PowerBI:关联商品分析

Posted 2023-03-18

参考技术A 当我们走进超市，迎面而来的就是货架上琳琅满目的商品。这些商品的摆放，或者不同品类的货架分布是随机排列的吗?答案是NO!

相必都听说过啤酒与尿布的故事，这两个表面上毫不相关的商品，在超市中摆放在一起时二者的销量都大幅度提升。这里就不讨论这个案例的真实性如何，但用它来理解产品之间的关联十分形象，再说好的故事总是更有传播度。

如果购买商品A的客户，对于商品B，相对于其他商品，有更大的购买概率的话，那么AB商品就具有更高的关联度，为了提高销售额，应尽可能将二者摆放到一起。网店也可以将商品A放在商品B的推荐页中。

首先需挖掘出哪些商品之间存在更大的关联度

下面用PowerBI来进行关联度分析：

假设一家超市的某些产品的销售数据，我们要计算出购买商品A的客户中，有多少客户也同时购买了商品B？这些客户购买了商品B的金额有多大？

1.客户关联度

由于要分析的商品A和商品B都在商品名单表中，为了分别计算相互不影响，复制一个商品名单表，这里命名为'商品名单2'，与订单表建立虚线关系，数据模型如下图，

将商品名单表中的产品名称拖入到表格中，作为商品A，然后利用下面这个度量值计算商品A的客户数量，

[客户数] =COUNTROWS(VALUES('订单表'[单号]))

然后利用商品名单2表中的商品名称，生成一个切片器，以便选择不同的产品，关联产品假设为商品B。

下面这个是计算关联分析的重点，购买了A的客户中，有多少客户也购买了产品B？

也就是同时购买A和B的客户数，度量值如下：

同时购买A和B的客户数 =

VAR B=

    CALCULATETABLE(

        VALUES('订单表'[单号]),

        USERELATIONSHIP('商品名单2'[商品名称],'订单表'[商品名称]),

        ALL('商品名单'[商品名称])

    )

RETURN CALCULATE([客户数],B)

通过以上两个度量值相除，就可以计算出关联产品的客户占比，

关联客户占比 = DIVIDE([同时购买A和B的客户数],[客户数])

把上面这几个度量值放入表格中，通过点击不同的关联产品，就可以自动计算出商品A和商品B之间的重复客户占比，

但是 两个商品的客户的重合度高，不代表带来的销售额就更高 ，所以还要分析一下，购买A的客户中，同时购买的商品B销售额有多少？通过金额这个维度来分析一下关联性。

2.销售金额关联性

先来写两个简单的度量值，商品A的销售额和商品B的销售额：

商品A的销售额：

销售额 =SUM('订单表'[销售金额])

商品B的销售额：

关联产品B的销售额 = 

CALCULATE([销售额],

    USERELATIONSHIP('商品名单2'[商品名称],'订单表'[商品名称]),

    ALL('商品名单'[商品名称]) )

由于商品B来自于商品名单2表，而商品名单2表与订单表是虚线关系，所以用 USERELATIONSHIP来激活关系。它主要是为了计算购买商品A的客户中，购买了商品B的金额有多少？

然后就可以计算同时购买A和B的客户中，购买商品B的金额。

A客户购买B的金额 =

VAR A=

    CALCULATETABLE(VALUES('订单表'[单号]))

VAR B=

    CALCULATETABLE(

        VALUES('订单表'[单号]),

        USERELATIONSHIP('商品名单2'[商品名称],'订单表'[商品名称]),

        ALL('商品名单'[商品名称]))

RETURN 

    CALCULATE([关联产品B的销售额],

        NATURALINNERJOIN(A,B)))

这个度量值的含义是， 先找出商品A和商品B的客户列表，然后通过 NATURALINNERJOIN函数找出这两个客户列表的交集，也就是同时购买了这两种商品的客户 ，然后计算这些客户的商品B销售额就可以了。

同样把这个度量值放到表格中，可以看出关联销售额，

有时候， 客户重合比例高的两个产品，带来的关联产品的销售额并不一定高 ，这个跟商品价格、购买数量都有关系。

3.关联度四象限分析

通过上面的几个度量值，获得了相关分析的数据，为了更直观的展示出产品之间的关联度，这里使用 四象限分析法 来展示。

其实就是制作一个散点图，将两个维度： 关联客户占比 作为Y轴， A客户购买B的金额 作为X轴，并按客户占比、关联产品销售额的平均线作为恒线，切割出四个象限，并利用 商品名称 作为图例，显示效果如下：

出现在第一象限（右上角）的产品，就是与切片器选中的商品不仅客户重合度高，而且带来的销售额也更高，具有高相关性，应该特别关注。

该模型还可以分析某一段时间的关联性，比如促销期间、节假日期间，客户的购买特征很可能与平时是不同的。

至此，一个简单的关联商品分析模型建立完成，根据关联商品的不同，动态显示不同的高相关度产品，并且可以随着时间段的变化而变化，

如果有客户画像、销售地点等数据，还可以将这些数据作为外部筛选器，挖掘出不同客户、不同地域的关联产品组合。

当然，这个模型挖掘的关联商品只是初步结果，还应对这个结果进行进一步验证，避免因偶然或人为因素导致的关联性，比如是否有某两种商品的捆绑销售活动等。

关联商品分析是非常有用的数据挖掘方式，能够帮助企业进行商品精准营销、商品组合以及发现更多潜在客户，真正的利用数据，为企业创造价值。