电商关联规则实战：如何用支持度、置信度、提升度避开数据陷阱

去年双十一大促后，我们团队经历了一次尴尬的数据复盘——根据"高置信度"规则推荐的手机壳与手机捆绑套餐，实际转化率比单独销售低了15%。这个案例让我深刻意识到，关联规则分析不是简单的数字游戏，而是需要结合业务场景的立体决策。本文将用一个真实的电商数据集，带你拆解支持度、置信度、提升度的实战应用与常见误区。

1. 从失败案例看关联规则的评估维度

那场失败的促销活动基于一条看似合理的规则：购买手机壳 → 购买手机（置信度82%）。表面看这条规则很强，但实际效果却令人失望。问题出在我们忽略了两个关键因素：

1. 支持度过低（0.8%）：意味着同时购买这两类商品的用户占比不足1%，规则可能只是小众人群的偶然行为
2. 提升度接近1（1.05）：表明购买手机壳对手机销量几乎没有促进作用

python复制# 规则评估指标计算示例
def calculate_metrics(transactions, item_X, item_Y):
    n_total = len(transactions)
    n_X = sum(1 for t in transactions if item_X in t)
    n_Y = sum(1 for t in transactions if item_Y in t)
    n_XY = sum(1 for t in transactions if item_X in t and item_Y in t)
    
    support = n_XY / n_total
    confidence = n_XY / n_X
    lift = confidence / (n_Y / n_total)
    
    return support, confidence, lift

提示：高置信度规则不一定有价值，必须结合提升度判断实际业务意义

2. 三大指标的深度解析与阈值设定

2.1 支持度：规则的普遍性过滤器

支持度衡量的是规则在整个数据集中出现的频率。在实际业务中，我们通常需要根据商品特性设定差异化的最小支持度：

| 商品类型 | 建议最小支持度 | 适用场景