实验二 Clementine12购物篮分析(关联规则)
关联规则实验报告
2. 转换数据test.csv为testuse.csv以便进行关联分析。
4. 查看导入的数据a)点击节点选项卡“输出”，双击“表格”节点b)右键点击“testuse.csv”节点，选择“Connect”选项，单击“Table”（在两个节点中产生一个箭头，从“testuse.csv”指向“Table”节点。
）5. 对数据进行清洗a)选择节点选项卡的“字段选项”，把“类型”节点拖入数据流区域。
b)连接“testuse.csv”节点和“类型”节点c)双击数据流区域中的“类型”节点，单击“读取值”按钮d)把其他行的“方向”的值改为“双向”6. 使用Apriori节点分析a)双击“建模”选项卡的“Apriori”节点b)连接“类型”节点与“Apriori”节点(箭头指向“Apriori”节点)7. 查看挖掘结果a)左键单击管理器的“模型”选项卡，右键点击第5部执行以后出现的模型图标b)选择“浏览”，弹出图表c)查看结果质合比3:3 和奇偶奇偶比3:3100%8. 提升a)双击“Apriori”节点，弹出选项界面，修改参数b)选择“模型”选项卡修改参数质合比1:5 和奇偶和大小奇偶比1:5关联规则分析方法原理算法优点缺点适用范围逐层搜索的迭代算法，k-项集用于探索（k+1）-项集。
连接，减枝两步走。
首先，通过扫描数据集，产生一个大的候选数据项集,并使用候选项集找频繁项集Apriori算法效率高1．多次扫描事务数据库，需很大的I/O负载。
2.单维、单层、布尔关联规66．667%。
第十二讲 关联分析方法
比较候选支持度 计数与最小支持 度计数
L3
项集 {I1，I2，I3} {I1，I2，I5} 支持度 2 2
求频繁集结束
17
置信度计算
• 置信度使用下式计算：
Confidence(A → B) =support_count(A∪B)/support_count(A)
其中：support_count(A∪B) 是包含A∪B 的事务数， support_count(A) 是包含A的 事务数。
20
最小置信度设定为70％，则只有以下三个关联规则输出：
四. 关联规则价值衡量的方法
1. 系统客观层面 使用“支持度-可信度”的框架，有时会产生一些错误的结果。 看如下的一个例子： 〖例〗假设一个提供早餐的零售商调查了400名学生在早晨进 行什么运动，得到的结果是275名学生打篮球，280名学生晨 跑，180名学生打篮球、晨跑。那么如果设minsup为40%， minconf为60%，可以得到如下的关联规则： 打篮球 晨跑 因为它的支持度为180/400=45%;信任度为180/275=65.5%; 显然分别满足最小支持度和最小信任值得要求。 但这条规则，其实是错误的，因为晨跑的学生的比例是 70%， 大于65.5%(信任度值)。说明了打篮球和晨跑之间所存在的关 系是一种负关联，也就是存在打篮球将会减少晨跑的人数的 可能。
L1
• 最后，从大数据项集中导出规则。
12
Apriori算法中的关键步骤
13
Apriori算法中的关键步骤
14
举例
• 下表为顾客购买记录情况，TID代表一次购 买记录,其中I1—牛奶，I2 —鸡蛋，I3 —面 包，I4 —黄油，I5 —果酱。试分析顾客同 时购买食品的情况。(设最小支持度为2)
实验一 Clementine12.0数据挖掘分析方法与应用
实验一Clementine12.0数据挖掘分析方法与应用一、[实验目的]熟悉Clementine12.0进行数据挖掘的基本操作方法与流程，对实际的问题能熟练利用Clementine12.0开展数据挖掘分析工作。
二、[知识要点]1、数据挖掘概念；2、数据挖掘流程；3、Clementine12.0进行数据挖掘的基本操作方法。
三、[实验内容与要求]1、熟悉Clementine12.0操作界面；2、理解工作流的模型构建方法；3、安装、运行Clementine12.0软件；4、构建挖掘流。
四、[实验条件]Clementine12.0软件。
五、[实验步骤]1、主要数据挖掘模式分析；2、数据挖掘流程分析；3、Clementine12.0下载与安装；4、Clementine12.0功能分析；5、Clementine12.0决策分析实例。
六、[思考与练习]1、Clementine12.0软件进行数据挖掘的主要特点是什么？2、利用Clementine12.0构建一个关联挖掘流（购物篮分析）。
实验部分一、Clementine简述Clementine是ISL(Integral Solutions Limited)公司开发的数据挖掘工具平台。
1999年SPSS公司收购了ISL公司，对Clementine产品进行重新整合和开发，现在Clementine已经成为SPSS公司的又一亮点。
作为一个数据挖掘平台，Clementine结合商业技术可以快速建立预测性模型，进而应用到商业活动中，帮助人们改进决策过程。
强大的数据挖掘功能和显著的投资回报率使得Clementine在业界久负盛誉。
同那些仅仅着重于模型的外在表现而忽略了数据挖掘在整个业务流程中的应用价值的其它数据挖掘工具相比，Clementine其功能强大的数据挖掘算法，使数据挖掘贯穿业务流程的始终，在缩短投资回报周期的同时极大提高了投资回报率。
为了解决各种商务问题，企业需要以不同的方式来处理各种类型迥异的数据，相异的任务类型和数据类型就要求有不同的分析技术。
关联规则
1 引言关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。
它在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。
关联规则挖掘的一个典型例子是购物篮分析。
关联规则研究有助于发现交易数据库中不同商品（项）之间的联系，找出顾客购买行为模式，如购买了某一商品对购买其他商品的影响。
分析结果可以应用于商品货架布局、货存安排以及根据购买模式对用户进行分类。
Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题[AIS93b]，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。
他们的工作包括对原有的算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率；对关联规则的应用进行推广。
最近也有独立于Agrawal的频集方法的工作[HPY00]，以避免频集方法的一些缺陷，探索挖掘关联规则的新方法。
也有一些工作[KPR98]注重于对挖掘到的模式的价值进行评估，他们提出的模型建议了一些值得考虑的研究方向。
2 基本概念设I={i1,i2,..,i m}是项集，其中i k(k=1,2,…,m)可以是购物篮中的物品，也可以是保险公司的顾客。
设任务相关的数据D是事务集，其中每个事务T是项集，使得T⊆I。
设A是一个项集，且A⊆T。
关联规则是如下形式的逻辑蕴涵：A⇒ B，A⊂I, A⊂I，且A∩B=Φ。
关联规则具有如下两个重要的属性：支持度: P(A∪B)，即A和B这两个项集在事务集D中同时出现的概率。
置信度: P(B｜A)，即在出现项集A的事务集D中，项集B也同时出现的概率。
同时满足最小支持度阈值和最小置信度阈值的规则称为强规则。
给定一个事务集D，挖掘关联规则问题就是产生支持度和可信度分别大于用户给定的最小支持度和最小可信度的关联规则，也就是产生强规则的问题。
3 关联规则种类1) 基于规则中处理的变量的类别，关联规则可以分为布尔型和数值型。
布尔型关联规则处理的值都是离散的、种类化的，它显示了这些变量之间的关系。
market_basket_optimisation 关联规则 -回复
market_basket_optimisation 关联规则-回复什么是关联规则分析？关联规则分析是一种数据挖掘技术，用于发现事物之间的关联和依赖关系。
通过分析交易数据或者消费者购物篮数据，关联规则可以揭示哪些商品常一起购买，从而帮助商家制定更加精准的产品定位和营销策略。
市场篮子优化是关联规则分析的一个主要应用场景，通过分析购物篮数据，它可以帮助我们理解消费者行为和购买模式，从而提高销售额和客户满意度。
如何进行关联规则分析？关联规则分析包含以下几个步骤：1. 数据收集：首先，我们需要收集相应的市场篮子数据。
这些数据可以来自超市的销售记录，每个记录包含一个交易的商品清单。
2. 数据预处理：在分析之前，我们需要对数据进行清洗和准备。
这包括去除不规则数据、处理缺失值以及忽略无关数据。
3. 数据编码：为了进行关联规则分析，我们需要将数据转化为适用于算法的形式。
通常使用独热编码或者布尔编码来表示每个商品。
4. 关联规则生成：通过使用关联规则挖掘算法，例如Apriori算法或FP-growth算法，我们可以从数据集中发现具有足够频繁度和信度的关联规则。
5. 规则评估与选择：生成的关联规则可能很多，我们需要对规则进行评估和选择，以确定哪些规则是有意义的。
常用的评估指标包括支持度、置信度和提升度。
6. 规则解释和应用：最后，我们需要解释和理解规则的含义，并根据规则提取的信息制定相应的市场营销策略。
了解关联规则分析的价值和应用关联规则分析在营销和市场研究中有着广泛的应用。
通过发现产品之间的关联和依赖关系，商家可以制定更加精准的定位策略，从而提高产品的销售额。
此外，关联规则分析还能够提供跨销售和推荐系统的支持，其中可以通过根据购物篮数据来预测和推荐顾客可能感兴趣的商品。
在互联网时代，关联规则分析也可以帮助电子商务平台优化网站布局和推荐算法，从而提高用户体验和购买转化率。
关联规则分析还可以用于市场研究和消费者行为分析。
关联分析及案例应用
关联分析及案例应用 - [数据挖掘]2010-07-28版权声明：转载时请以超链接形式标明文章原始出处和作者信息及本声明/logs/70804818.html简单谈谈关联分析准备分3个部分来介绍：第一部分关联分析（association）简介及模型实现关键点第二部分关联分析在clementine中的具体案例实现第三部分时序分析在clementine中的具体案例实现今天先谈谈第一部分1、关联分析是一种无监督机器学习方法，用来发掘经常一起发生的事情。
在企业营销中主要应用于产品搭配销售cross-selling。
分析：买了a（和b）的人还买了c 即特征1和特征2 发生，特征3伴随发生时序分析买了a的人，然后再买了b，最后又买了c二者区别：关联分析，一次购物，买了什么会买什么。
时序分析，这次购物，下次会买什么。
（零售、流程改进、网络日志分析）2、在clementin中的数据格式：apriori 可以接受2中排列方式，但只接受名义字段，且字段在方向设定时必须为both。
GRI和CARMA只能接受第一种排列方式3、关于阀值的设定：支持度和置信度，定多少才合适？没有最合适，当然是这两个值越高出来的规则越有说服力，但这样的规则往往很难得到。
所以我个人认为只要符合业务需求且合理，都可以进行部署。
建议将支持度和置信度从低往高不断调整，查看规则的变化情况。
举个简单的例子，某条规则置信度为90%，规提升水平为2，而支持度只有1%，原始数据量有1000万。
请问，这条规则是否有意义？我们可以看到这条规则的规模有10万，且有较高的置信水平，所以它的实际部署能力还是比较强的。
4、再说说提升水平lift这个参数。
假定设定规则的最小阀值为支持度30%，置信度为60%，然后你得到了很多的强关联规则。
比如有这么一条，总数据10000个，A商品6000个，B商品7500个，然后同时购买A和B的4000个。
我们发现A-B（即购买了a的同时购买b）这条规则也是一条强关联规则。
购物篮分析
购物篮分析购物篮分析是一种经济学上的方法，用于了解消费者在购物过程中的偏好和行为。
通过分析购物篮内的商品组合，我们可以揭示出消费者的购买习惯和决策过程，从而为商家提供参考和决策依据。
本文将通过介绍购物篮分析的概念、方法和应用，探讨其在商业决策中的作用和意义。
一、购物篮分析的概念和方法购物篮分析是一种基于数据挖掘的分析技术，通过对消费者购物篮内商品组合的统计和关联分析，寻找不同商品之间的关联关系和规律。
其基本思想是假设消费者购买商品的行为是有一定规律可循的，通过挖掘这些规律，可以了解消费者的购买动机、偏好和需求，帮助企业做出更好的决策。
购物篮分析的方法主要包括频繁项集挖掘和关联规则挖掘。
频繁项集挖掘是指在购物篮数据中找出频繁出现的商品组合，通过计算其出现的频率和支持度来衡量其重要性。
关联规则挖掘则是通过计算不同商品之间的关联度，寻找出消费者购买商品之间的关联关系，并生成相关的规则。
在购物篮分析中，我们还需要定义一些基本的概念和指标来衡量不同商品之间的关联关系。
支持度是指某个商品组合在所有购物篮中出现的频率，用来衡量商品组合的普遍程度；置信度是指在购买了一种商品的情况下，同时购买另一种商品的概率，用来衡量两种商品之间的关联程度；提升度是指购买了一种商品后，同时购买另一种商品的概率相对于两种商品独立购买的概率的比值，用来衡量两种商品之间的依赖关系。
二、购物篮分析的应用领域购物篮分析广泛应用于零售业、快消品行业和电商平台等领域。
通过分析消费者购物篮内的商品组合，企业可以了解消费者的购买习惯和决策过程，从而精准推荐商品、优化营销策略，提高销售额和顾客满意度。
在零售业，购物篮分析可以帮助商家了解消费者的购买偏好和需求，优化商品陈列和促销策略。
例如，通过挖掘频繁项集，商家可以发现某些商品之间的关联关系，进而将它们放在相邻的货架上，提高销售量。
关联规则挖掘可以帮助商家发现购买某种商品的顾客还经常购买什么其他商品，从而进行精准的个性化推荐，提高销售成功率。
R语言与关联规则挖掘—购物篮分析
R语⾔与关联规则挖掘—购物篮分析
名词：
挖掘数据集：购物篮数据
挖掘⽬标：关联规则
关联规则：啤酒=>尿布（⽀持度0.02，置信度0.6）
⽀持度：所有数据中有2%的购物记录包含了啤酒和尿布
置信度：所有包含啤酒的购物记录⾥有60%包含尿布
最⼩⽀持度阈值和最⼩置信度阈值。
项集：项（商品）组成的集合
K-项集：k个项组成的集合
频繁项集：满⾜最⼩⽀持度的项集
强关联规则：满⾜最⼩⽀持阈值和最⼩置信度阈值的规则
步骤:
找出所有频繁项集；由频繁项集产⽣强关联规则。
案例：
TID为购物记录，List of item_ID为商品ID，如第T100条购物记录中，包含商品I1,I2,I5。
最后推出的关联规则有：
（以上图⽚来源薛毅⽼师的《r modeling》）
R语⾔操作：
包：arules
数据集：Groceries（内置数据集）
函数：inspect：显检查，⽰⼀个的⽂集或⼀个术语⽂档矩阵的详细信息。
查看数据。
apriori：提取关联规则
代码：
结果如下：
结果展⽰的即为每⼀种消费记录推出同时购买某种商品的⽀持度和置信度。
最右边的lift参数表明该规则的可信度，如果等于1，啧表明前⾯的商品与关联商品是独⽴的。
lift值越⼤，表明规则越可信。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验二Clementine12购物篮分析（关联规则）一、[实验目的]设计关联规则分析模型，通过模型演示如何对购物篮分析，并根据细分结果对采取不同的营销策略。
体验以数据驱动的模型计算给科学决策带来的先进性。
二、[知识要点]1、购物蓝分析概念；2、管来呢规则算法原理；3、购物蓝分析工具；4、Clementine12.0关联规则分析流程。
三、[实验要求和内容]1、初步了解使用工作流的方式构建分析模型；2、理解智能数据分析流程，主要是CRISP-DM工业标准流程；3、理解关联规则模型原理；4、设计关联规则分流；5、运行该流，并将结果可视化展示；6、得出模型分析结论7、运行结果进行相关营销策略设计。
四、[实验条件]Clementine12.0挖掘软件。
五、[实验步骤]1、启动Clementine12.0软件；2、在工作区设计管来呢规则挖掘流；3、执行模型，分析计算结果；4、撰写实验报告。
六、[思考与练习]1、为什么要进行关联规则分析？它是如何支持客户营销的？实验内容与步骤一、前言“啤酒与尿布”的故事是营销届的神话，“啤酒”和“尿布”两个看上去没有关系的商品摆放在一起进行销售、并获得了很好的销售收益，这种现象就是卖场中商品之间的关联性，研究“啤酒与尿布”关联的方法就是购物篮分析，购物篮分析曾经是沃尔玛秘而不宣的独门武器，购物篮分析可以帮助我们在门店的销售过程中找到具有关联关系的商品，并以此获得销售收益的增长！“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—Aprior算法。
沃尔玛从上个世纪90年代尝试将Aprior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。
“啤酒和尿布”的故事为什么产生于沃尔玛超市的卖场中？卖场中“啤酒与尿布”的现象比比皆是，为什么“啤酒与尿布”的故事只产生在沃尔玛的卖场中，而不是其他零售门店？这里有两个原因。
第一个是沃尔玛先进的计算机技术是“啤酒与尿布”故事产生的强大支持后盾。
零售业目前使用的很多新技术都是沃尔玛率先“尝鲜”的，比如沃尔玛最早在门店尝试计算机记账，最早在门店收款台尝试使用外形丑陋俗称“牛眼”的条码扫描器进行收款，世界上第一个发射私人通信卫星等等。
“前人栽树，后人乘凉”，目前运用于门店管理的很多技术手段都是沃尔玛做了“第一个吃螃蟹”的，我们只不过坐享其成而已。
由于沃尔玛具备先进的技术手段，“啤酒与尿布”的故事在沃尔玛产生就一点也不奇怪了。
第二个原因是沃尔玛拥有一双锐利的慧眼。
沃尔玛是一家极其讲究卖场现场管理的企业，沃尔玛创始人老沃尔顿最大的乐趣就是不停地在卖场巡视，更多地运用自己的双眼而不是数据来发现事实。
因此不能忽略的是，没有沃尔玛管理人员的慧眼，“啤酒与尿布”的故事也会淹没在大量的零售数据中。
营销界很多人对于“啤酒与尿布”的故事津津乐道，吹捧得如同发现新大陆般！“啤酒与尿布”的故事就是商品交叉销售，这种销售现象几乎和人类历史一样悠久，在古人披着兽皮交换贝壳、粮食、石斧等商品时，他们已经清楚地了解商品交叉销售对于商品交易的重要性，一些聪明的家伙会采取种种措施鼓励客户多交换一些商品(估计是一袋贝壳加一条鱼换一袋大米)。
“啤酒与尿布”的故事只是对商品交叉销售现象的一种现代解释，并不是出现“啤酒与尿布”的故事之后，才存在商品交叉销售的现象。
从这个意义上讲，沃尔玛并没有发现新大陆，只不过把我们视而不见的现象挖出来，并从中发现了商业价值。
沃尔玛的创始人老沃尔顿说，retail is detail (零售就是细节)。
研究商品关联关系的方法就是购物篮分析，在购物篮分析方面有两个值得我们学习的榜样，一个是美国的沃尔玛，另一个是日本的7-11便利店。
同样是购物篮分析，沃尔玛强调找出商品之间的关联关系，比如啤酒与尿布，而7-11便利店的重点在于找出影响商品销售的所有因素，比如碳酸饮料与气温的关系等等。
换句话说，沃尔玛重点是分析购物篮内商品之间的关联关系，而日本7-11便利店的重点是从购物篮外面找影响商品销售的关联关系。
美式购物篮分析以沃尔玛为代表的美食购物篮分析的目标一般是卖场面积巨大，通常都是上万平方米，商品种类繁多，大多在10万种以上，所以要通过购物篮分析找出淹没在不同区域商品之间的关联关系，并将这些关联关系用于商品关联陈列、促销等具体工作中，是很难通过人工完成的。
比如啤酒在酒类区域，尿布在婴儿用品区域，两个商品陈列区域相差几十米，甚至可能是“楼上、楼下”的陈列关系，用肉眼很难发现啤酒与尿布存在关联关系的规律。
我们把找出购物篮中商品之间关系的方法称为“美式购物篮”分析法，这种方法适合应用于类似沃尔玛这样的大卖场，用于找出不同陈列区域商品之间的关系。
英国的Tesco连锁超市、Safeway连锁超市也都是这种购物篮分析的高手。
我们这个课程所主要研究的目标也是这种美食购物篮。
日式购物篮分析日本这个国家很神奇，虽然身为岛国，但是经济发达。
分析日式购物篮确实能够看到日本人在经商方面的巧妙之处。
日本的超市以7-11便利店为典型，7-11便利店营业面积都很小，一般只有100~250平方米，商品品种3000~10000种，是典型的“螺蛳壳里做道场”。
如我们在电影或者泡沫剧里面所见，日本很多门店的经营面积狭小，站在门店里任何一个角落，所有的商品转个身就全看见了——真正的抬头不见低头见，所以找出商品关联关系不是日本7-11便利店的重点：你就是找出来啤酒与尿布之间有“暗恋”关系，也没用！因为啤酒与尿布本来就在一起。
当然日本7-11便利店这类相关陈列的故事也是有的，比如荞麦冷面与纳豆、鱼肉香肠与面包、酸奶与盒饭等等，但是毕竟起不到主要作用，日本7-11便利店更关注的是：●气温由28℃上升到30℃，对碳酸类饮料、凉面的销售量会有什么影响？●下雨的时候，关东煮的销售量会有什么变化？●盒饭加酸奶、盒饭加罐装啤酒都是针对什么样的客户群体？他们什么时间到门店买这些商品？所以，日本人的重点是分析所有影响商品销售的关联因素，比如天气、温度、时间、事件、客户群体等，这些因素我们称为商品相关性因素。
日本人对于所有影响商品销售的关联因素研究得非常透彻，因此日本就会有气温-碳酸饮料指数、空调指数、冰激凌指数，因此就不难理解为什么7-11便利店会设置专门的气象部门，因此更能够理解为什么日本7-11便利店会要求门店每天5次将门店内外的温度、湿度上传回总部，供总部与商品销售进行对比分析。
与商品之间的关联关系相比，日本7-11便利店认为这些关联因素更重要。
由于这是日本7-11便利店大量采取的方式，我们也称为“日式购物篮”分析法。
“啤酒和尿布”故事包含什么样的含义？沃尔玛的“啤酒与尿布”的故事实际上向我们揭示了零售业未来的获利及生存模式。
他凸显了零售卖场中一个全新的管理理念，即商品之间是具有关联关系的，发现并利用这些商品之间的关联关系，可以在无法大幅增加门店客户数的前提下，通过增加购物篮中的商品数量达到增加销售额的目的，从而获得更大的经营收益。
启示一：购物篮大于商品有在零售业工作经验的朋友都知道，老板考核大家的主要指标是商品销售额，你的工资袋取决于商品的销售额。
老板会将商品销售指标下发到个人，每个人都只会关注自己的“一亩三分地”，卖啤酒的只管闷头卖啤酒，卖尿布的只管闷头卖尿布，每个柜台只管自己的商品是否能进入客户手中的购物篮。
卖啤酒的不关心购物篮中的尿布，卖尿布的也漠视购物篮中的啤酒，只要别漏了自己柜台的东西就行了，因为漏了自己的商品，这个月的奖金就没了，人人只扫门前雪，长此以往商店的整体效益当然不会好了，效益不好就要裁员，大家都没好果子吃。
反观沃尔玛的卖场管理体系中，购物篮是主要的管理对象，而不仅仅是商品。
为什么沃尔玛会以购物篮为管理重点？沃尔玛认为商品销售量的冲刺只是短期行为，而零售企业的生命力取决于购物篮。
一个小小的购物篮体现了客户的真实消费需求和购物行为，每一只购物篮里都蕴藏着太多的客户信息。
零售业的宗旨是服务客户，沃尔玛认为商店的管理核心应该是以购物篮为中心的顾客经营模式，商品排名只能体现商品自身的表现，而购物篮可以体现客户的购买行为及消费需求，关注购物篮可以使门店随时掌握客户的消费动向，从而使门店始终与客户保持一致。
启示二：购物篮方面的差距购物篮的表现形式就是我们常说的“客单价”，客单价的高低直接反映了零售企业的经营效益。
根据AC·尼尔森2006年对国内零售企业的调查发现，从周一到周五正常工作日，同样一个万米经营面积的大卖场，国内卖场的平均客单价是29元，家乐福、沃尔玛、欧尚等国际零售巨头卖场的客单价为75元，好又多、大润发、乐购等台资卖场客单价为50元。
到了周末(周六、周日)的差距更大，国内卖场客单价为35元，台资卖场客单价为80元，外资卖场可以达到149元，这就是我们国内企业在购物篮方面的差距。
我们知道，销售额=客单价×客流数。
在同等客流量的情况下，我们的企业由于客单价低，已经先失一着，销售业绩要比外资企业低200％，比台资企业低60％。
此外，销售额低会带来很多问题，比如毛利额低、通道费低、与供应商的话语权降低，甚至会直接影响到企业的生存。
因此，要想提高商业企业的销售业绩，必须改善企业购物篮，全面提升客单价，可以说零售企业的购物篮代表了企业的生存权！另据有关报道，客户到家乐福卖场的年平均购物频度只有9.8次，但是在快速消费品的市场份额却比年平均客户购物频度高达51次的华润苏果高出3.63％，家乐福、沃尔玛、易初莲花等外资零售企业仅仅利用客户几次上门购物的机会，就获得了远比国内零售同行高很多的快速消费品市场份额。