当我的会员购买了尿裤，那么他应该还需要什么？当我的会员买了一瓶洗发液，我的店员应该立刻给他推荐什么？这两个问题就是标准的会员缺项推荐和在店多一单推荐的问题域。本节以此为案例，简单描述致维系统如何运用大数据智能分析，并直接落地到数据变现。

算法预测原理：

   通过企业的小票我们可以预测不同品类之间的关系，“啤酒和尿裤”虽然是营销领域的一个善意的谎言，但其背后的逻辑是必然存在的。通过小票品类，我们可以做以下两个维度的分析：
1、 收集一段时间内所有会员的购物品类，分析每一个会员购买品类的决策关系
2、 收集每一张小票的购物品类，分析每一单的购买品类决策关系
前者是“一段时间”内的“会员购物需求”，他体现的是品类与品类之间的需求关系，适合做缺项推荐；后者是“每一张小票”上的购物需求，体现的是同一时间的品类之间关联关系，适合做门店多一单预测。

典型案例：

   在标准化商户的品类结构后，通过A大数据预测算法，可以找出品类-品类之间的关系，以福建区域的部分商户大数据计算，其会员品类关联及小票品类关联关系的举例规则如底下数据版块枚举。

会员品类关联关系：以红字Rule#1为例，所有消费会员中，即买了营辅，又买了喂养用品的（并非在同一单）占41.92%；而购买了营辅的会员，购买喂养用品的概率为61%。前者表示该规则的适用度有多宽，后者表明了该规则的成功率有多高。

小票品类关联关系：以蓝字Rule#3为例，所有消费小票中，同时购买了喂养用品+童装童鞋+洗护用品的（在同一单）占2.22%；而如果发现会员购买了喂养用品+童装童鞋，那么此时给他推荐洗护用品的成功率将是33.85%。同样前者表示该规则的适用度有多宽，后者表明了该规则的成功率有多高。

落地优化数据变现：

缺项推荐：根据会员品类关联关系，在抽奖类营销活动以及缺项推荐类经营业务里使用，根据消费者历史消费品类及缺项品类，给出最高概率的品类优惠。
多一单预测：根据小票品类关联关系，在门店下单后，系统立刻分析这笔订单的消费品类，找到最优概率的购买预测，可以通过微商城的“单单有礼”将品类优惠给出，促成在门店再一单生意机会。