连带消费分析，是一次基于订单明细的数据分析。核心是看订单里哪些商品经常一起出现，再用支持度、置信度、提升度三个指标衡量这种共购关系有多强，最后把发现的搭配建议当作假设来验证。
先分清订单内共购和跨时间复购
连带消费这个词在日常使用里覆盖了两类不同的数据口径。
一类是订单内共购。同一笔订单里同时买了牛奶和面包，这是购物篮分析看的对象，基于订单维度，回答的是商品之间是否容易一起被购买。
另一类是跨时间复购。同一个用户今天买了纸尿裤，一周后又来买了婴儿湿巾，这属于复购分析，基于用户维度，回答的是用户生命周期里的购买行为。
两者容易混在一起，但需要的数据和分析目标不同。连带消费分析通常指前者，也就是订单内的共购。如果拿复购数据去算共购，时间窗口一拉长，很多本来无关的商品会因为同一用户的多次购买被算成相关。
还有一个总览指标连带率，它的口径是销售总件数除以交易笔数，用来衡量平均每单买几件。连带率不等同于具体商品的共购关系，它是整体水平的温度计。
从一张订单明细表开始
连带消费分析的最小数据要求，是一张订单明细表，至少包含订单号和商品名称两列。订单号用于判断哪些商品落在同一笔订单里，商品名称用于配对。有购买数量、金额、下单时间、会员 ID 更好，可以进一步按门店、品类、会员分群拆开看。
下面用一组演示数据走一遍。假设某门店最近有 10 笔订单，涉及牛奶、面包、鸡蛋、纸尿裤、啤酒五种商品。
| 订单号 | 商品 |
|---|---|
| D1 | 牛奶、面包、鸡蛋 |
| D2 | 牛奶、面包 |
| D3 | 牛奶、鸡蛋 |
| D4 | 面包、鸡蛋 |
| D5 | 牛奶、面包、鸡蛋 |
| D6 | 纸尿裤、啤酒 |
| D7 | 牛奶、纸尿裤、啤酒 |
| D8 | 面包、鸡蛋、牛奶 |
| D9 | 纸尿裤、啤酒、牛奶 |
| D10 | 牛奶、面包 |
这组数据里，牛奶出现在 8 笔订单，面包出现在 6 笔，鸡蛋 5 笔，纸尿裤和啤酒各 3 笔。连带率是 25 件除以 10 笔，等于 2.5，平均每单买 2.5 件商品。
支持度、置信度、提升度分别回答什么
拿到订单明细后，把任意两个商品配对，用三个指标衡量它们的共购关系。这三个指标是关联规则分析里的常用口径。
支持度回答组合有多常见，计算公式是同时购买 A 和 B 的订单数除以总订单数。它衡量这个组合在所有交易里占多大比例。
置信度回答买了 A 的订单里有多大比例也买了 B，计算公式是同时购买 A 和 B 的订单数除以购买 A 的订单数。置信度有方向，A 到 B 和 B 到 A 通常不同。
提升度回答两者一起买是否比随机碰在一起更多，计算公式是支持度除以 A 的购买比例乘 B 的购买比例。提升度大于 1 说明正关联，等于 1 说明独立，小于 1 说明倾向于避开。
用上面的演示数据算几组：
| 组合 | 共购订单数 | 支持度 | 置信度 | 提升度 |
|---|---|---|---|---|
| 牛奶加面包 | 5 | 50% | 62.5%，牛奶到面包 | 1.04 |
| 面包加鸡蛋 | 4 | 40% | 66.7%，面包到鸡蛋 | 1.33 |
| 纸尿裤加啤酒 | 3 | 30% | 100%，纸尿裤到啤酒 | 3.33 |
用基准比较筛出值得做的组合
单看支持度容易误判。牛奶加面包的支持度最高，达到 50%，但提升度只有 1.04，接近 1。这说明它们一起出现多，主要是因为牛奶和面包本身就都是高频商品，组合并没有明显强于随机水平。
纸尿裤加啤酒的支持度只有 30%，提升度却是 3.33，说明买了纸尿裤的订单里出现啤酒的概率，远高于啤酒在整体订单里出现的概率。这个组合更值得进一步验证。
所以基准比较的要点有两个。第一，看提升度，它已经把组合频次和随机基线做了对比。第二，看置信度时，把它和 B 商品在全部订单里的购买比例比较。如果置信度和 B 的全局购买率差不多，说明 A 对 B 的拉动作用有限。
阈值没有统一标准。可以按自己的品类和门店规模设定最小支持度，过滤掉样本太少的组合，再按提升度从高到低排。连带率的经验参考线常被定为 1.3，低于这个值往往说明连带销售还有空间，但这个数字是经验值，适合做健康度参考，不适合当成硬性考核。
把搭配建议当成假设来验证
关联分析找到的是共购关系，不直接证明因果。纸尿裤和啤酒一起出现，可能是因为某次促销把两者捆绑，也可能是偶然，还可能来自数据里的其他因素。
因此，从分析得到的捆绑销售、关联陈列、组合推荐，都应该先写成一条可验证的假设。例如，把纸尿裤和啤酒在商品详情页做关联推荐，能让这两个商品的组合购买率提升。
验证方式是一次小范围 A/B 测试。一部分用户看到组合推荐，另一部分用户维持原样，观察组合购买率、连带率、客单价有没有实际变化。测试周期要足够覆盖用户的购买节奏，避免拿一两天的波动下结论。
验证之后，把有效的组合沉淀成日常策略，无效的组合及时撤回，避免把相关性当成确定规则长期执行。
分析之后，分人群触达并复盘
连带消费分析的价值，最后要落到运营动作上。分析只回答哪些商品有共购潜力，改变结果还要靠后续的触达和复盘。
在 ThinkingAI 的电商精细化运营思路上，这一步可以这样接。先把发现强关联组合的人群圈出来，例如买过纸尿裤但还没买啤酒的会员，再结合用户分群和 RFM 判断哪些人群更值得优先触达，然后用自动化触达把组合券或关联推荐送到人，最后用 A/B 测试和数据看板复盘组合购买率、连带率和客单价的变化。
这里的重点是，连带分析是起点，分群、触达、复盘构成闭环。ThinkingAI面向新零售和电商场景提供用户行为分析、用户分群、RFM、A/B 测试、自动化触达和数据看板等能力，可以承接从共购发现到策略验证的过程，但具体效果以实际测试结果为准。
连带消费分析常见问题
连带率、连带消费、购物篮分析有什么区别？
连带率是总览指标，等于销售件数除以交易笔数。连带消费和购物篮分析更接近，都指通过订单数据看商品共购关系。购物篮分析通常落在支持度、置信度、提升度这三个具体指标上。
支持度和置信度都很高，就一定能做捆绑吗？
支持度高可能只是因为商品本身高频，置信度高也可能是因为后件商品本来就畅销。优先看提升度，并结合小范围测试验证，再决定是否长期做捆绑或推荐。
复购数据能用来做连带消费分析吗？
复购是用户维度的跨订单数据，直接拿来算共购会把时间因素混进来，容易把同一用户的多次购买误判成商品相关。做连带消费分析应该用订单维度的明细。
数据量少的时候怎么处理？
数据量少时支持度会不稳，可以先看订单数较多的核心商品组合，暂缓对长尾组合下结论，或者把分析周期拉长、按品类聚合后再看。
