关联规则的应用研究——以某超市为例

辛智慧，薛亚楠，杨灿

（西安财经学院，陕西西安710100）

数据挖掘能发现数据中隐藏的信息，为制定决策提供依据，研究的比较多而且应用得很广泛的就是关联分析,毛国君对关联规则挖掘算法的典型问题进行了讨论与研究[1]陈国青等通过引入模糊语言修饰词，用模拟数据与现实数据对广义关联算法、带有修饰词的模糊广义关联规则算法以及模糊广义关联规则进行对比[2]于芳提出应用关联规则中各项目的加权利润之和的思想评估关联规则的价值，设计了三个超市关联分析模型[1]超市通常以快速消费品的销售为主，用购物篮数据进行分析，利用数据挖掘软件中的关联规则[4]，发现更有价值的信息。

1 研究目的及方法

快速消费品市场价格竞争空间很小，超市间存在竞争，如何对商品进行合理布局、设计促销方案和快速商品推荐业务是竞争客户的关键点，如何获取更多有用信息是超市永久发展的根本要求。研究方法是利用关联分析对超市的交易数据进行研究，得出一些满足条件的关联规则，来研究超市的货架摆放，商品的布局优化和促销设计及商品的快速推荐模型并给建议。

2 数据处理

用某超市会员顾客消费记录的的原始数据集，进行预处理包括数据的清洗、查询和增加字段，提取有用数据信息供关联分析使用。

表1记录顾客购买商品信息，调整数据结构来关联分析。

3 商品购买关联性结果分析

3.1 货架摆放分析

根据关联分析的支持度、置信度、关联规则等得出商品货架摆放的优化布局。

有些商品很容易被同时购买，商品摆放期间可把他们放的靠近些或同一个通道内。当顾客购买某商品，可方便购买其他关联商品，也会产生一些购物冲动来同购其他商品。啤酒和冻肉、罐装蔬菜一组，甜食、葡萄酒一组，鱼和蔬菜水果一组，这几个组合容易被同时购买，说明有潜在的联系。

表1 部分购买商品

表2 关联规则

3.2 捆绑销售模型及促销方案设计

给数据中的顾客推荐其他商品需找出商品的推荐规则，利用Apriori运算计算关联规则。

表2共运行三条规则，规则2是同购啤酒和罐装蔬菜的顾客167人其87.43%的人同购冻肉，同购三种商品的顾客占比15.55%，比随机推荐提升效率2.72倍，可知已购买啤酒和罐装蔬菜的顾客，有可能会继续买冻肉；规则1是同购啤酒和冻肉，有可能买罐装蔬菜；规则3是同购冻肉和罐装蔬菜，可能买啤酒，依据关联结果设计促销方案会更能吸引顾客。如关联性强的葡萄酒和甜食，可设计捆绑促销，同时购买这两种商品折扣5%，或买葡萄酒后可优惠10%买甜食。

3.3 快速商品推荐

点算完顾客购买的商品后，用关联模型，可推测顾客还可能购买的商品，提高销售额。

ID 61342顾客可推荐冻肉，推荐把握度0.847；ID92868顾客可推荐啤酒，推荐把握度0.844,少数人可继续推荐，而对数人没有可推荐商品，是找出的关联规则较少造成的，对模型参数进行调整获得7个规则，向顾客进行多选择的快速推荐，提高出售效率。

4 结论

本文用数据挖掘中的关联规则方法对超市中应用问题进行研究。结论：1）通过网络图，分析那些商品很容易被同时购买，可摆放的靠近些，来优化商品布局2）根据关联的结果对关联性强的商品进行设计促销3）通过关联分析模型可推测顾客还可能购买的商品向顾客进行快速推荐商品。用数据挖掘研究各商品的关联性问题，进行优化商品布局、设计促销方案和快速商品推荐的方式应用于超市营销中，有一定合理性。