企业官网建设流程全解析

这节内容虽然排在某个数据分析系列教程的第二部分第十六节，但你把它单摘出来当成一篇独立的速查笔记也完全成立。关联规则分析，说穿了就是一件事：在大量交易记录里，找出那些“一起出现”得不同寻常的商品组合。很多人最早听说这个技术，都是因为那个啤酒与尿布的经典案例——超市发现买尿布的顾客常常顺手拿啤酒，于是把啤酒摆到尿布货架旁边，据说销量明显提升。这个故事今天已经很难考证真伪，但它背后的统计学思想值得认真掰一掰：到底凭什么判断两种商品“一起出现”是纯属巧合，还是真有内在关联？答案就是支持度、置信度、提升度这三个指标。

这篇文章我会从三个指标的原理讲起，解释它们各自解决了什么问题、如何计算，再用一组手工可验算的迷你数据完整走一遍，最后给出可以直接复用的Python代码。无论你是数据分析师、电商运营、产品经理，还是刚接触机器学习的新手，只要想把“谁和谁一起卖得好”这件事搞清楚，这篇文章都值得读完。

1. 购物篮分析到底在解决什么问题

1.1 两个真实业务场景

先抛两个场景，把需求讲透。

第一个是电商推荐。平台想做一个“买了A也看看B”的推荐位，核心问题是什么？不能只推热销品。如果一个商品本身销量极高，比如纸巾，它的出现概率天然就大，那么“买了牛奶也买纸巾”这种组合就没什么指导意义。平台真正关心的，是那些“本来以为不相关、实际却常常一起出现”的组合。这种需求下，光靠直觉不靠谱，必须用统计指标量化。

第二个是线下零售的陈列优化。超市想把货架摆得更有销售力，啤酒和尿布的故事就属于这一类。但线下场景有一个特点：单品数量成千上万，两两组合几十万种，三三组合上百万种，不可能靠人肉一个个看。这时候就需要一个自动化筛选框架：先定一个“最低出现次数”的门槛，把大量冷门组合滤掉，再在剩余组合里按可靠度排序。

两个场景的共同点是：都拿到了一张交易明细表，每行是一次购买记录，每行里的商品集合就叫“项集”；我们想从里面挖出形如“X -> Y”的规律，这个规律就叫关联规则。

1.2 关联规则的表达方式

关联规则的标准写法是 X -> Y，读作“买X的人会买Y”。这里X叫前件，Y叫后件，它们各自可以是一个或多个商品。比如“牛奶、面包 -> 黄油”，意思是买了牛奶和面包的顾客更容易顺手买黄油。

为什么这件事不能直接用“同时买的人数”来拍板？因为不同商品的基础销量差异巨大。热销商品和任何东西都容易一起出现，冷门商品再“忠诚”也显得数据很少。三个指标就是针对这个问题设计的：支持度负责衡量“这个组合有多普遍”，置信度负责衡量“这条规则有多可靠”，提升度负责衡量“这条规则到底有没有独特价值”。

打个比方：支持度是在海选演员——先看这个组合出场次数够不够多；置信度像是看专业水平——演技好不好；提升度则是看票房号召力——比起一个普通演员，这个演员是不是真能带动票房。三关全过，这条规则才算值得跟进。

2. 支持度：先筛掉那些“没人买”的组合

2.1 支持度公式与直觉理解

支持度的定义非常简单：规则X -> Y的支持度，等于同时包含X和Y的交易数，占总交易数的比例。写成公式就是：

Support(X -> Y) = 同时包含X和Y的交易数 / 总交易数

比如总共有1000笔订单，其中60笔既买了薯片又买了可乐，那么规则“薯片 -> 可乐”的支持度就是60 / 1000 = 6%。直观理解就是：任何一条规则，如果它连这个比例都撑不起来，说明这个组合在全部交易里只是极少数人的行为。组合太罕见，下一步怎么做决策都缺乏数据基础。

支持度还有一个身份：它是频繁项集的判定依据。只有当一个项集的支持度达到最小阈值，它才能进入后续分析。为什么先看支持度？因为它是“分母质量”的头道关卡。如果不管支持度，直接用置信度和提升度筛选数据，很容易被几个孤例误导。比如全店只有一个顾客同时买了天文望远镜和防寒服，置信度可能是100%，但总共只有一条交易，你总不能因为这个就把两件商品摆在一起吧。支持度就是用来把这种“小样本偶然”挡在门外的门槛。

2.2 最小支持度阈值怎么定才合理

支持度需要设置最小阈值，比如min_support = 5%。阈值怎么选，直接决定后续规则的数量和质量。

经验上，这个参数在不同场景差别很大：电商订单量大、品类多，如果商品普遍低频，5%可能太高，经常要调到1%甚至0.5%；线下零售在某一个品类内部做分析，比如只看啤酒这个细分货架，就可以把阈值抬高到10%以上。定阈值之前，最好先看一眼商品销量分布。我此前拿某电商脱敏数据做过实验，销量排名前20%的商品占据了80%的订单，这种“长尾数据”里，min_support设2%能得到比较平衡的规则集；如果整体商品都很集中，阈值可以明显往上提。

还有一个值得说明的性质：支持度具有单调递减特征。一个项集如果不够频繁，它的任何父级组合也不可能频繁；反过来，如果一个项集频繁，它的所有子集也一定频繁。这个性质叫Apriori性质，是所有高效关联规则算法的理论基石。它的实际价值在于：算法可以先把频繁项集找出来，只基于频繁项集生成规则，从而避免计算几百万个两两组合。

3. 置信度：买了A的人有多少会买B

3.1 从条件概率理解置信度

支持度衡量的是“整个交易库里，这个组合出现得多不多”；置信度衡量的则是“在买了X的人群里，有多少人同时买了Y”。换句话说，它是一个条件概率：

Confidence(X -> Y) = P(Y | X) = 同时包含X和Y的交易数 / 只包含X的交易数

这个公式看起来只比支持度多了一个“除以X的支持度”的操作，但意义完全不同。比如规则“薯片 -> 可乐”，假设同时买薯片和可乐的有60笔，买薯片的有80笔，那么置信度就是60 / 80 = 75%。含义是：在薯片消费者中，有四分之三的人会买可乐。这个数字直接反映了规则的可执行性——你打算给买薯片的人推荐可乐，有了这条规则，就知道推荐有75%的命中概率。

我习惯把置信度理解成“转介绍成功率”。一个老客户愿意把新客户介绍进来，说明两者之间有稳定关系；置信度就是在量化这个稳定关系。它解决了支持度“只问广度、不问深度”的问题：一个组合可能支持度不高，整体交易占比低，但在买了前件的消费者群体内部，后件的命中率其实很高。

3.2 为什么高置信度不等于强规则

这里必须停下来泼一盆冷水：置信度高，不能直接说明规则有价值。

原因在于，置信度只对比了“前件出现时后件出现的概率”，却没有对比“后件本身的整体出现概率”。举个例子：假设全店有40%的顾客买可乐。现在有一条规则“爆米花 -> 可乐”，买爆米花的人里有60%也买可乐。只看60%确实不低，但跟全店平均的40%对比一下就会发现，爆米花消费者买可乐的比例确实显著更高。可如果换一种环境：全店80%的人都会买可乐，这时“爆米花 -> 可乐”的置信度哪怕高达82%，也并不意味着爆米花和可乐之间有值得运营的强关联——因为大家本来就都在买可乐。

更极端的情况是，一个热销商品Y的支持度高达80%，那么任何以Y为后件的规则，置信度都有机会超过80%。这不一定代表X和Y有关系，可能只是大家本来就都在买Y。如果只按置信度排序，很容易导出一些“因为大家都在买可乐，所以随便推可乐就能命中”的凑数规则。这也是很多新人跑出一堆垃圾规则的主要原因。

所以业内有一条不成文的组合拳：先用支持度筛掉低频组合，再用置信度对剩余规则做初步排序，最后用提升度或杠杆率做最终筛选。三个指标是一套完整流程，少任何一个都会偏。

4. 提升度：一眼识破“假相关”

4.1 提升度公式与三种结果

提升度是三个指标里最值得琢磨的一个，公式是：

Lift(X -> Y) = P(Y | X) / P(Y) = Confidence(X -> Y) / Support(Y)

它其实就是在回答一个问题：有了X这个条件之后，Y发生的概率被人为拉升了多少倍？分子是“在X群体中Y的概率”，分母是“在全部人群中Y的概率”。两者一比，就能判断X和Y之间到底是正向拉动、负向抑制，还是纯粹各卖各的。

提升度的结果分三种情况：

• Lift > 1：正相关。买X会提升买Y的概率。比如买了爆米花的人购买可乐的概率是整体的1.5倍，那“爆米花 -> 可乐”就是一条值得配置的推荐规则。
• Lift = 1：X和Y相互独立。买不买X，对买Y没有任何影响。这种规则即使置信度再高，也只是“各自卖得好”的假象，业务价值很低。
• Lift < 1：负相关。买X反而降低了买Y的概率。负相关规则也有用——它提示了两类商品存在互斥关系，可以用在陈列隔离或优惠券发放策略上。

如果还要再打个比方，提升度衡量的是“介绍人的独特价值”。一个介绍人名下只有两个好友，但每次介绍都成功，成功率很高；可如果另一个普通人成功率也差不多，这个介绍人的价值就不大。提升度衡量的正是这个“比别人强多少”的增量。

4.2 后件基准概率：被忽视的关键变量

很多人第一次做关联分析时，用的是“支持度+置信度”组合，结果发现导出的规则大多荒诞不经，什么“纸巾 -> 牛奶”“登录页 -> 电商App”之类。为什么？就是少了提升度这一道关。

单独看支持度，它只告诉你某组合出现过多少次。单独看置信度，它只告诉你“前件发生时，后件发生的条件概率”。两个指标都忽略了后件的基准概率。如果后件本身在全店里就是高频商品，一条规则即使置信度很高，也可能是“搭了后件畅销的便车”。

举一个直观的例子。假设全店50%的人买面包，买牛奶的人里有70%也会买面包，那么“牛奶 -> 面包”的置信度是70%，提升度Lift = 0.7 / 0.5 = 1.4。这算是正向关联。可如果换一个比例：全店85%的人买面包，买牛奶的人里有80%也买面包，置信度还是80%，提升度却只有0.94。这时候你还觉得“牛奶和面包强相关”吗？事实是：面包是全店明星商品，大家结账时都会顺手拿，牛奶这个前件几乎没有提供额外信息。

提升度的价值就在这里：它把后件的“人口基数”也拉进了比较。只有当X的存在让Y的出现概率明显高于Y的全局概率时，我们才说这是真正的规律，而不是热销商品带来的幻觉。

5. 手工实战：7条交易数据算出三指标

5.1 迷你数据集与单商品支持度

理论讲再多，不如手算一遍记得牢。我这里构造了一个迷你数据集，一共7笔交易，每笔购买的商品如下：

T1: 牛奶、面包、鸡蛋 T2: 牛奶、面包 T3: 牛奶、鸡蛋 T4: 面包、奶酪 T5: 牛奶、面包、鸡蛋 T6: 面包、鸡蛋 T7: 牛奶、面包

先数四种商品的单商品支持度：

• 牛奶出现于T1、T2、T3、T5、T7，共5次，支持度5/7 = 71.4%
• 面包出现于T1、T2、T4、T5、T6、T7，共6次，支持度6/7 = 85.7%
• 鸡蛋出现于T1、T3、T5、T6，共4次，支持度4/7 = 57.1%
• 奶酪出现于T4，共1次，支持度1/7 = 14.3%

注意，奶酪只出现在一笔交易里，所以任何包含奶酪的二项组合，支持度都不可能超过14.3%。如果设置min_support = 40%，奶酪直接被淘汰出局。这就是支持度过滤低频组合的直观作用。

5.2 三条规则的完整计算过程

下面围绕牛奶、面包、鸡蛋这三个高频商品，分批计算规则指标。

先算规则“牛奶 -> 面包”：

• 同时包含牛奶和面包的交易：T1、T2、T5、T7，共4次，支持度 = 4/7 = 57.1%
• 置信度 = 4 / 5 = 80%，含义是买了牛奶的顾客中，有80%也买了面包
• 提升度 = 置信度 / 面包支持度 = 0.8 / (6/7) ≈ 0.933

再算规则“牛奶 -> 鸡蛋”：

• 同时包含牛奶和鸡蛋：T1、T3、T5，共3次，支持度 = 3/7 = 42.9%
• 置信度 = 3 / 5 = 60%
• 提升度 = 0.6 / (4/7) = 1.05

再算规则“面包 -> 鸡蛋”：

• 同时包含面包和鸡蛋：T1、T5、T6，共3次，支持度 = 3/7 = 42.9%
• 置信度 = 3 / 6 = 50%
• 提升度 = 0.5 / (4/7) = 0.875

最后算一下“面包 -> 牛奶”：

• 同时包含面包和牛奶：同样4次，支持度57.1%
• 置信度 = 4 / 6 = 66.7%
• 提升度 = 0.667 / (5/7) ≈ 0.933

把结果整理成表：

这里有个现象值得注意：牛奶 -> 面包和面包 -> 牛奶的置信度并不相同，一个是80%，一个是66.7%，但提升度完全一致，都是0.933。原因在于提升度两边都做了“基准概率归一化”：前件换方向之后，分子分母对应变化，比值却保持不变。这也提醒我们，方向的选择对置信度影响明显，对提升度则不影响核心判断，落地时应该多结合业务逻辑来确定前件后件。

5.3 结果表揭示的三个重要信号

这张表藏着许多新手容易忽视的细节。

第一，规则“牛奶 -> 面包”的置信度高达80%，是全表最高。如果只看支持度和置信度，很多人会认为这是全店最值得推广的强规则。但提升度只有0.93，低于1，说明牛奶和面包不仅没有正向协同，反而呈现轻微的负相关。为什么会这样？回到原始数据：面包是全店出现率最高的商品，85.7%的顾客都会带上面包；而牛奶的购买者也几乎都会拿面包，但由于面包本身太普及，买牛奶并没有让买面包的概率再往上提，反而因为几笔“买了面包但没买牛奶”的交易，让比例略低于全局平均。这是典型的“热销商品之间的假关联”。

第二，真正有正向价值的是“牛奶 -> 鸡蛋”，提升度1.05，虽然只比1高了一点，但方向是对的：牛奶消费者中购买鸡蛋的比例是60%，高于全店平均的57.1%。做捆绑推荐时，优先选择这一条规则。

第三，“面包 -> 鸡蛋”提升度0.875，是负相关。买面包的人反而更少买鸡蛋。如果只看支持度42.9%，它和“牛奶 -> 鸡蛋”一样，看起来差别不大；但加上提升度之后，两条规则的业务导向完全相反。

这个手工案例想说明的要点是：单纯按置信度排序，你会挑中“牛奶 -> 面包”；加上提升度之后，你才会发现真正值得尝试的是“牛奶 -> 鸡蛋”。三指标一起看，排序逻辑完全不同。

6. Python快速实现：10行代码跑通关联分析

6.1 数据预处理：从交易表到one-hot矩阵

手算能建立概念直觉，工具才能处理几万行、几十万行真实交易数据。目前最常用的Python库是mlxtend，它封装了Apriori算法和规则生成函数，十来行代码就能完成一次关联分析。

开始之前，有一个预处理步骤容易踩坑：mlxtend要求输入是“每个商品一列”的one-hot矩阵，不是原始的“一行一笔交易、商品用逗号分隔”的宽表。所以要先用TransactionEncoder做一次编码转换。代码如下：

import pandas as pd from mlxtend.preprocessing import TransactionEncoder from mlxtend.frequent_patterns import apriori, association_rules dataset = [ ['牛奶', '面包', '鸡蛋'], ['牛奶', '面包'], ['牛奶', '鸡蛋'], ['面包', '奶酪'], ['牛奶', '面包', '鸡蛋'], ['面包', '鸡蛋'], ['牛奶', '面包'] ] te = TransactionEncoder() te_ary = te.fit(dataset).transform(dataset) df = pd.DataFrame(te_ary, columns=te.columns_) frequent_itemsets = apriori(df, min_support=0.4, use_colnames=True) print(frequent_itemsets)

运行后，frequent_itemsets会输出每个频繁项集及其支持度，比如（牛奶、面包）的支持度0.571，（牛奶、鸡蛋）的支持度0.429。这里设min_support=0.4，是为了和上面手算的基准对齐，实际项目里要按数据量和业务目标调整。

6.2 Apriori算法与规则生成

频繁项集只是中间产物，下一步用association_rules函数生成规则。metric='lift'表示按提升度筛选，min_threshold=0.8表示只保留提升度不低于0.8的规则。

rules = association_rules(frequent_itemsets, metric='lift', min_threshold=0.8) result = rules[['antecedents', 'consequents', 'support', 'confidence', 'lift']] print(result)

输出结果里，support列是规则支持度，也就是同时包含前件和后件的交易比例；confidence是置信度；lift是提升度。跑完之后，可以按lift从高到低排序，把正相关规则优先挑出来测试。

调参有三点经验值得记录：

• min_support太低，频繁项集爆炸，规则数量会多到无法逐条看；太高，又可能一条规则都出不来。建议先统计商品的平均出现频率，选一个略高于平均值的数作为初始阈值，再逐步微调。
• metric字段除了lift，还可以选confidence、support、conviction等。我的习惯是先用lift筛一遍，再在结果里按confidence排序，这样既保住“独特价值”，又保证命中率。
• use_colnames=True一定要加，否则输出的项集是列编号而不是商品名，排查起来相当痛苦。

6.3 实际调参经验分享

真实项目里，数据量动辄几十万行，一些细节会更早暴露出来。

第一，不要一次性对全量数据做关联分析。建议先用筛选条件缩窄范围，比如只分析某个月、某个门店或某个品类的订单。全量数据的噪音和稀疏程度会拖垮算法，而且生成的上万条规则根本看不过来。

第二，商品编码要统一。不同渠道导出的数据里，同一个商品可能有多个写法，比如“伊利纯牛奶”“纯牛奶250ml”“牛奶-纯”，不做清洗就分析，出来的规则会莫名拆散本来明显的关联。数据清洗环节在这个任务里至少占一半的工作量。

第三，如果只想快速验证一个组合是否成立，不必跑完整套Apriori。直接用透视表算出三种概率并手算提升度，反而更快，能减少很多不必要的数据工程成本。这在业务方只需要一次快速判断时非常管用。

7. 踩坑实录：关联规则实战问题速查

7.1 高频坑点与排查思路

关联规则看起来简单，实际做项目时坑可多了。挑几个我踩过的重点说说。

第一个坑是数据太稀疏。电商场景里，绝大多数商品的单笔出现率可能只有千分之一甚至更低。这时候如果执意用统一的最小支持度，你会发现频繁项集要么全是“爆款组合”，要么量大到爆炸。我的做法是先按品类拆分数据，或者引入加权思路，给核心商品更高的权重，避免小众优质关联被一刀切掉。

第二个坑是只跑算法、不看业务背景。算法输出“口红 -> 口红收纳盒”的强规则，逻辑上当然没问题，但如果运营团队根本不做这个方向的专题活动，这条规则对当下业务就是零价值。关联分析的最终产出不只是“有趣发现”，而是要能被业务直接用起来，否则分析报告就是自嗨。

第三个坑是混淆相关性与因果性。买某品牌咖啡的人更倾向于买某品牌燕麦奶，提升度很高，但这不意味着“买咖啡导致买燕麦奶”。真相很可能是两者都隶属于同一批注重健康生活方式的消费人群。提升度描述的是统计相关性，不是因果链条。把相关当因果去布置促销，轻则浪费预算，重则误导产品决策。

第四个坑是忽略负相关规则。多数人只会看提升度大于1的规则，但提升度小于1的负向规则同样有商业价值。比如某连锁门店的数据分析发现，买了高端预调酒的人，在同一个订单里几乎不会购买同品牌的高度白酒。这个负相关很有用：做套餐搭配时主动避开，做陈列时可以把两者隔开，免得互相抢占心智。

7.2 三个指标之外的进阶判断

三个指标本身已经构成一套完整筛选体系，但真正落地时，我建议再补充几个细节判断。

第一，规则的前件越长，业务落地越难。一条规则“牛奶、鸡蛋、面包 -> 黄油”可能提升度很高，但它的适用人群很窄，真正能触达的用户没几个。这类长前件规则适合做故事性的洞察，不适合做大规模的实时推荐。

第二，要关注规则两侧商品的价格带是否匹配。如果“高端咖啡豆 -> 高端保温杯”提升度很高，但两个商品分属不同价格带，盲目捆绑反而让顾客觉得强行搭配。这里需要结合客单价与毛利额来判断，而不是只看统计指标。

第三，如果交易数据带时间标签，可以做时序切片。夏季跑出来的规则和冬季很可能完全不同。我的习惯是分季节或分月份单独建模，而不是把整年数据揉成一团——否则很多季节性关联会被平均掉，最终策略变得不疼不痒。

第四，一定要设置最小置信度底线。提升度再高，如果置信度只有20%，意味着推荐命中率只有五分之一，用户体验会很差。行业里常见的底线是置信度不低于40%到50%，具体按业务容忍度调整。

做关联分析做得久了，最深的一个感受是：支持度、置信度、提升度三个指标，不是三个并列的过滤器，而是一条层层递进的筛选漏斗。先用支持度把低频噪音压下去，再用置信度确认规则在目标群体内部的稳定性，最后用提升度排除热销商品带来的假相关性。少一环，得到的就是一堆看起来漂亮、实际却用不起来的规则。

我个人有个小习惯：每次跑完Apriori后，都会把规则的提升度分布图画出来，重点看那些落在1.0附近的“边缘规则”。很多时候，比显著正相关更有业务嗅觉的发现，恰恰藏在这些模棱两可的边缘地带——它们不是统计上最强的规则，但往往是业务上最值得试的方向。希望这篇2.16节的笔记，能帮你把三个指标的内功彻底练扎实。