别再只懂协同过滤了！手把手用亲和性分析为你的电商小程序做商品推荐

别再只懂协同过滤了！手把手用亲和性分析为你的电商小程序做商品推荐

在流量红利逐渐消失的今天，电商运营的核心已经从获取新用户转向了如何提升现有用户的购买频次和客单价。对于中小型电商团队来说，动辄投入数十万搭建复杂的推荐系统既不现实也不经济。而基于亲和性分析的商品推荐方法，只需要简单的交易日志和几十行Python代码，就能挖掘出"买了A商品的用户很可能也买B"这样的实用规则，直接应用于商品捆绑销售、购物车推荐或精准营销。

亲和性分析（Affinity Analysis）是一种基于关联规则的数据挖掘技术，它通过分析用户购买行为中的共现模式，找出商品之间的关联关系。与协同过滤等复杂算法相比，亲和性分析有三大优势特别适合资源有限的团队：

• 零算法门槛：不需要理解复杂的机器学习原理
• 计算资源友好：普通笔记本电脑就能处理数十万条交易记录
• 结果直观可解释：规则如"买咖啡的用户70%会买糖"直接对应运营动作

1. 从交易日志到关联规则：完整数据处理流程

1.1 准备你的交易数据

理想的交易数据应该包含用户ID、商品ID和购买时间三个基本字段。对于刚开始积累数据的小程序，可以先用简化结构：

user_id,product_a,product_b,product_c 1001,1,0,1 1002,0,1,1 1003,1,1,0

其中1表示购买，0表示未购买。使用Python的pandas库加载数据：

import pandas as pd # 加载CSV文件 transactions = pd.read_csv('transactions.csv', index_col='user_id') print(transactions.head())

1.2 计算支持度与置信度

支持度(Support)衡量规则出现的频率，置信度(Confidence)反映规则的可靠性：

支持度 = 同时购买A和B的交易数 / 总交易数 置信度 = 同时购买A和B的交易数 / 购买A的交易数

用Python实现核心计算逻辑：

from collections import defaultdict # 初始化计数器 rule_counts = defaultdict(int) item_counts = defaultdict(int) # 遍历每笔交易 for _, row in transactions.iterrows(): purchased = [product for product, bought in row.items() if bought == 1] # 更新商品出现次数 for item in purchased: item_counts[item] += 1 # 更新规则出现次数 for i in range(len(purchased)): for j in range(i+1, len(purchased)): rule = (purchased[i], purchased[j]) rule_counts[rule] += 1 rule = (purchased[j], purchased[i]) # 双向规则 rule_counts[rule] += 1 # 计算支持度和置信度 rules = [] for (A, B), count in rule_counts.items(): support = count / len(transactions) confidence = count / item_counts[A] rules.append((A, B, support, confidence))

2. 筛选高价值关联规则的实战技巧

2.1 避免"啤酒与尿布"陷阱

经典的"啤酒与尿布"案例中，两件商品的高关联性可能源于外部因素（如促销活动），而非真实需求关联。解决方法：

1. 时间窗口验证：检查关联是否在连续时间段内稳定出现
2. 排除促销期数据：剔除大促期间的交易记录
3. 用户分群验证：检查不同用户群体的规则一致性

2.2 支持度-置信度平衡矩阵

使用下表找到最佳规则筛选阈值：

筛选Top规则的Python实现：

# 按支持度和置信度筛选 filtered_rules = [r for r in rules if r[2] > 0.05 and r[3] > 0.3] # 按提升度(Lift)排序 filtered_rules.sort(key=lambda x: x[2]*x[3], reverse=True) # 输出Top10规则 for i, (A, B, sup, conf) in enumerate(filtered_rules[:10]): print(f"规则{i+1}: 买{A}的用户有{conf:.1%}会买{B} (出现频率:{sup:.1%})")

3. 低成本落地应用的四种方式

3.1 购物车实时推荐

当用户将商品A加入购物车时，实时推荐关联商品B。实现代码框架：

def get_recommendations(cart_items, rules, top_n=3): recommendations = [] for item in cart_items: related = [r for r in rules if r[0] == item] related.sort(key=lambda x: x[3], reverse=True) recommendations.extend(related[:top_n]) # 去重并按权重排序 rec_dict = {} for A, B, sup, conf in recommendations: if B not in rec_dict or conf > rec_dict[B][1]: rec_dict[B] = (A, conf, sup) return sorted(rec_dict.items(), key=lambda x: x[1][1], reverse=True)

3.2 商品捆绑销售策略

根据关联规则设计优惠组合：

def create_bundles(rules, min_confidence=0.4): bundles = [] for A, B, sup, conf in rules: if conf >= min_confidence: discount = min(int((1 - 0.8/conf)*100), 30) # 动态折扣计算 bundles.append({ 'main_item': A, 'bundled_item': B, 'discount': f"{discount}%", 'expected_uplift': f"{int(conf*100)}%" }) return bundles

3.3 精准营销信息推送

对最近购买过商品A但未买B的用户推送B商品优惠：

-- 示例SQL查询目标用户 SELECT user_id FROM transactions WHERE product_a = 1 AND product_b = 0 AND purchase_date > DATE_SUB(NOW(), INTERVAL 7 DAY)

3.4 商品陈列优化

将高关联商品摆放在相邻位置，提升交叉销售机会。关联热力图生成代码：

import seaborn as sns import matplotlib.pyplot as plt # 创建关联矩阵 products = list(item_counts.keys()) matrix = pd.DataFrame(0, index=products, columns=products) for (A, B), count in rule_counts.items(): matrix.at[A, B] = count / item_counts[A] # 绘制热力图 plt.figure(figsize=(10,8)) sns.heatmap(matrix, annot=True, fmt=".1%", cmap="YlGnBu") plt.title("商品关联强度热力图") plt.show()

4. 进阶优化与效果评估

4.1 引入时间衰减因子

近期的购买行为比历史行为更具参考价值。添加时间权重：

def apply_time_decay(row, half_life=30): days_ago = (pd.to_datetime('today') - row['purchase_date']).days return row['purchased'] * (0.5 ** (days_ago / half_life))

4.2 规则有效性验证的AB测试方法

实施推荐策略后，用以下指标评估效果：

4.3 处理冷启动问题的技巧

新品上市时可采用替代策略：

1. 品类关联：使用同类商品的关联规则
2. 属性关联：基于商品标签（价格带、风格等）匹配
3. 小流量测试：快速收集初始数据

def cold_start_recommend(new_item, item_features): # 基于特征相似度找最近邻 from sklearn.neighbors import NearestNeighbors nn = NearestNeighbors(n_neighbors=3) nn.fit(item_features) distances, indices = nn.kneighbors([new_item['features']]) return indices[0]

在实际运营中，我们发现将亲和性分析与简单的用户分群结合（如按购买频次、客单价分层），规则准确率能提升20-30%。一个典型的成功案例是某母婴小程序通过"尿不湿+湿巾"的关联规则，将两者捆绑销售后，湿巾的复购率提升了45%。