购物篮分析
购物篮分析是一种数据挖掘技术，用于分析顾客倾向于一起购买的产品的模式，揭示诸如'购买X的顾客也购买Y'的规律。零售商利用它来指导产品陈列、捆绑销售、交叉销售推荐和促销策略，这些决策基于真实的共同购买行为而非凭空猜测。
购物篮分析的定义
购物篮分析是一种数据挖掘技术，用于识别顾客在同一个交易中一起购买的产品模式。这个名称源于其最初的零售应用——字面意思就是分析购物篮中的内容，以查看哪些商品倾向于同时出现。该技术以"如果顾客购买了商品A，他们也很有可能购买商品B"的形式产生关联规则，并且它是通过挖掘历史订单数据而非依赖商家认为合理的假设或品类分组来做到的。特别是在电子商务领域，购物篮分析已成为产品推荐引擎、捆绑设计和促销规划的基础输入，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互补的猜测。
购物篮分析的工作原理
购物篮分析依赖三个核心统计指标。支持度衡量某个商品组合在所有交易中出现的频率——如果10,000份订单中有500份同时包含手机壳和屏幕保护膜，那么该商品对的支持度为5%。置信度衡量购买商品A的顾客也购买商品B的条件概率——如果购买手机壳的人中有60%也购买了屏幕保护膜，那么该规则的置信度为60%。提升度将该置信度与两个购买行为无关时的预期值进行比较；提升度大于1表示该配对出现的频率高于随机概率的预测，而提升度接近1则表示商品之间无关，仅仅是恰好各自都很受欢迎。
一个实际例子：假设一家家居用品店在一个季度内有8,000份订单。其中400份包含立式搅拌机，900份包含搅拌碗套装。如果150份订单同时包含两者，则该商品对的支持度约为1.9%。购买立式搅拌机后也购买搅拌碗套装的置信度为150除以400，即37.5%——相比之下，搅拌碗套装的整体购买率约为11%，因此提升度远高于1，确认了这是一种值得采取行动的真实关联，例如制作捆绑套餐或放在"经常一起购买"的位置。
购物篮分析对电商品牌为何重要
没有购物篮分析，关于捆绑、交叉销售和产品陈列的销售决策就会默认依赖直觉，而直觉往往会遗漏那些不符合明显品类关系的非显而易见配对——比如一家露营用品店可能会发现，购买帐篷的顾客也大量购买某个特定品牌的驱虫剂，品类经理在没有数据的情况下不太可能猜到这种关联。
基于真实关联采取行动，比基于品类相似性的泛泛"您可能还喜欢"小工具更可靠地提升平均订单价值，因为推荐反映的是实际购买行为而非分类匹配。购物篮分析还有助于避免浪费促销支出：对两个几乎总是被一起购买的商品打折并不会增加购物篮规模，只会减少本就会发生的购买的利润；而对具有高提升度但当前支持度较低的配对进行打折，则可以将未开发的关联转化为新的增量收入。
购物篮分析指标一览
| 指标 | 衡量内容 | 解读方法 |
|---|---|---|
| 支持度 | 商品组合整体出现的频率 | 低支持度配合高提升度仍可能是值得测试的隐藏宝藏 |
| 置信度 | 购买A后购买B的可能性 | 置信度越高，越适合作为"经常一起购买"的候选 |
| 提升度 | 配对出现的可能性比随机情况高多少 | 提升度大于1表示真实关联，而非巧合 |
| 确信度 | B不出现的依赖性如何取决于A不出现 | 有助于识别近乎强制性的附加购买 |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
AI驱动电商中的购物篮分析
随着ChatGPT Shopping和Perplexity Shopping等AI购物助手越来越频繁地针对单个查询生成多商品购买建议，购物篮分析的基本逻辑正在新的层面得到应用：AI助手为露营查询推荐"一顶帐篷、一个睡袋和驱虫剂"，实际上是在实时执行零售商数十年来在自己订单数据上使用的相同关联规则推理。了解自身最强产品关联的品牌，能更好地构建产品列表、捆绑和内容，从而使AI系统呈现正确的组合，而非随意或不完整的组合。在操作层面，AmICited的eshop_get_product_bundles工具是购物篮分析在店铺自身订单历史数据上的直接实现——它处理交易数据以揭示具有统计意义的产品对和产品组，使商家能够看到哪些捆绑销售有真实的共同购买证据支持而非仅凭猜测，并能够在网站销售和面向AI驱动的发现的产品描述中采取相应行动。
购物篮分析最佳实践
- 设置与订单量相适应的最低支持度阈值；每天有数千订单的店铺可以关注稀有配对，而较小的店铺应专注于更高支持度的关系以避免噪声。
- 将提升度与置信度结合使用，而非单独依赖其中任何一个——一条置信度高但提升度接近1的规则可能只是反映两种普遍受欢迎的商品，而非真实关系。
- 定期重新运行分析，因为产品组合和客户行为会随季节性、新品上市和SKU下架而变化。
- 在数据量允许的情况下按客户类型细分分析，因为首次购买者和重复购买者往往表现出不同的共同购买模式。
- 将发现转化为具体行动——特定捆绑套餐、特定交叉销售位置——而不是将分析结果束之高阁。
常见购物篮分析错误
一个常见错误是将支持度、置信度和提升度视为可互换的指标，而实际上每个指标回答的是不同问题；仅依赖置信度可能会发现只是都受欢迎而非真正相关的商品对，导致捆绑销售实际上无法提升客单价。另一个常见问题是在过小的数据样本上运行分析，尤其对于订单量有限的店铺，这会产生统计上不稳定的关联——看起来某个月很强，下个月就消失了——基于十笔订单构建的规则远不如基于一千笔订单的可靠。一些商家还过于机械地将发现应用于SKU级别，而底层模式实际上是在品类级别，从而错失了更广泛的捆绑机会，因为他们寻找的是完全相同的重复配对而非可推广的关系。此外，忽视季节性也很常见：在假日期间看起来很强的配对，在一年中其他时间可能不成立，将其视为永久捆绑可能导致在该时期之外获得低于预期的附加率。最后，许多店铺只做一次分析就不再复查，从而错过了随着产品目录变化而出现的新关联，这意味着捆绑和交叉销售逻辑逐渐与实际当前的客户行为脱节。