送走了双十一、“黑五”、双十二又双叒叕来啦！你是否已准备好新一轮的“放血”？一打开各大电商网站，发现推荐的商品正好都是我们想买的，是不是很意外，还一边感慨真是比你自己更懂你。啊，钱包不够用了。

为什么电商网站越来越懂我们，其实这里面用到了数据挖掘中的关联规则，是典型的应用。类似应用还有很多，例如：资讯类APP的推荐；微博推荐等，他们织了一层密密的网，把用户牢牢的锁住。

接下来我们以淘宝这个典型的应用来为大家介绍，在购物场景下，是如何做关联分析，并帮助购物者更快速并更多地买到自己想要的东西。

全文讲解中所用到的产品是由亿信华辰提供的数据挖掘平台豌豆DM。

整个过程分为以下几个步骤：

应用目标：从订单数据集中找出关联度较高的商品。

创建数据集

下图的数据集为淘宝的订单数据集（1000条订单号，20个商品类别）。

数据探索

首先通过豌豆DM提供的数据探索功能，查看数据是否存在缺失值，如果缺失应通过数据预处理功能，剔除缺失的数据。通过数据探索发现，该数据集的完整性较好，不需要做数据预处理。

构建模型

然后创建关联规则的挖掘过程，选择FP-Growth或Apriori算法来训练模型，得到我们需要的关联规则。下图例子中，我们认为支持度大于10%，可信度大于60%的规则，是客户经常同时购买的商品。如客户经常就会将喜力啤酒、苏打、饼干一起购买。

这便是淘宝当发现你购买了啤酒或苏打，会推荐你购买饼干的原因。

得到关联规则模型结果后，我们可以发布该模型到模型库，以供后续模型应用使用。

模型应用

最后在模型应用界面，我们只需简单的拖拽，即可完成模型应用的制作。模型应用以表格和推荐图的形式，展现了推荐商品的规则。当关联规则较多的时候，我们也可以通过筛选输入商品的参数，快速查询该商品的推荐规则。

从上图我们发现：

当购物者购买了牛油果和洋姜时，系统会自动为他推荐啤酒；购买橄榄和腌牛肉，系统会自动推荐胶鲜鱼，省去了购物者搜索的操作，提高了购物网站的销量。买完这个买那个，根本停下来。

这就是WonderDM关联分析应用的魅力所在，让不知不觉中为用户提供了很大的便利，当然，同时也榨干了我们的钱包。这些技术在方便我们的同时，也带来信息泄露、消费陷阱等风险，你怎么看？