譚凱波 周靜

摘 要：隨著社會的不斷發(fā)展，化妝品成為現(xiàn)代女性不可或缺的必需品，掌握顧客消費習慣，是提升銷售策略的重要方法和手段。基于此，本文對關(guān)聯(lián)規(guī)則算法（Apriori）算法的相關(guān)定義及其原理進行了剖析，并以某網(wǎng)店交易數(shù)據(jù)為例，利用關(guān)聯(lián)規(guī)則算法（Apriori）分析了各種化妝品之間的強關(guān)聯(lián)關(guān)系，為化妝品銷售提供了決策參考。

關(guān)鍵詞：化妝品;Apriori算法;關(guān)聯(lián)規(guī)則;消費習慣

1 引言

近年來，隨著生活物質(zhì)水平的不斷提高，人們對生活的追求越來越高，尤其在當代很多女性為追求時代潮流開始頻繁的使用化妝品。線上線下的化妝品店的出現(xiàn)，生成了大量的銷售交易數(shù)據(jù)。對這些數(shù)據(jù)進行了解分析，可以找尋其中的強關(guān)聯(lián)關(guān)系，進而掌握顧客消費習慣，提升銷售策略。

2 關(guān)聯(lián)規(guī)則與Apriori算法

關(guān)聯(lián)規(guī)則分析算法（Apriori）的主要功能是挖掘所有支持度和置信度分別大于等于預(yù)定的最小支持度（Min-Support）和最小可信度（Min-Confidence）的關(guān)聯(lián)關(guān)系。從而描述了一個事物中某些屬性同時出現(xiàn)的規(guī)律和模式。

2.1 相關(guān)定義

關(guān)聯(lián)規(guī)則分析算法（Apriori）又稱為關(guān)聯(lián)規(guī)則學習，是指在大規(guī)模數(shù)據(jù)集中尋找數(shù)據(jù)之間的關(guān)聯(lián)規(guī)則。相關(guān)定義說明如下：

（1）項集

包含事物的集合稱為項集，包含k個項的項集稱為k-項集。

（2）支持度與置信度

支持度和置信度是用來量化關(guān)聯(lián)分析是否成功的兩個指標。支持度是數(shù)據(jù)集中某項記錄所占的比例。置信度是針對一條具體的關(guān)聯(lián)規(guī)則來定義的，表示包含A事務(wù)中同時包含B事務(wù)的比例，即同時包含A和B的事務(wù)占包含A事務(wù)的比例[1]。其計算公式分別為：

（3）頻繁項集

頻繁項集是經(jīng)常出現(xiàn)在一起的事物的集合，只要某個項集的支持度大于給定的閾值，那么該項集稱作頻繁項集。

（4）關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則是表示兩種物品之間存在的聯(lián)系，大于或等于最小支持度閾值和最小置信度閾值的規(guī)則叫做強關(guān)聯(lián)規(guī)則。找出強關(guān)聯(lián)規(guī)則是關(guān)聯(lián)分析的最終目標。

2.2 Apriori算法原理

Agrawal在1993年設(shè)計了一個基本Apriori算法并提出了挖掘關(guān)聯(lián)規(guī)則的一個重要的基于兩階段頻集思想的方法，這是最典型的層次算法，是布爾關(guān)聯(lián)規(guī)則挖掘算法中最成功的一類算法。其核心技術(shù)為其它各類布爾關(guān)聯(lián)規(guī)則挖掘算法所廣泛采用[2]。

Apriori算法是將關(guān)聯(lián)規(guī)則挖掘算法的設(shè)計分解為兩個子問題：

①所有支持度大于所設(shè)定最小支持度的項集（Itemset） ， 這些項集被稱為頻集（Frequent Itemset） 。

②使用第1步找到的頻集產(chǎn)生期望的規(guī)則。Apriori算法是一種寬度優(yōu)先算法， 通過對數(shù)據(jù)庫D的多次掃描來發(fā)現(xiàn)所有的頻繁項目集。在每一次掃描中只考慮具有同一長度k （即項目集中所含項目的個數(shù)）的所有項目集。

在第1次掃描中Apriori算法計算D中所有單個項目的支持度，生成所有長度為1的頻繁項目集L1。在后續(xù)掃描的第k次中，首先以前一次掃描中所發(fā)現(xiàn)的所有頻繁項目集為基礎(chǔ)，生成所有新的候選項目集（Candidate Itemsets）即潛在的頻繁項目集，然后掃描數(shù)據(jù)庫D，計算這些候選項目集的支持度，最后確定候選項目集中哪一些真正成為頻繁項目集Ck。如此循環(huán)下去，一直重復(fù)上述過程直到再也發(fā)現(xiàn)不了新的頻繁項目集[3]。Apriori的具體計算過程如下：

①在數(shù)據(jù)庫集D中掃描所有記錄，找出頻繁1項集的集合，記作L1

②其次在L1中找出頻繁2項集的集合，記作L2

③在L2中找出頻繁3項集的集合，記作L3

④如此下去，直到不能找到頻繁k-項集。

3 實例分析

隨著人們生活水平的提高，女性對化妝品的選購?fù)ǖ啦粌H僅只在實體店中購買還可以利用網(wǎng)上購物，網(wǎng)絡(luò)化妝品經(jīng)銷商對于銷售產(chǎn)品的越來越受到關(guān)注。利用網(wǎng)絡(luò)數(shù)據(jù)進行關(guān)聯(lián)規(guī)則分析，可以掌握女性顧客關(guān)于化妝品的消費習慣，從而提升銷售策略。

3.1 化妝品數(shù)據(jù)收集

本文從淘寶網(wǎng)站上獲取國內(nèi)某知名品牌化妝品的用戶購買清單，經(jīng)過隨機抽樣選取十條交易記錄作為分析對象。其交易數(shù)據(jù)如下表1所示

表1中，TID是一個唯一的標識，數(shù)據(jù)庫中的每一條交易記錄稱為一筆事務(wù)。每條交易記錄對應(yīng)的商品顯示為“1”表示這筆交易購買了該商品，否則顯示為0。如表1中所示，在TID等于1的事務(wù)中，顧客購買了精華露、清瑩露和精華霜。

3.2 基于Apriori算法的挖掘過程

下面用實例展示利用Apriori算法對交易數(shù)據(jù)進行挖掘，從而發(fā)現(xiàn)關(guān)聯(lián)規(guī)則的過程。定義數(shù)據(jù)集{D}={精華露，清瑩露，洗面乳，隔離乳，精華霜，化妝水}，設(shè)置最小支持度minsup=0.4，設(shè)置最小置信度minconf=0.9，由Apriori算法在數(shù)據(jù)集{D}中確定的頻繁1-項集如下表2所示：

同理可得，根據(jù)表2中的頻繁1-項集，尋找滿足最小支持度（minsup）要求的頻繁2-項集、頻繁3-項集，將沒有達到最小支持度的舍去，其結(jié)果分別如表3、表4所示。

基于頻繁3-項集，生成的候選4-項集為空集，則頻繁4-項集為空，算法停止。

3.3 關(guān)聯(lián)規(guī)則結(jié)果

由表4可知，l1， l2， l5滿足最小支持度（minsup=0.4）的要求，關(guān)聯(lián)關(guān)系存在。故剔除其余指標，只保留l1和l2， l5間的相互影響關(guān)系。篩選出最小支持度α=0.4的關(guān)聯(lián)規(guī)則，然后設(shè)置最小置信度為0.9，確定強關(guān)聯(lián)規(guī)則。各指標間的關(guān)聯(lián)規(guī)則如表5所示。

從表5中可以發(fā)現(xiàn)有3組關(guān)聯(lián)規(guī)則置信度均為100%，符合最小置信度（minconf=0.9）的要求，分別為：{ l1（精華露）， l2（清瑩露）， l5（精華霜）}，{ l1（精華露）， l5（精華霜）}，{ l2（清瑩露）， l5（精華霜）}

4 結(jié)果討論分析

從以上強關(guān)聯(lián)規(guī)則中可以初步的得出簡略結(jié)論。

①首先從規(guī)則l1∩l2=>l5可以得出，顧客只要選購了精華露和清瑩露的就一定會夠購買精華霜。

②然后，從規(guī)則l1=>l5可以得出，顧客選購了精華露的就一定會選購精華霜。

③其次，從規(guī)則l2=>l5可以得出，顧客選購了清瑩露的就一定會選購精華霜。

根據(jù)以上的關(guān)聯(lián)規(guī)則，可以運用到具體銷售實踐當中去，以便掌握顧客消費習慣，提升銷售策略。例如，為提升該店的銷售額，可以針對分析中關(guān)聯(lián)性很強的商品，如將精華露、清瑩露和精華霜進行捆綁銷售。針對其它關(guān)聯(lián)性的商品，可在節(jié)假日實行促銷等活動。

5 結(jié)語

本文對淘寶某化妝品網(wǎng)店的交易數(shù)據(jù)進行簡單的隨機抽取，抽取的樣本為10個，如果抽取的樣本更大，數(shù)據(jù)更多，分析的結(jié)果也就更加的精準。不僅僅在化妝品商中，甚至在整個商業(yè)行中，如果能夠?qū)⑦@種關(guān)聯(lián)規(guī)則與Apriori算法有效的運用在線上線下的銷售中，通過消費者的交易數(shù)據(jù)，挖掘出顧客購買商品之間的強關(guān)聯(lián)規(guī)則，了解消費者在購買商品過程中的行為習慣，可為商家的管理層在制定相應(yīng)的營銷策略時提供參考和依據(jù)，在提升交易額的同時，也可以使經(jīng)銷商改善服務(wù)質(zhì)量，真正實現(xiàn)“顧客就是上帝”的經(jīng)營理念。

參考文獻：

[1]Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)[M]，機械工業(yè)出版社，張良均， 2019.

[2]肖勁松，林子禹，毛超.關(guān)聯(lián)規(guī)則在零售商業(yè)的應(yīng)用[J]， 計算機工程， 2004， 30 （3） ：189-190.

[3]王方華， 陳潔.數(shù)據(jù)庫營銷[M].上海：上海交通大學出版社， 2006.