tableau-集动作超市购物篮分析

零售分析中把每个客户的一次订单交易（通常对应一张交易小票）模拟为一个虚拟购物篮，购物篮分析是交叉分析的典型代表。经典是案例是“啤酒和尿裤”，通过把关联产品陈列在一起促进客户的连带购买，从而提高顾客每次消费总价。正因为此，基于大数据统计分析哪些产品具有更强的关联性，就具有了营销方面的引导意义，甚至可以结合价格分析指导关联营销中的定价策略。

基于超市的数据，假设要为某个子类别板块，比如“标签”的负责人提供以下分析：“在购买标签的订单（购物篮）中，其他哪些子类别被同时关联购买的概率更高？从销售数量的角度分析。”

这个问题会综合使用逻辑判断、狭义LOD表达式、筛选器等分析方法

 

第一步，分析问题

第二步 通过计算建立筛选 

第三步 基于筛选后的数据建立排序 

第四步 把“标签”的分析扩展到其他子分类 

第五步 为每个子类别增加背景信息（比例）

第六步 增加层次分析（如需）

第一步，分析问题

分析一下这个问题，其中涉及到“子类别”和“订单ID”两个维度字段，和“数量”度量字段。主视图当然就是“各个子类别的购买数量”，要看孰高孰低，首选条形图。最终效果如图10-69所示：

图 10‑69 选择任意子分类，查看其他子分类关联购买占比

难点在于，问题中隐含着筛选条件——如何把数据范围，筛选到所有包含“标签”的订单交易中。

 

第二步 关键步骤：通过计算建立筛选

推荐从你熟悉的详细级别开始复杂的问题分析。购物篮分析针对的是订单层次，首先双击订单ID、子类别加入视图，如图10-70所示，凡是不包含“标签”分类的，即购物篮中没有消费这个子类别。

图 10‑70 排除不含标签的订单ID

如何排除不包含“标签”的订单呢？答案就在问题之中——不包含“标签”的订单有一个共同的特征：不包含“标签”。因此，创建一个辅助列，仅保留“标签”信息，把其他子类别名称都替换为NULL（空），之后在订单ID层面计数，凡是等于0的订单就是不包含“标签”的订单，就可以排除了。

思路有了，方法如图10-71所示，首先使用IIF逻辑判断增加一个辅助列IIF([子类别]=’标签’,[子类别],NULL)，注意这个是行级别的逻辑判断——如果当前行所对应的商品交易属于标签子类别，则保留子类别的名称，否则全部替换为NULL（空）。

之后可以用这个辅助字段的计数大小，来判断订单是否属于包含“标签”的订单。由于要在订单层次做判断，使用FIXED LOD将结果指定在“订单ID”层次计算，即{ FIXED [订单 ID]:COUNTD(IIF([子类别]=’标签’,[子类别],NULL))}。

图 10‑71 使用IIF建立辅助列，使用FIXED LOD计算作为分类标准

这里使用了即席计算，直接把IIF的辅助字段拖入FIXED LOD表达式计数。

FIXED LOD计算的目的是为了分类，也就需要作为分类字段（维度）使用，这也是FIXED LOD最独特的使用场景。

如图10-72所示，把列中的表达式拖入左侧数据窗格创建字段，命名为“是否包含标签”（步骤a）。分类字段应该是维度而非度量，因此右键字段，选择“转换为维度”，字段就会转到维度区域并成为蓝色胶囊（步骤b）。至此，就可以把这个字段拖入筛选器，针对数据做筛选了，选择“1”，即仅保留了包含“标签”的订单交易。

图 10‑72 把FIXED LOD的结果转化为维度筛选器

第三步 基于筛选后的数据建立排序

移除视图中的“订单ID”字段，就是仅包含“标签”的交易数据了，此时的“总和（是否包含标签）”对应的是订单的数量，拖入“数量”字段就可以看到标签的销售数量，和与标签关联购买的其他子类别销售数量了。如图10-73所示。

图 10‑73 购买标签同时购买其他子类别的数量

最后记得排序，就可能清晰地发现“椅子”“收纳具”和“装订机”是与“标签”关联购买最好的子类别。

第四步 把“标签”的分析扩展到其他子分类

为了简化问题，开篇以“标签为例展开了整个分析，那如何结合互动，把这个分析方法扩展到其他子分类，从而可以任意选择某个子分类从而查看其关联销售的子类别数量呢？

此类的问题都涉及到更改计算中的某个变量，而参数是单一变量最好的方法。

如图10-74所示，在“子类别”字段上右键选择“创建”——“参数”，可以快速创建包含子类别数据的参数列表。之后在“是否包含标签”字段右键选择“编辑”，将计算字段中的“标签”更改为“子类别 参数”即可。

这样，在视图中通过选择子类别，就可以查看该子类别关联的购物篮子类别排名，为了通过标题突出所选的子类别，还可以在标题中插入参数。

图 10‑74 将参数加入到FIXED判断过程

如果使用层次结构进一步展开，或者结合某些重点单品做进一步筛选，则可以指导组合营销策略。

第五步 为每个子类别增加背景信息

在图10-74中，虽然可以清晰的看到指定子类别的关联子类别排名，但是由于缺少每个子类别的总计销售，因此难以估计被连带购买的子类别的确切占比。如果能增加这样的背景信息，显然就可以在排序之外，同时关注相当于其他所有子类别的关联占比。

要增加的背景信息，要优先级作为分类的维度筛选器，因此可以使用FIXED LOD计算每个子类别的销售数量，即{ FIXED [子类别]:SUM([数量])}。如图10-75所示，在列中双击增加一个计算胶囊，输入这个表达式。

图 10‑75 在购物篮关联排名基础上，增加每个子类别的合计销售数量

为了增强可视化效果，为了更好的对比当前子类别的关联销售数量和合计销售数量的占比，可以把第2和第3个度量建立双轴，并通过调整颜色和大小增加层次性。如图10-76所示。

图 10‑76 增加双轴同步，并增加比例计算

至此，业务负责人才能清晰的看到每个子类别的关联购买情况，只有这种精确的计算，才能引导精确的分析。最佳可视化的基本标准，就是无须深度思考，即可直观表达关键结论。

第六步 增加层次分析（如需）

当然，按照同样的逻辑，如果想要查看每个子类别下面不同制造商的情况，则可以进一步增加维度，并适当调整计算字段。通常，业务决策必须依赖于层层钻取的深入分析，才能精确的指导运营工作。如图10-77所示，增加“制造商”字段，并调整FIXED LOD表达式，就可以查看制造商品牌状况了。