4.4 PowerBI分析模板-购物篮分析

加入 PowerBI自己学 知识星球 可以：下载源文件，边学边练；遇到问题，提问交流，有问必答。

购物篮分析，也叫商品关联分析法，英文名称为Market Basket Analysis（简称MBA），或者Shopping Cart Analysis（购物车分析）。商品之间存在客观的关联关系，有些属于常识，不需要看数据就能知道，比如锅碗瓢盆、啤酒炸鸡等，但是当商品数量成千上万、跨品类关联或缺乏经验判断的时候，常识就起不到作用了，这时可以通过统计研究大量的用户按次的购买商品集合（视为一个购物篮），将不同商品之间进行关联，发现二者之间联系，进而挖掘出消费者行为或商品组合规律的分析方法，就叫做购物篮分析。

关联度有三个指标：

1 支持度（Support），A和B同时被购买的概率，同时购买了A和B的订单数在总订单数中的占比，高支持度就意味着高关联；

2 置信度（Confidence），购买了A又购买了B的概率，同时购买了A和B的订单数在购买了A的订单数中的占比；

3 提升度（Lift），考虑参照物，A对B的置信度/购买B的自然概率大于1的时候，说明购买A对购买B有提升作用。

可以看出，置信度是个中间过程（具有方向性），提升度才是真正判断A和B中间的相互影响（不具方向性）。但是如果同时购买A和B的订单只有一笔，A也只有这一笔订单，置信度达到了100%，提升度也因此变高，但这不能代表规律，因为支持度低。因此要在支持度达到一定水平的前提下，提升度大于1，才算是A对B有好的提升作用。有提升作用，就可以在商品陈列、加买商品优惠、捆绑销售上做文章了。反之，支持度不高，提升度小于1，对提升起反作用也是规律，同样可以被应用于实际工作，比如陈列在不同楼层或区域等。

解决方案

在PowerBI中，写出支持度和提升度的度量值，并按照支持度和提升度划分为4个象限，并将关系定义为4个关联类型：高支持度-高提升度、高支持度-低提升度、低支持度-高提升度、低支持度-低提升度，在散点图中可以展示关系的分布情况。

涉及到的主要PowerBI技巧：

1 PowerQuery无顺序两两组合；

2 商品关联表和订单表不建立关系，直接用SELECTEDVALUE用作FILTER的条件判断；

3 数值范围参数；

4 散点图和参考线。

举例

基于一张销售订单表，进行购物篮分析。

模型

商品关联表Dim_Product_AB

此表是用Dim_Product在PowerQuery中生成的，参考第一章的《笛卡尔积、有序排列组合、无序排列组合》。

参数表Support%-区隔

%Support-区隔 = GENERATESERIES(0, 1, 0.01)

度量值

支持度Support%：

%Support = DIVIDE([#Order_AB],[#Order])

置信度Confidence%：

%Confidence_AB = DIVIDE([#Order_AB],[#Order_A])

提升度Lift%：

%Lift = DIVIDE([%Confidence_AB],[%Order_B])

关联类型Segment：

Segment =

IF(NOT ISBLANK([%Support]),

SWITCH(TRUE(),

[%Support]>=[%Support-区隔 值] && [%Lift]>=1, "高支持-高提升",

[%Support]>=[%Support-区隔 值] && [%Lift]<1, "高支持-低提升",

[%Support]<[%Support-区隔 值] && [%Lift]>=1, "低支持-高提升",

"低支持-低提升"

)

)

操作步骤

STEP 1 在画布中添加散点图并拖入字段，把支持度和提升度放入坐标轴，把A-B商品Key放入值和图例。

STEP 2 继续在格式窗格中，添加参考线，X轴用Support%-区隔参数，Y轴用数字1。

STEP 3 因为需要筛选包含某个商品的所有关系，所以添加了支持模糊查询的文本切片器Text Filter。

设置页面布局和格式后，将支持度区隔设为2％，筛选运动水壶，可以看出运动水壶两种水壶架以及自行车帽、山地英骑都是高支持度高提升度，会是有效的商品组合。