回購無望時，唯一能救營收的解藥

在 Day 19 的顧客留存隊列分析中，熱力圖狠狠戳破了許多人對電商「自然回購」的幻想：Olist 的首月留存率低於 1%，這是一家徹底由「新客獲取」驅動的一次性撮合市集。

面對這種「客人在這輩子只打算付一次錢」的平台體質，行銷與產品團隊如果還把預算花在召回沈睡客，ROI 只會慘不忍睹。

真正的破局關鍵只有一個：極大化單次消費價值。

既然他這輩子只結帳這一次，我們就必須在結帳當下，想盡辦法讓他在購物車裡多塞一件商品！
這在零售與電商領域稱為「連帶率（Cross-selling Ratio）」與「購物籃分析（Market Basket Analysis）」。

今天我們將跳出單一品項思維，深入訂單明細表 order_items，篩選出多品項訂單，運用 Python 的 itertools 模組計算「品類共現矩陣（Category Co-occurrence Matrix）」，找出最適合搭售與結帳頁加價購的黃金品類搭檔！

步驟一：資料體檢——全平台有多少人會「一次買多件」？

在開始做關聯分析前，我們必須先摸清平台的底牌：全平台近 10 萬筆訂單中，
買家一次購買多件商品的比例到底有多高？

import pandas as pd
import numpy as np
from itertools import combinations
from collections import Counter
import matplotlib.pyplot as plt
import seaborn as sns

# 1. 取出訂單明細與已翻譯英文品類的商品資料 (來自 Day 12)
items = olist_db['olist_order_items_dataset'].copy()
products_en = pd.merge(
    olist_db['olist_products_dataset'],
    olist_db['product_category_name_translation'],
    on='product_category_name',
    how='left'
)

# 2. 統計每筆訂單包含的商品品項數量 (Item Count)
order_item_counts = items.groupby('order_id')['order_item_id'].count()

# 3. 檢視購物籃深度分佈
basket_distribution = order_item_counts.value_counts(normalize=True).head(5) * 100
print("--- 購物籃商品數量佔比 (%) ---")
print(basket_distribution.round(2))

實作 :

資料陷阱拆解：
數據揭示了另一個殘酷現實：高達 90% 的買家是「單件購買者」。
但正因為多品項訂單僅佔約 9%，這群「願意在同一張訂單放多件商品」的交易才更顯珍貴。
這 9% 的多品項訂單就是我們提煉搭售規則的黃金樣本。

步驟二：串聯英文品類，建構訂單品類清單 (Baskets)

同一張訂單裡可能買了「同一件商品的 2 個數量」，也可能買了「不同品類的互補品」。
為了挖掘跨品類交叉銷售（Cross-selling）機會，我們以 order_id 為單位，收集每筆訂單所購買的相異英文品類集合（Distinct Categories）：

# 1. 明細表串接英文品類名稱
order_product_cat = pd.merge(
    items[['order_id', 'product_id']],
    products_en[['product_id', 'product_category_name_english']],
    on='product_id',
    how='inner'
)

# 2. 排除品類名稱缺失的極少數雜訊
order_product_cat.dropna(subset=['product_category_name_english'], inplace=True)

# 3. 核心轉換：依 order_id 聚合，取得每筆訂單包含的「不重複品類清單」
baskets = order_product_cat.groupby('order_id')['product_category_name_english'].unique()

# 4. 篩選出真正包含 2 個（含）以上「不同品類」的多品類訂單
cross_cat_baskets = baskets[baskets.apply(len) >= 2]

print(f"有效訂單總數: {len(baskets):,} 筆")
print(f"包含 2 種以上相異品類的訂單數: {len(cross_cat_baskets):,} 筆")

實作 :

步驟三：共現特徵工程——利用 itertools.combinations 提取搭售對

當一張訂單同時包含 ['bed_bath_table', 'furniture_decor', 'home_confort'] 時，它代表這三個品類兩兩之間都產生了一次共現（Co-occurrence）。

我們利用 Python 標準函式庫 itertools.combinations，針對每筆購物籃進行兩兩組合拆解，並以字典進行計數：

# 1. 建立組合計數器
pair_counter = Counter()

# 2. 遍歷所有跨品類購物籃，提取無序兩兩配對 (Pairwise Combinations)
for cat_list in cross_cat_baskets:
    # 排序確保組合的唯一性 (例如 A+B 與 B+A 視為同一組)
    sorted_cats = sorted(cat_list)
    # 生成所有 2 個品類的組合
    for pair in combinations(sorted_cats, 2):
        pair_counter[pair] += 1

# 3. 轉化為 DataFrame 結構
pair_df = pd.DataFrame(
    pair_counter.most_common(20),
    columns=['category_pair', 'co_occurrence_count']
)

# 拆分欄位以利呈現
pair_df['Category_A'] = pair_df['category_pair'].apply(lambda x: x[0])
pair_df['Category_B'] = pair_df['category_pair'].apply(lambda x: x[1])
pair_df = pair_df[['Category_A', 'Category_B', 'co_occurrence_count']]

# 檢視最常被一起打包結帳的 Top 5 品類組合
pair_df.head(5)

實作:

步驟四：視覺化與落地策略——打造交叉銷售搭售矩陣

我們取出共現頻次最高的品類群體，繪製出共現熱力圖，將數據轉化為產品與行銷團隊可落地的推薦策略：

# 1. 取出高頻品類建立二維共現矩陣
top_cats = list(set(pair_df.head(10)['Category_A']).union(set(pair_df.head(10)['Category_B'])))
matrix_df = pd.DataFrame(0, index=top_cats, columns=top_cats)

for _, row in pair_df.iterrows():
    c1, c2, cnt = row['Category_A'], row['Category_B'], row['co_occurrence_count']
    if c1 in top_cats and c2 in top_cats:
        matrix_df.loc[c1, c2] = cnt
        matrix_df.loc[c2, c1] = cnt

# 2. 繪製共現熱力矩陣
plt.figure(figsize=(9, 7))
sns.heatmap(matrix_df, annot=True, fmt='d', cmap='Reds', cbar_kws={'label': 'Co-occurrence Frequency'})
plt.title('Top Product Category Co-occurrence Matrix (Market Basket)', fontsize=13, fontweight='bold', pad=12)
plt.xticks(rotation=45, ha='right', fontsize=9)
plt.yticks(fontsize=9)
plt.tight_layout()
plt.show()

實作:

如何用「搭售推薦」撬動客單價？

根據共現分析的結果，我們能為電商產品與營運團隊端出具體的改版提案：

1.居家場景黃金搭檔（Bed/Bath/Table + Furniture/Decor）：

數據顯示，這兩個品類的共現次數遠超其他所有組合。買家在佈置新家或翻新房間時，極具「空間一體化採購」的傾向。

落地戰術： 在寢具商品頁面新增「常搭配購買（Frequently Bought Together）」模組，或推出「臥室軟裝套裝包」，提供 5% 組合折價。

2.結帳頁面的加價購（Cart Abandonment & BOGO）：

針對單件購買率高達 89% 的現況，在買家進入購物車但尚未付款的最後一哩路，依據購物車內的商品品類，動態推播低客單、高共現率的小物（如裝飾品、清潔耗材），並設定「滿 120 BRL 即可免運」的湊單門檻，刺激買家順手多帶一件。

3.打破平台品類孤島：

避免推薦毫不相干的隨機商品（例如買家具推薦汽車零配件），將演算法算出的關聯矩陣直接注入站內推薦系統的規則庫，用冷啟動規則大幅提升點擊轉換率（CTR）。

今天我們攻克了提升單次購買價值的核心武器：

• 摸清購物籃結構： 發現 89% 單件購買的局限，明確以提升「客單價與連帶率」作為突破口。

• 掌握共現特徵工程： 善用 itertools.combinations 拆解無序配對，建立高效的關聯統計流程。

• 產出搭售策略矩陣： 定位出全平台以「居家軟裝」為首的黃金搭售組合，為前端產品推薦與行銷促銷提供精準打擊方向。

至此，我們已經從總體營收、地理落差、運費負擔、物流跳票、賣家履約、支付金流、RFM 分群、留存隊列，
一路分析到了購物籃搭售。
但在電商物流的背後，還有一個決定性的物理維度我們尚未精密計算——地理空間距離。

明天 Day 21，我們將跨入空間資料分析—— 地理空間進階計算：利用經緯度 (Geolocation) 計算買賣雙方直線距離與物流阻礙！