我们已经为”客户流失预警“配备了以”日“和”次“为数据颗粒的RFV三维分析模型和各维切片视图以及FM心电图等一整套从宏观到微观的”会员体检设备 “，可以及时监控和应对会员消费行为的异动——这远远不是在那根以”月“为颗粒度的”客户生命周期折线图“上所能够实现的。

　尺有所短，寸有所长。”客户生命周期折线图“可以与RFV检测仪和FM心电图配套使用： 当RFV检测仪发出某会员停止采购时间超过平均采购周期的预警信息时，是否要立即采取发送短信等联络措施呢？我们可以调阅该会员的”生命周期折线图“，观察此前是否存在过类似的现象，再做出适当的决定。

破除对”啤酒与尿布“的盲目迷信

　谈到商业智能（BI），言必称购物篮分析； 谈到购物篮分析，言必称关联分析； 谈到关联分析，言必称”啤酒与尿布“。比较流行的故事是： ”沃尔玛利用NCR自动数据挖掘工具对一年多详细的原始交易数据进行分析和挖掘时发现： 与尿布一起购买最多的商品竟是啤酒。“于是”啤酒与尿布“就成了商业智能皇冠上的明珠。

　运用先行者的研究成果把”购物篮分析“模块设计出来是没有什么难度了，但我们更需要关注的是： 这样设计出来的模块真正能给用户带来什么应用价值——价值目标不明确的产品研发，会让开发商与用户都深陷泥潭。有鉴于此，本人提出几点直觉上的质疑，希望能与大家在探讨的过程中释疑解惑。

”啤酒与尿布“真的是被”购物篮分析“给挖掘出来的吗？诸多版本中的这个故事更为接近真实场景： ”曾经有一段时间，沃尔玛在美国的店面经理发现一种现象： 每周啤酒与尿布的销量都会有一次同比攀升，后来沃尔玛运用BI技术发现，购买这两种产品的顾客几乎都是25～35岁、家有婴儿的男性，每次购买时间均在周末。沃尔玛在对相关数据分析后得出，这些人习惯晚上边看球赛、边喝啤酒，还要照顾的孩子，为了图省事就用一次性尿布。得到结果后，沃尔玛决定，把这两种商品集中摆在一起，结果销量有了显着增加。“

请注意三个关键点： ”有一段时间、店面经理发现、后来运用BI技术分析“。这与BI能自动挖掘出”啤酒与尿布“，可是相去甚远的两重境界。

既然”啤酒与尿布“是被”自动数据挖掘工具“给挖掘出来，那就应该有源源不断的精彩案例传颂于世。而”啤酒与尿布“已经走红多年了，怎么还是在唱独角戏？购物篮分析是高端应用，高端应用往往意味着高投入，高投入就必须有高回报，仅凭一个从海量的交易数据中挖掘出销售额占比微不足道的”啤酒与尿布“的案例，似乎很难打动追求投资回报的零售企业。

在一本书中是这样介绍的： ”研究‘啤酒与尿布’关联的方法就是购物篮分析，购物篮分析是沃尔玛秘而不宣的独门武器，购物篮分析可以帮助我们在门店的销售过程中找到具有关联关系的商品，并以此获得销售收益的增长。“如果软件厂商真的用这几句话来跟客户交流，客户只需一句话就很可能让开发商趴下： ”请找找看牙膏和牙刷有没有关联关系？“

虽然我们强调，关联挖掘算法的价值在于它的穷举性可以发现人们未曾关注到的类似”啤酒与尿布“这样潜在的关联规则。但这是否意味着，它可以拒绝人们用已知的关联规则来验证它的可信度？