电商经营工作台经营决策中枢
经营路径

情报 → 判断 → 选品 → 上架

经营主流程

AI 情报
每日 AI 情报开源项目与 Skills
今日工作台方法库经营 Agent任务记录PDD 采价记录候选商品上架商品价格换算物流价格浏览器任务订单管理
智能客服
在线客服入口客户入口管理客服会话售后确认客服知识

治理与复盘

规则库规则建议运行日报任务控制台策略配置
登录

经营与 AI 决策视角

电商经营工作台
AI情报工作台选品池上架
返回方法库

方法详情

订单篮子编码—关联强度过滤—组合增益实验法

先将真实订单编码为商品集合,再以support、confidence和lift联合过滤关联规则,能够比人工经验更可靠地提出搭配购、套装和交叉销售假设。
领域:营销数据分析方法、营销方法可创建经营任务候选可创建经营任务
可执行性
90
CEO:可创建经营任务候选

决策路径

系统审核结论

可创建经营任务候选

决定是否展示创建经营任务入口。

我的处理状态

可创建经营任务

只代表人工跟进意图,不会单独解锁创建入口。

下一步

可以创建经营任务

下面可以直接创建选品或经营任务。

来源

平台:GitHub开源工作流

作者/项目:MKB-Datalab

去重使用的来源链接:

https://github.com/MKB-Datalab/marketing-analysis-part-1-market-basket-analysis

适用范围

市场:US

平台:淘宝、拼多多(参考GitHub开源Market Basket Analysis工作流迁移)

类目:母婴, 家居日用, 宠物用品, 一般非高退货电商类目

审核分解

来源可信度:15/20

步骤清晰度:23/25

结构化程度:19/20

边界清晰度:13/15

执行可行性:20/20

我的处理状态

当前:可创建经营任务。处理状态用于记录人工判断;是否能创建经营任务,仍以页面上方“系统审核结论”为准。

创建营销助手

这个入口会创建经营任务配置,绑定当前方法和领域;不会写入商品候选池,也不会立即运行。

订单篮子编码—关联强度过滤—组合增益实验法

领域:营销。后续会按当前输入对象、检查频率和输出格式执行。

已创建任务

当前方法还没有创建营销助手。

CEO 审核结论

仓库提供可运行的数据预处理与关联规则流程,输入输出高度结构化;业务阈值及因果验证仍需店铺数据和人工审批。

复用仓库的编码、Apriori和规则过滤结构,增加平台订单适配器、异常订单剔除、利润库存审核及实验回写模块;所有阈值配置化并记录模型版本。

执行步骤

  1. 1.按平台、店铺、订单号和支付时间清洗订单,剔除取消、刷单、测试单及全额退款单。
  2. 2.统一SKU与SPU映射,将每笔有效订单编码为不重复商品集合,并按业务需要分平台、季节或新老客建模。
  3. 3.使用Apriori生成频繁项集,并根据订单规模设置最低support以控制偶然组合。
  4. 4.生成方向性关联规则,联合筛选confidence和lift,要求lift大于1且样本订单数达到下限。
  5. 5.检查组合的毛利、库存、尺寸重量、母婴适用年龄、互补逻辑及价格可接受性。
  6. 6.将通过审核的规则转成搭配购、优惠券或套装实验,以单件对照组评估客单价、毛利和退款变化。
  7. 7.定期滚动重算并淘汰support衰减、库存失衡或实验无增益的规则。

判断指标

  1. 1.有效订单覆盖率
  2. 2.support
  3. 3.confidence
  4. 4.lift
  5. 5.规则涉及订单数
  6. 6.组合客单价增量
  7. 7.每单贡献毛利增量
  8. 8.组合购买率
  9. 9.退款率变化

输入数据要求

  1. 1.淘宝与拼多多订单号—SKU明细
  2. 2.取消、退款、刷单和测试订单标记
  3. 3.SKU与SPU映射及类目属性
  4. 4.商品毛利、库存、重量和履约限制
  5. 5.最低订单数、support、confidence及lift阈值

排除规则

  1. 1.排除Electronics和High-return fashion。
  2. 2.排除lift不大于1、样本订单不足或仅由一次促销造成的规则。
  3. 3.排除刷单、员工单、测试单、取消单和全额退款单。
  4. 4.排除库存不足、交期不一致或组合后履约成本吞噬毛利的搭配。
  5. 5.排除母婴年龄段、尺寸、材质或安全要求不兼容的组合。
  6. 6.排除只能解释历史相关性、但无法设计对照实验的高风险自动推荐。

风险与适用边界

  1. 1.关联规则反映共现而非因果,热门商品可能造成伪关联。
  2. 2.开源示例数据来自历史海外零售样本,不代表当前淘宝、拼多多行为。
  3. 3.阈值高度依赖订单规模,不能跨店铺固定套用。
  4. 4.合并SKU或拆分SPU的方式会显著改变规则。
  5. 5.优惠力度、推荐位置和季节变化会影响实验结果。

来源摘要与执行说明

开源仓库提供交易预处理、TransactionEncoder编码、Apriori频繁项集生成、association_rules规则生成、指标过滤和可视化的可执行步骤,并包含小型样例及在线零售数据集。迁移后可直接处理淘宝、拼多多订单,但规则必须通过利润、库存、合规和受控实验验证,不能把历史共购误当因果关系。

输出格式:关联规则表:前件、后件、订单数、support、confidence、lift、利润与库存检查、推荐营销动作、实验状态及实际增益。

执行示例:对近90天有效订单运行Apriori后,发现婴儿围兜与便携收纳袋的lift为1.7且订单数超过预设下限;经库存、适龄和毛利审核后,在淘宝创建小流量搭配券并保留单品对照,两周后仅在每单贡献毛利和退款率均改善时扩大曝光。