“双十一”坑人套路大揭秘——购物篮分析

编者按
又是一年一度的“双十一”，好好的单身节硬是被阿里巴巴变成了全民购物狂欢节。经过十年的双十一，我们已经看到数据在其中发挥了至关重要的作用。双十一每年的成交额都在快速增长，今年显然也不例外。数据的增长一方面是经济发展，物质需求增加，但还有一方面是大数据的套路在其中也起了至关重要的作用。

1、现在每个人的双十一活动都是不同的；
2、你的账户页面下都是你买过的，或者潜在会买的东西；
3、针对每个用户提供不同的优惠活动，比如喜欢使用优惠券的，就多发优惠券，喜欢 满减的就多提供类似活动；
4、根据数据预测结果提前备货，就等你下单了；
5、大数据的好处是提供个性化的方案，提升每个人的购物体验，拉动内需，促进经济发展；
6、说的难听点，就是想方设法让你多花钱，多买东西。

利用R做购物篮分析

那么数据分析是如何做到这些的呢，下面我们就用一个最简单的案例来揭露一下这个套路。利用R语言进行购物篮分析。购物篮分析主要是通过交易账单，寻找商品之间内在的关联，比如经典的啤酒与尿不湿的故事。

案例代码

# 案例九：购物篮分析
install.packages("arules")
library(arules)
data(Groceries)
Groceries

inspect(Groceries)
fit <- apriori(Groceries,parameter = list(support=0.01,confidence=0.5))
summary(fit)
inspect(fit)

案例介绍

这个案例来自一家便利店9835个购物清单，里面主要是一些快消食品等，通过对这些数据分析，找出顾客购买商品之间的联系，例如购买了全脂牛奶的人是否还同时购买了酸奶等。

> Groceries
transactions in sparse format with
 9835 transactions (rows) and
 169 items (columns)

结果解析

通过对这些清单进行数据分析，最终发现15条规律。例如第一条，购买了奶酪酸奶的人，同时也购买全脂牛奶的概率比较大。

> inspect(fit)
     lhs                                      rhs                support    confidence lift     count
[1]  {curd,yogurt}                         => {whole milk}       0.01006609 0.5823529  2.279125  99  
[2]  {other vegetables,butter}             => {whole milk}       0.01148958 0.5736041  2.244885 113  
[3]  {other vegetables,domestic eggs}      => {whole milk}       0.01230300 0.5525114  2.162336 121  
[4]  {yogurt,whipped/sour cream}           => {whole milk}       0.01087951 0.5245098  2.052747 107  
[5]  {other vegetables,whipped/sour cream} => {whole milk}       0.01464159 0.5070423  1.984385 144  
[6]  {pip fruit,other vegetables}          => {whole milk}       0.01352313 0.5175097  2.025351 133  
[7]  {citrus fruit,root vegetables}        => {other vegetables} 0.01037112 0.5862069  3.029608 102  
[8]  {tropical fruit,root vegetables}      => {other vegetables} 0.01230300 0.5845411  3.020999 121  
[9]  {tropical fruit,root vegetables}      => {whole milk}       0.01199797 0.5700483  2.230969 118  
[10] {tropical fruit,yogurt}               => {whole milk}       0.01514997 0.5173611  2.024770 149  
[11] {root vegetables,yogurt}              => {other vegetables} 0.01291307 0.5000000  2.584078 127  
[12] {root vegetables,yogurt}              => {whole milk}       0.01453991 0.5629921  2.203354 143  
[13] {root vegetables,rolls/buns}          => {other vegetables} 0.01220132 0.5020921  2.594890 120  
[14] {root vegetables,rolls/buns}          => {whole milk}       0.01270971 0.5230126  2.046888 125  
[15] {other vegetables,yogurt}             => {whole milk}       0.02226741 0.5128806  2.007235 219

购物篮分析的应用

以上就是一个简单的购物篮分析的案例，实际应用中要比这个模型更加复杂，但是原理和目标是一致的。购物篮分析有着广泛的应用，例如可以用于商品推荐系统，常见的就是在购物页面会提示，买了唐诗的人也购买了宋词，买了宋词的人也购买了元曲。后面会继续推荐中国传统文化相关的书籍。包括今日头条的新闻内容推荐，快手抖音的视频推荐等等。

可怕的大数据

随着各种交易行为数据的数字化，大数据已经深刻影响着大家的购物习惯，在未来，机器比你自己都更加了解你，例如你将一个商品加入购物车，这一个简单的行为，后续会引发一系列连锁反应：
1、在你所有互联网浏览的时候，都会给你推荐同款或者类似的商品；
2、如果你加入购物车几天都没有购买，就会为你定制降价策略；
3、如果你加入之后更长时间都没有买，在为你定制专属优惠券；
4、针对一些快消品，例如牙膏，洗衣粉等，系统会在估算你快使用完之前的时候，给你定制新的促销活动；
……

认清套路不迷路

以上就是关于购物篮案例的一个介绍，其实大家也不用太担心，科学技术是一把双刃剑，换一种思路，越来越智能的购物推荐系统，会帮助每个人快速筛选到优质的商品，改善购物体验，提升生活品质，这本身是一件非常好的事情。消费不仅能够促进经济发展，让所有人受益，同时，购物本身也是一件愉快的事情，尤其是抢到半价便宜货。你需要做的事情不是少买东西，而是多努力赚钱。最后，祝大家双十一购物愉快，抢到物美价廉的商品，千万别学我，认清所有套路，就只能过单身节了……