶然地同时出现，因此提升度对于过滤这些假阳性至关重要。另一个常见问题是在过小的数据集上运行购物篮分析，例如刚推出且只有少量订单的产品，并将由此产生的组合视为可靠，而实际上它只是小样本量的伪像；在信任结果之前设定最低订单阈值可以避免这一问题。一些企业还让购物篮分析结果过时——根据多年前的模式构建捆绑包或推荐方案，而随着目录和客户群的变化，该模式已不再适用——定期基于当前数据重新运行可以捕捉到这种漂移。将每个高提升度的组合都视为同等可操作是另一个错误，因为两个低利润、极少被搜索的产品之间的强统计关系可能不值得围绕其构建商品陈列方案，即使数据看起来不错；购物篮分析结果应结合商业价值来权衡，而非仅依据统计显著性。