第一章：商品画像体系
1.1 什么是商品画像体系
商品画像可以简单理解成是海量数据的标签，根据商品不同属性的差异，将它们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名称、价格、类别等描述。
1.2 商品画像体系的数据来源
平台数据来源以亚马逊为例
“dress”相关商品除了曝光页，还有曝光商品数量，商品曝光详细信息，商品详情页数据包括变体数量信息，商品价格段位，商品排名信息，商品详情页，网址中的商品ASIN信息，五点描述与review文本信息，Q&A文本信息和A+图文宣传信息。
使用第三方数据工具获取商品画像数据（）
1.3 商品画像体系的应用
进行数据筛选，有效清洗
结论：这个图可以得知大部分人在干啥，曝光价格并没有像之前所想，便宜的价格很多，而是价格在中间居多，14-35美元左右。
结论：趋势分析一般用累计平均数表示，这个图可以得知干得好的人在干啥，在搜索排序1-310，累计平均数30美元左右，卖得好的商品不会特别便宜，也不会特别贵，综合第一张图可以得出排名前300的商品价格在20-30美元，说明最佳的曝光价格在20-30美元。
结论：这个图可以得知0-0.1指很多都是新链接，0.9-1,1.4-1.5,1.9-2指商品出单，有差评，逐渐呈现正态分布，3.9-4最多，4分以上慢慢减少，4.9-5有刷评加刷单。
结论：这个图可以得知，review数量前面多，后面少，随着排序越来越多，数量越来越少。
结论：这个图可以得知，平均分布意味着标品，review数量与搜索排序没有什么关系，标品一般指带着强烈的目的进行购买比如电脑，五金制品等。
结论：这个图可以得知，前面是刷评加刷单，波动非常剧烈，后面逐渐稳定下来，后面一般是销量很大，稳扎稳打上去的评分。
结论：对“Clothing, Shoes & Jewelry”列数据取对数，这个图可以得知，一般ln可以做回归，更好的代表其趋势，排名越小，销量越好，大部分的ln值在14-15之间，意味着排名在3269017左右，如果在ln值10以内就是在22026，这是属于排名不错。
结论：这个图可以得知，在top100和所有排名对比dress，women’s占据的比例更小，说明在前100卖得好的里面卖家更擅长编写这个标题，更具有技巧性，同时他们不会出现with这个废词。但是出现sleeveless这个新词，这很可能是将来的服装的一种趋势。
第二章：购物篮分析与产品定位分析
2.1什么是产品关联度分析
关联分析是发现交易数据库中不同商品（项）之间的联系，主要应用于电商网站推荐、线下零售门店商品摆放等场景中。
关联规则：
支持度（support）：数据集中包含某几个特定项的概率。比如在1000次的商品交易中同时出现了A和B的次数是50次，那么此关联的支持度为5%。
置信度（Confidence）：在数据集中已经出现A时，B发生的概率，置信度的计算公式是 ：A与B同时出现的概率/A出现的概率。
提升度就是在购买A产品这个条件下购买B产品的可能性与没有这个条件下购买B产品的可能性之比（置信度/无条件概率）。一般而言，提升度如果小于1，则该推荐规则不应该被使用。
2.2 什么是购物篮分析
业界一般将单个客户一次购买商品的总和称为一个购物篮，购物篮分析就是针对商品的相关性分析。因为最初这种关联分析主要是在超市应用广泛，所以也称为“购物篮分析”。
购物篮分析要点包括找到正确的物品组合，找到用户对应不同组合的购买时间，找到用户对应不同组合的购买顺序。
Apriori算法（先验算法）
Apriori是先验算法，假设子集S出现了k次，那么任何包含S的其它子集只会小于或等于k次. 反之如果S不满足最小的支持度，则任何包含S的子集也不会满足，这时包含S的子集就可以忽略计算了。
2.3 购物篮分析的应用
先输入商品零售数据，Apriori算法处理，是否满足条件：支持度≥最小支持度，置信度≥最小置信度（案例中最小支持度为0.02，最小置信度为0.35），输出关联规则，程序运行结束。
结论：这个图可以得知，比如，根茎类蔬菜到其他蔬菜，支持度0.04，置信度0.43，提升度2.24，说明用户大部分买了根茎类蔬菜还会买点别的蔬菜，酸牛奶到其他蔬菜，支持度0.028，置信度0.4，提升度2.24，说明用户买了酸牛奶一般会买其他蔬菜，按照常识推理，酸牛奶放在冷柜里面，蔬菜一般与冷柜挨着，所以这是符合用户行为逻辑。购买一种商品的顾客占全部顾客的比率，反映的是全品类的关联能力。行业参考值为40%，该值越小越好，越小说明关联能力越强。
2.4 产品定位分析
一般参考波士顿矩阵或者叫四象限分析法。
