如何做購物籃分析

『壹』 誰有超市的購物數據我想用有關購物籃分析的數據做分析，謝謝！

額。這個最好去你住的附近的超市的管理員問一下，他們應該會幫你。

『貳』 做購物籃分析的挖掘系統要用什麼平台開發比較好啊

購物籃分析的挖掘系統要用什麼平台開發比較好
VC
VB delphi
都可以

『叄』 我有一批保存在excel中的超市數據，分別是訂單號和產品名稱，想做一個購物籃分析，請問如何做呢急求~

有關置信度分析，按照所基於的分析模型的不同，應該有很多演算法吧，而且，會牽版涉到需要精確邏輯權的編程。這樣籠統地一個提問，貌似很難幫到你。再說，一個復雜的大數據問題，在網路知道這樣的簡單交互平台也很難細致地溝通啊。

『肆』 購物籃分析法

吆，上網查查看，很快就曉得了。呵呵～

『伍』 一個小區有2個超市怎麼才能把另一家擠走呢使用正當手段

一個小區有2個超市，是不可能擠走另一家的。
也沒有必要擠，只要你的貨進貨渠道好，價格便宜，另一家是開不下去的。
公平競爭即可。

『陸』 請問excel 2007 可以做購物籃分析嗎

可以，一張小票為一個顧客購物籃，想了解兩種商品在一個購物籃內同時出現的次數，找出兩種商品同時出現在一個購物籃內頻率最高的商品。

『柒』 假如你是超市的管理人員,你該如何分析顧客的購物籃,並提高顧客的購物籃

我家開的只是小型超市。

對於購物籃和購物車。

購物籃是最容易臟的，專而且大屬部分超市的購物籃型號也不同。

要看你用的是哪一種，一般我們每個月會清洗一次購物籃。

有損壞的會立刻更換。

但不是長期只用一種型號的，會更換 因為可以增加新鮮度順便測試顧客接受哪一種。

購物車一定要定期清洗。

其實購物籃和購物車只要給人簡潔大方干凈方便的感覺就行了。

『捌』 如何用weka 做 購物籃分析

請問樓主現在會做了么？ 求教

『玖』 數據挖掘有哪些技巧

如今有不少的新人想要參與大數據開發領域
一、數據挖掘技術的基本概念
隨著計算機技術的發展，各行各業都開始採用計算機及相應的信息技術進行管理和運營，這使得企業生成、收集、存貯和處理數據的能力大大提高，數據量與日俱增。企業數據實際上是企業的經驗積累，當其積累到一定程度時，必然會反映出規律性的東西。對企業來，堆積如山的數據無異於一個巨大的寶庫。在這樣的背景下，人們迫切需要新一代的計算技術和工具來開采資料庫中蘊藏的寶藏，使其成為有用的知識，指導企業的技術決策和經營決策，使企業在競爭中立於不敗之地。另一方面，近十餘年來，計算機和信息技術也有了長足的進展，產生了許多新概念和新技術，如更高性能的計算機和操作系統、網際網路(intemet)、數據倉庫(datawarehouse)、神經網路等等。在市場需求和技術基礎這兩個因素都具備的環境下，數據挖掘技術或稱KDD(KnowledgeDiscoveryinDatabases;資料庫知識發現)的概念和技術就應運而生了。
數據挖掘(DataMining)旨在從大量的、不完全的、有雜訊的、模糊的、隨機的數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識。還有很多和這一術語相近似的術語,如從資料庫中發現知識(KDD)、數據分析、數據融合(DataFusion)以及決策支持等。
下面介紹十種數據挖掘（Data Mining）的分析方法：
1、基於歷史的MBR分析（Memory-Based Reasoning；MBR）
基於歷史的MBR分析方法最主要的概念是用已知的案例（case）來預測未來案例的一些屬性（attribute），通常找尋最相似的案例來做比較。
記憶基礎推理法中有兩個主要的要素，分別為距離函數（distance function）與結合函數（combination function）。距離函數的用意在找出最相似的案例；結合函數則將相似案例的屬性結合起來，以供預測之用。記憶基礎推理法的優點是它容許各種型態的數 據，這些數據不需服從某些假設。另一個優點是其具備學習能力，它能藉由舊案例的學習來獲取關於新案例的知識。較令人詬病的是它需要大量的歷史數據，有足夠 的歷史數據方能做良好的預測。此外記憶基礎推理法在處理上亦較為費時，不易發現最佳的距離函數與結合函數。其可應用的范圍包括欺騙行為的偵測、客戶反應預 測、醫學診療、反應的歸類等方面。
2、購物籃分析（Market Basket Analysis）
購物籃分析最主要的目的在於找出什麼樣的東西應該放在一起？商業上的應用在藉由顧客的購買行為來了解是什麼樣的顧客以及這些顧客為什麼買這些產品，找出相 關的聯想（association）規則，企業藉由這些規則的挖掘獲得利益與建立競爭優勢。舉例來說，零售店可藉由此分析改變置物架上的商品排列或是設計 吸引客戶的商業套餐等等。
購物籃分析基本運作過程包含下列三點：
（1）選擇正確的品項：這里所指的正確乃是針對企業體而言，必須要在數以百計、千計品項中選擇出真正有用的品項出來。
（2）經由對共同發生矩陣（co-occurrence matrix）的探討挖掘出聯想規則。
（3）克服實際上的限制：所選擇的品項愈多，計算所耗費的資源與時間愈久（呈現指數遞增），此時必須運用一些技術以降低資源與時間的損耗。
購物籃分析技術可以應用在下列問題上：
（1）針對信用卡購物，能夠預測未來顧客可能購買什麼。
（2）對於電信與金融服務業而言，經由購物籃分析能夠設計不同的服務組合以擴大利潤。
（3）保險業能藉由購物籃分析偵測出可能不尋常的投保組合並作預防。
（4）對病人而言，在療程的組合上，購物籃分析能作為是否這些療程組合會導致並發症的判斷依據。
3、決策樹（Decision Trees）
決策樹在解決歸類與預測上有著極強的能力，它以法則的方式表達，而這些法則則以一連串的問題表示出來，經由不斷詢問問題最終能導出所需的結果。典型的決策 樹頂端是一個樹根，底部有許多的樹葉，它將紀錄分解成不同的子集，每個子集中的欄位可能都包含一個簡單的法則。此外，決策樹可能有著不同的外型，例如二元 樹、三元樹或混和的決策樹型態。
4、遺傳演算法（Genetic Algorithm）
遺傳演算法學習細胞演化的過程，細胞間可經由不斷的選擇、復制、交配、突變產生更佳的新細胞。基因演算法的運作方式也很類似，它必須預先建立好一個模式，再經 由一連串類似產生新細胞過程的運作，利用適合函數（fitness function）決定所產生的後代是否與這個模式吻合，最後僅有最吻合的結果能夠存活，這個程序一直運作直到此函數收斂到最佳解。基因演算法在群集 （cluster）問題上有不錯的表現，一般可用來輔助記憶基礎推理法與類神經網路的應用。
5、聚類分析（Cluster Detection）
這個技術涵蓋范圍相當廣泛，包含基因演算法、類神經網路、統計學中的群集分析都有這個功能。它的目標為找出數據中以前未知的相似群體，在許許多多的分析中，剛開始都運用到群集偵測技術，以作為研究的開端。
6、連接分析（Link Analysis）
連接分析是以數學中之圖形理論（graph theory）為基礎，藉由記錄之間的關系發展出一個模式，它是以關系為主體，由人與人、物與物或是人與物的關系發展出相當多的應用。例如電信服務業可藉 連結分析收集到顧客使用電話的時間與頻率，進而推斷顧客使用偏好為何，提出有利於公司的方案。除了電信業之外，愈來愈多的營銷業者亦利用連結分析做有利於 企業的研究。
7、OLAP分析（On-Line Analytic Processing；OLAP）
嚴格說起來，OLAP分析並不算特別的一個數據挖掘技術，但是透過在線分析處理工具，使用者能更清楚的了解數據所隱藏的潛在意涵。如同一些視覺處理技術一般，透過圖表或圖形等方式顯現，對一般人而言，感覺會更友善。這樣的工具亦能輔助將數據轉變成信息的目標。
8、神經網路（Neural Networks）
神經網路是以重復學習的方法，將一串例子交與學習，使其歸納出一足以區分的樣式。若面對新的例證，神經網路即可根據其過去學習的成果歸納後，推導出新的結果，乃屬於機器學習的一種。數據挖掘的相關問題也可采類神經學習的方式，其學習效果十分正確並可做預測功能。
9、判別分析（Discriminant Analysis）
當所遭遇問題它的因變數為定性（categorical），而自變數（預測變數）為定量（metric）時，判別分析為一非常適當之技術，通常應用在解決 分類的問題上面。若因變數由兩個群體所構成，稱之為雙群體 —判別分析 （Two-Group Discriminant Analysis）；若由多個群體構成，則稱之為多元判別分析（Multiple Discriminant Analysis；MDA）。
（1） 找出預測變數的線性組合，使組間變異相對於組內變異的比值為最大，而每一個線性組合與先前已經獲得的線性組合均不相關。
（2） 檢定各組的重心是否有差異。
（3） 找出哪些預測變數具有最大的區別能力。
（4） 根據新受試者的預測變數數值，將該受試者指派到某一群體。
10、邏輯斯蒂回歸分析（Logistic Analysis）
當判別分析中群體不符合正態分布假設時，羅吉斯回歸分析是一個很好的替代方法。羅吉斯回歸分析並非預測事件（event）是否發生，而是預測該事件的機 率。它將自變數與因變數的關系假定是S行的形狀，當自變數很小時，機率值接近為零；當自變數值慢慢增加時，機率值沿著曲線增加，增加到一定程度時，曲線協 率開始減小，故機率值介於0與1之間。

『拾』 什麼是購物籃分析(Market Basket Analysis)

將單個客戶一次購買商品的總和(以收銀台結賬為准)稱為一個購物籃。那麼購物籃分析就是針對商品的相關性進行分析。因為最初這種關聯分析主要是在超市應用廣泛，所以也稱為「購物籃分析」。

購買一種商品的顧客佔全部顧客的一個比率。反映的是全品類的關聯能力，行業參考值為40%，該值越小越好，越小說明關聯能力越強。

客品次指一段時間里平均每位顧客購買的商品品種數。這里主要指中西成葯。其反映的中西成葯的關聯能力。客品次=累計商品品種數/客流量，行業參考值是1.8。

(10)如何做購物籃分析擴展閱讀

如果在研究的問題中，一個用戶購買的所有產品假定是同時一次性購買的，分析的重點就是所有用戶購買的產品之間關聯性；如果假定一個用戶購買的產品的時間是不同的，而且分析時需要突出時間先後上的關聯，如先買了什麼，然後後買什麼。

那麼這類問題稱之為序列問題，它是關聯問題的一種特殊情況。從某種意義上來說，序列問題也可以按照關聯問題來操作。

關聯分析有三個非常重要的概念，那就是「三度」：支持度、可信度、提升度。假設有10000個人購買了產品，其中購買A產品的人是1000個，購買B產品的人是2000個，AB同時購買的人是800個。支持度指的是關聯的產品（假定A產品和B產品關聯）同時購買的人數占總人數的比例，即800/10000=8%。

有8%的用戶同時購買了A和B兩個產品；可信度指的是在購買了一個產品之後購買另外一個產品的可能性，例如購買了A產品之後購買B產品的可信度=800/1000=80%。