案例：“京东的复购数据模型”

京东商城可以精确计算消费者的购买周期，例如尿不湿可以精确到消费者使用的的型号、一天用几片、什么时间用完，在周期性复购商品用完之前，京东可以为用户进行推送服务，提醒用户及时购买。

京东平台根据不同品类的用户行为、对应的购买周期，制定了如下的不同品类用户行为周期表（表4-8)，根据这个表，京东平台可以与厂家制定相应的促销计划，比如想要对吸尘器进行促销，就可以寻找过去30天内浏览、搜索过吸尘器、扫地机器人、除螨仪的顾客群体，直接对这个顾客群体进行营销策略就可以收到很好的效果。

表4-8 京东商城的复购数据模型

（《京东 决战618:探索京东技术取胜之道，京东集团618作战指挥中心编著，电子工业出版社2017年11月出版p157、271》）

五、序列模式分析与因果关系（Causal Relationship）：

事务之间具有相互影响的关系，称为事务之间具有因果关系，因果关系是一种因素会引起另一种因素发生变化的关系模式，可以表述为一个因素或变量的变化导致另一个因素或变量发生变化，则它们之间具有因果关系。

在零售业中，要证明A、B事件之间的因果关系，还应该满足以下条件：

? A和B相互独立，并且在相同的商业空间内（店铺或零售场所）；

? A必须发生在B之前，具有时间序列特征；

? 其他可能导致B事件的因素都已经被排除；

? A、B二个事件会体现为统计学层面的相关性表现；

简单讲，零售业的因果关系必须发生在相同的时间序列、商业空间内，因果关系可以体现为统计学层面的相关性表现，对于零售业来说，没有统计学相关性表现，这种因果关系就不能衡量其商业价值，可能就是一个没有商业价值的因果关系。

因果关系表现为序列关系，即A导致B的发生，表示为IF A THEN B，如：

如果{促销} 则 {门店客流}增加；

或：IF {尿布} THEN {啤酒}；

在零售门店运营中，找出并有效利用事务之间的因果关系是零售业者最喜欢做的事情。

促销导致门店的客流量与销售额出现了上升，说明促销与门店的客流量、销售额上升是因果关系。

假如组织促销后，门店的客流量、销售额都上升了，但是过几天门店的客流量与销售额出现了较大幅度的下降，这也是因果关系的表现，说明促销活动可能透支了店铺的客流与销售额。

因果关系可以找出事务之间的前因后果，掌握因果关系可以掌控未来，但是要注意，因果关系往往不是简单的一一对应关系，一件事务并不能简单地对另一个事务形成100%的影响，很多事务是多个因素共同作用产生的结果，比如在一个店铺进行促销，但是没有达到预期效果，其中的原因可能是促销选品、促销价格、陈列组织等诸多问题所导致的。

在零售数据分析中，会重点寻找门店中的事件与商品销售业绩的因果关系，比如营销活动、商品陈列对商品销售的影响等，或者是购物篮中的商品因果关系。

购物篮中的商品因果关系会表现为购买某些商品、会影响到其他商品的购买行为，形成一种IF (A)  THEN  (B)的购买行为，或者是没有A就没有B，以此构成A，B商品之间的因果关系。

关联关系的方向性与因果关系

在“啤酒与尿布”的故事中，商品关联关系具有严格的方向性，这种方向性指的是哪些商品是消费者购买的目标性商品，哪些商品是由于消费者购买了目标性商品后，从而产生的关联购买。

商品关联关系的方向代表了商品的购买顺序，也代表了商品购买行为之间的因果关系。

商品之间的关联关系只有一个方向时，代表了商品之间的因果关系，当商品之间的关联关系具有双向关系时，则有可能不是因果关系。

商品之间的因果关系会体现为正向关联关系，比如一个商品的消费带动了另一个商品的购买，也有可能体现为负关联关系（negative associations），即购买了A商品后就不再购买B商品。

因果关系的相关性表现

具有因果关系的关联商品会呈现统计学意义的相关性表现，这个相关性是由商品价格引起的，即为商品交叉价格弹性；当商品之间的关联关系没有价格因素参与，就是商品交叉弹性，这二种交叉弹性都会表现出不同方向、不同强弱的统计学意义的相关性表现。

大数据时代有一句话很流行：只要相关性、不要解释，但是没有商业解释的相关性是无法使人信服的，事务之间的因果关系是一种很好的商业逻辑解释方法。

因果关系用于商业预测

当因果关系可以表示为序列关联模式时，是可以当作为预测模型运用的，比如可以预测消费者下一步的消费行为，或者根据促销响应模式（促销因果关系）预测促销带来的收益,或者根据消费者聚类响应模型，在进行某项促销活动时、预测可能产生的门店客流量等。