我們已經為”客戶流失預警“配備了以”日“和”次“為數據顆粒的RFV三維分析模型和各維切片視圖以及FM心電圖等一整套從宏觀到微觀的”會員體檢設備 “，可以及時監控和應對會員消費行為的異動——這遠遠不是在那根以”月“為顆粒度的”客戶生命周期折線圖“上所能夠實現的。

　尺有所短，寸有所長。”客戶生命周期折線圖“可以與RFV檢測儀和FM心電圖配套使用： 當RFV檢測儀發出某會員停止采購時間超過平均采購周期的預警信息時，是否要立即采取發送短信等聯絡措施呢？我們可以調閱該會員的”生命周期折線圖“，觀察此前是否存在過類似的現象，再做出適當的決定。

破除對”啤酒與尿布“的盲目迷信

　談到商業智能（BI），言必稱購物籃分析； 談到購物籃分析，言必稱關聯分析； 談到關聯分析，言必稱”啤酒與尿布“。比較流行的故事是： ”沃爾瑪利用NCR自動數據挖掘工具對一年多詳細的原始交易數據進行分析和挖掘時發現： 與尿布一起購買最多的商品竟是啤酒。“于是”啤酒與尿布“就成了商業智能皇冠上的明珠。

　運用先行者的研究成果把”購物籃分析“模塊設計出來是沒有什么難度了，但我們更需要關注的是： 這樣設計出來的模塊真正能給用戶帶來什么應用價值——價值目標不明確的產品研發，會讓開發商與用戶都深陷泥潭。有鑒于此，本人提出幾點直覺上的質疑，希望能與大家在探討的過程中釋疑解惑。

”啤酒與尿布“真的是被”購物籃分析“給挖掘出來的嗎？諸多版本中的這個故事更為接近真實場景： ”曾經有一段時間，沃爾瑪在美國的店面經理發現一種現象： 每周啤酒與尿布的銷量都會有一次同比攀升，后來沃爾瑪運用BI技術發現，購買這兩種產品的顧客幾乎都是25～35歲、家有嬰兒的男性，每次購買時間均在周末。沃爾瑪在對相關數據分析后得出，這些人習慣晚上邊看球賽、邊喝啤酒，還要照顧的孩子，為了圖省事就用一次性尿布。得到結果后，沃爾瑪決定，把這兩種商品集中擺在一起，結果銷量有了顯著增加。“

請注意三個關鍵點： ”有一段時間、店面經理發現、后來運用BI技術分析“。這與BI能自動挖掘出”啤酒與尿布“，可是相去甚遠的兩重境界。

既然”啤酒與尿布“是被”自動數據挖掘工具“給挖掘出來，那就應該有源源不斷的精彩案例傳頌于世。而”啤酒與尿布“已經走紅多年了，怎么還是在唱獨角戲？購物籃分析是高端應用，高端應用往往意味著高投入，高投入就必須有高回報，僅憑一個從海量的交易數據中挖掘出銷售額占比微不足道的”啤酒與尿布“的案例，似乎很難打動追求投資回報的零售企業。

在一本書中是這樣介紹的： ”研究‘啤酒與尿布’關聯的方法就是購物籃分析，購物籃分析是沃爾瑪秘而不宣的獨門武器，購物籃分析可以幫助我們在門店的銷售過程中找到具有關聯關系的商品，并以此獲得銷售收益的增長。“如果軟件廠商真的用這幾句話來跟客戶交流，客戶只需一句話就很可能讓開發商趴下： ”請找找看牙膏和牙刷有沒有關聯關系？“

雖然我們強調，關聯挖掘算法的價值在于它的窮舉性可以發現人們未曾關注到的類似”啤酒與尿布“這樣潛在的關聯規則。但這是否意味著，它可以拒絕人們用已知的關聯規則來驗證它的可信度？