啤酒和尿布

在“啤酒与尿布”的故事产生于20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管 理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，这种 独特的销售现象引起了管理人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上。在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与 尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。如果这个年轻的父亲在卖场只能买到两件商品之一，则他很有可能会放弃购物而到另一家商店， 直到可以一次同时买到啤酒与尿布为止。沃尔玛发现了这一独特的现象，开始在卖场尝试将啤酒与尿布摆放在相同的区域，让年轻的父亲可以同时找到这两件商品， 并很快地完成购物；而沃尔玛超市也可以让这些客户一次购买两件商品、而不是一件，从而获得了很好的商品销售收入，这就是“啤酒与尿布”故事的由来。当 然“啤酒与尿布”的故事必须具有技术方面的支持。1993年美国学者Agrawal （个人翻译--艾格拉沃）提出通过分析购物篮中的商品集合，从而找出商品之间关联关系的关联算法，并根据商品之间的关系，找出客户的购买行为。艾格拉沃从 数学及计算机算法角度提出了商品关联关系的计算方法——A prior算法。沃尔玛从上个世纪90年代尝试将A prior算法引入到POS机数据分析中，并获得了成功，于是产生了“啤酒与尿布”的故事。

在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。扩展资料：这个故事在欧美国家也被传唱，出现的版本还不尽相同。但对此质疑的声音也不少，其中有一位叫Daniel J. Power的教授特此撰文，应该是最全面地有理有据揭开这个故事后面的真相。有兴趣的人可以详细阅读英文全文：What is the "true story" about using data mining to identify a relation between sales of beer and diapers? 主旨内容如下：这家连锁店不是沃尔玛，而是Osco Drugs，一家主要在美国中西部经营的药房和便利店。 该公司于1992年就着手进行数据挖掘项目，算是数据挖掘的先驱者。 当时的项目收集了来自25家分店、一千两百多万个购物车的信息。数据的确发现：下午5点到7点之间，客户购买了啤酒和尿片。 商店管理层的确对此发现表示兴趣。但现实中，并没有重新设计商品的摆放，没有把啤酒和尿布进行捆绑销售。不过，公司保守地对销售流程进行了改造，即在正确的时间放正确数量的正确商品。这就是啤酒和尿片的故事真相，所以，这其实并不是数据挖掘的好故事。大家对此故事津津乐道，无外乎希望表达：数据挖掘技术是商业决策的好帮手。

在“啤酒与尿布”的故事产生于20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管 理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，这种 独特的销售现象引起了管理人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上。在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与 尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。如果这个年轻的父亲在卖场只能买到两件商品之一，则他很有可能会放弃购物而到另一家商店， 直到可以一次同时买到啤酒与尿布为止。沃尔玛发现了这一独特的现象，开始在卖场尝试将啤酒与尿布摆放在相同的区域，让年轻的父亲可以同时找到这两件商品， 并很快地完成购物；而沃尔玛超市也可以让这些客户一次购买两件商品、而不是一件，从而获得了很好的商品销售收入，这就是“啤酒与尿布”故事的由来。当 然“啤酒与尿布”的故事必须具有技术方面的支持。1993年美国学者Agrawal （个人翻译--艾格拉沃）提出通过分析购物篮中的商品集合，从而找出商品之间关联关系的关联算法，并根据商品之间的关系，找出客户的购买行为。艾格拉沃从 数学及计算机算法角度提出了商品关联关系的计算方法——A prior算法。沃尔玛从上个世纪90年代尝试将A prior算法引入到POS机数据分析中，并获得了成功，于是产生了“啤酒与尿布”的故事。

案例1：啤酒与尿布 现在，当你走进美国沃尔玛超市，你会发现一个奇怪的现象： 这是因为沃尔玛通过数据分析发现，男性顾客在购买婴儿尿片时，常常会顺便搭配几瓶啤酒来犒劳自己，于是尝试推出了将啤酒和尿布摆在一起的促销手段。没想到这个举措居然使尿布和啤酒的销量都大幅增加了。 通过这个案例，可以知道： 这个可能是人很难直接观察发现的。再看另外下一个案例。案例2：超市预知高中生顾客怀孕 明尼苏达州的一位中年男子，指控塔吉特百货将婴儿产品优惠券寄给他的女儿──“一名高中生”。 但是，没过多久他却来电道歉 塔吉特百货就是靠着分析用户所有的购物数据，然后通过相关关系分析得出的真实状况。 通过这个案例，我们可以知道： 大数据不会说谎，只要你用正确的方式去解读，就能读懂数据背后的故事。 马云说： 既然数据如此重要，那么如何应用数据来驱动产品研发呢？ 数据驱动的三个步骤 数据采集，是后续流程的根基。没有数据，哪里来的建模分析？ 数据采集，两大原则： 数据的全面，从大的系统层面，就是能收集的部分，都不能落下。例如移动App端、Web网站端、微信公众号、服务器接口调用情况等。 如果这些数据，能基于用户的唯一ID，进行整合，然后建模，意义就完全不一样了。 细致主要是指尽量把没一个节点的数据都采集到。这涉及到后续不同维度的分析。所以每个节点涉及到的属性、字段，尽量都不要落下。 但是，如果是小的创业公司，精力有限，可以抓核心流程和核心参数进行采集，以保证了解产品情况，让数据告诉你，产品到底好还是不好。好在哪里？不好的地方，又是哪里？ 以下是列举的核心参数和核心流程，我认为再小的公司或者团队，哪怕是个人开发者，都不能不做，如下图所示： 当然有很多数据平台，可以帮助解决这个问题。例如友盟、TalkingData。但是，有些数据，可能这些平台不能支持，或者不能很好的体系化。如果企业做大做强了，大部分公司，都会自己开发一套数据收集系统。另一方面，也是因为企业数据的安全和隐私。 核心流程分析转化率，能有效帮助用户在哪一步出现了问题。然后对症下药，事半功倍。 看一个产品，是否成功，是否击中了市场中的目标用户，重点看两个数据： 硅谷有一句很著名的格言： 虽然有点粗俗，但是话糙理不糙。 数据会告诉你，你是不是在增长，是不是做出了市场需要的产品。 数据建模，就是基于采集的数据，基于某一个数据模型，进行建模分析。通过这一数据模型能得出一个具体的结论，用于指导企业活动。 最简单的数据模型有用户性别比例、用户地域分布、用户的网络使用情况百分比等，就不做具体的探讨了。 案例3：芝麻信用 下图是本人的芝麻信用截图： 从图中可以看出，芝麻信用，主要是从5个维度采集了数据，并建立了权重模型，具体如下： 基于我的了解，大体的思维导图如下： 根据信用评分，得出一个信用好坏的评级： 但是，这里还不能查到，芝麻信用具体每个模块，占的权重比例。以国际通行的FICO体系（FICO信用分是由美国个人消费信用评估公司开发出的一种个人信用评级法，已经得到社会广泛接受。）做个参考，其主要评级要素和比例如下： 涉及过去的违约记录，例如断供房产被拍卖，被催债（如拖欠信用卡被收账公司追讨）、罚款（法庭判的或者庭外和解都算）、个人破产（这个国内可能没有）等。 其实就是个人的杠杆率，你欠债越多，评分越低。比如你长期都只能还最低还款额和每次还全额，差别肯定是会很大。 就是你有信用记录的时间越长越好。所谓“路遥知马力日久见人心”嘛。 你用过的信用种类越多（信用卡，房贷，消费贷等），说明你金融知识越丰富，理财能力，驾驭财富的能力，自然就强。 申请信用的过程，就是提高杠杆的过程，比如要买房买车，都是需要申请贷款的，贷款的时候，是需要对你的信用进行一次查询的。 案例4：百度搜索 百度搜索把我在百度搜索里面搜索的次数和关键词，进行了数据采集，然后进行了简单的数据建模，主要是周搜索次数、月搜索次数，以及搜索词对应的兴趣领域。 我的兴趣分布： 周搜索指数： 月搜索指数： 通过这样的数据建模，就能很好的了解用户的偏好，那么推荐内容，推荐广告，就变得精准起来。 百度的主要收入，来源于广告，2015年总营收640亿，相当于 每天赚两个亿 。亚马逊三分之一的销售额来自基于数据分析后的个性化推荐系统。

在“啤酒与尿布”的故事产生于20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管 理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，这种 独特的销售现象引起了管理人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上。在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与 尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。如果这个年轻的父亲在卖场只能买到两件商品之一，则他很有可能会放弃购物而到另一家商店， 直到可以一次同时买到啤酒与尿布为止。沃尔玛发现了这一独特的现象，开始在卖场尝试将啤酒与尿布摆放在相同的区域，让年轻的父亲可以同时找到这两件商品， 并很快地完成购物；而沃尔玛超市也可以让这些客户一次购买两件商品、而不是一件，从而获得了很好的商品销售收入，这就是“啤酒与尿布”故事的由来。当 然“啤酒与尿布”的故事必须具有技术方面的支持。1993年美国学者Agrawal （个人翻译--艾格拉沃）提出通过分析购物篮中的商品集合，从而找出商品之间关联关系的关联算法，并根据商品之间的关系，找出客户的购买行为。艾格拉沃从 数学及计算机算法角度提出了商品关联关系的计算方法——A prior算法。沃尔玛从上个世纪90年代尝试将A prior算法引入到POS机数据分析中，并获得了成功，于是产生了“啤酒与尿布”的故事。

尤佳妮moony纸尿裤挺好用的。特别软，特别能吸尿。适合宝宝的一款纸尿裤！特别适合宝宝，呵护宝宝的小屁屁。妈妈放心