一提人工智能大数据，必有人提啤酒与尿布，有意思的是，都2020年了，还有人信这个老掉牙的都市传说。今天我们系统讲解一下。
1
站在背后的关联规则
支持啤酒与尿布故事的，是关联规则算法。注意：关联规则算法本身没啥问题，这是一种发现关联关系（注意：不是因果关系哦）的手段，并且它的算法原理非常简单，需要的数据也非常少，因此适用范围非常广。
假设有6种产品，ABCDEF，一个客人买了AB去结账，收银员打出一张小票，上边有AB产品的名称、价格，我们可以用、1代表是否有该商品，简单把小票表示成：
类似地，如果有5张订单，可以表示成：
注意，即使没有计算，用肉眼也能看到，似乎ABC三个产品在订单里同时出现的几率很高，这就是关联规则的基本思路：找到同时出现频率高的组合。只不过，我们需要用一些指标来衡量：到底什么算高。
因为有六个商品，所以同时出现的组合有很多种：A+B，A+B+C等，我们从最简单的两两组合开始计算，再算三三、四四……计算组合的时候，我们希望组合出现的频率越高越好，因此有了支持度概念：

文章插图
两个商品的购买可能有先后顺序，比如先A后B，这时候可以算购买A的情况下，用户购买B的概率，从而决定在用户购买A以后推B产品，或者是C、D产品。因此引入置信度概念：

文章插图
注意，虽然算出来购买A以后有75%概率购买B，但是不一定非等到用户买A再推荐B。如这个小例子里，直接推B也有80%购买率，显然非等到买了A再推B会很不划算，购买率还跌了，因此引入提升度概念：

文章插图
支持度、置信度、提升度的计算都很简单，理论上，只需要设定支持度与置信度的要求，之后按一定顺序遍历所有组合（比如Apriori算法），即能找出所有符合条件的组合。这种方法最大的优势就是简单，计算方法、计算逻辑都简单，且需要的数据很少，只要有订单数据即可，数据采集永远是算法的头号大敌，一个需要数据少的方法，自然会被极其广泛的运用。特别是应用于购物篮分析。
然而，运用归运用，你真在哪个超市见过啤酒与尿布堆在一起的吗。很快讲故事的人便发现了这个bug，于是改口说：国外的超市……欺负大家出国少呀。那事实的真相到底是啥呢？
2
为啥现实中不存在
很遗憾，啤酒与尿布在现实中不存在。首先因为啤酒与尿布是teradata公司的销售编出来的故事。它完美符合了卖科技产品需要“意料之外，情理之中”的讲故事原则，因此才流传广泛。在实际运用的时候，无论是技术上还是业务上，类似“啤酒与尿布”的完美案例都不存在。
从技术上看，关联规则作为一种无监督找规律方法，更适合做探索性分析，不太适合直接指向一个可落地的SKU组合。注意，上边的例子是高度浓缩的，所以看起来简单可行。比如啤酒，实际上还包含了品牌、包装、价格、是否促销、是否临近保质期等众多因素。实际上SKU极其庞大，且单个SKU的数据非常零散。
如果只笼统地用“啤酒”这个大品类做关联，得出的数据几乎没啥指导意义。如果细到某一个具体价位具体保质期的SKU，比如“Corona/科罗娜啤酒330ml*24瓶178元非折扣非临期”与“宝适绿帮纸尿裤S164新生婴儿超薄透气干爽款155元”单个具体SKU之间的支持度和置信度都非常低，很难达到落地的程度。
这是导致啤酒与尿布不会出现在超市里根本原因。随便一个3米5门头的小超市尿布至少几十款，啤酒至少几十款，到底哪个该摆在一起！还要考虑啤酒的冷藏问题，总不能在冰柜里放尿布吧。至于几百上千平米大超市，啤酒SKU数几千款，尿布几千款，货架长达数十米，只能分开放在酒水饮料区和母婴用品区。这俩摆在一起，肯定被商场主管活活殴打致死。
从业务上讲，关联规则同所有数学、统计学模型一样，只能说明两个数字之间有关联关系，无法论证任何实际意义上逻辑关系。“妈妈们买尿布的时候会顺便给爸爸买啤酒”的解释，完全就是为了圆故事而圆故事。如果真站在买尿布的妈妈的角度，她有100个理由去买更更值得买的东西，比如干纸巾和湿纸巾。给BB换过尿布的人都知道，那纸巾用起来简直像泼水一样快。有更直接、更明确的驱动力存在，为啥要舍近求远。
3
【 关联规则|都2020年了，还在迷信啤酒与尿布！数据分析的真相是……