购物篮分析在销售中对组合商品的位置摆放和捆绑售卖有很大的影响作用，正确有效的购物篮商品组合对提高销售额也有明显的效果。

1. 先说明购物篮分析需要用到的表有哪些？

• 销售表（销售事实表)、商品表（各商品的信息)、关联商品表（基于商品表copy出的关联商品表)以及一个含有可以用来判定为一个个体的唯一值的表（如会员号、手机号、订单号等等)
• 如下图所示，为购物篮分许用到的表和各自之间的连接关系(这里用款式编码做连接，可根据自身表的逻辑选择正确的连接关系)

注意：关联商品表和销售表之间的连接线是虚线。做法：双击连接线，将"使此关系可用"取消掉即可。

• 这个可用来作为判定唯一个体的表需要用函数生成，生成的新表名称为"订单号"，以各个订单号中含的商品来做购物篮分析。

生成方式：新建表---订单号 = VALUES('销售表'[线上订单号] ),即可生成订单号不重复的订单表（此处一个订单号当做一个消费者)

2.表格准备好之后，回到Power BI的数据区域，选择矩阵模型，将商品表的商品名称勾选，即可看到消费者购买的各种商品，同时建立一个筛选器，把关联商品表中的商品名称用作筛选条件（这个筛选条件主要用于建立购物篮联系，可通过选中关联商品表中的某一商品，去和商品表中的其他商品做购物篮匹配)。

• 既然要看每个人购买的商品是否有购物篮属性，那就需要把购买所有商品的消费者人数确定下来。

人数 = COUNTROWS(VALUES('销售表'[线上订单号]))

注意：会有读者发现，人数 = COUNTROWS(VALUES('销售表'[线上订单号]))，根据上面我们的条件可以直接写成：人数 = COUNTROWS('订单号'[线上订单号]），这样的写法得出的结果不是我们想要的，可以去试一下看看是什么样的效果哦。

• 接着我们把得出的人数也放进上面的矩阵模型中，会出现：

可以看出，每个商品的购买人数有多少（要与购买数量区分开，每个人可能会购买多件同一个商品)。

• 重点：计算同时购买A和B的人数

"A和B =
VAR a=CALCULATETABLE(VALUES('销售表'[线上订单号]),USERELATIONSHIP('关联商品表'[款式编码],'销售表'[款式编码]),ALL('商品表'))
return CALCULATE([人数],a)"

新建度量值，将上面内容复制到度量值中，生成的度量值即为同时购买A和B的人数

计算同时购买A和B的人数的占比

"占比 = DIVIDE([A和B],[人数])"

然后把同时购买A和B的人数以及同时购买A和B的人数的占比都放到矩阵中方便查看数据

这里我选择的购物篮中的一款商品为FZ200119-002，上面表格中的数据即为和FZ200119-002同时购买的其他商品的人数以及相应的占比。

人数列表示的是，各种商品的累计购买人数。A和B代表的列是在购买各种商品的人中，同时也购买了FZ200119-002的人数（将款式编码用其商品名称代替之后看起来会更方便，但恐涉及数据安全问题，故仍使用款式编码判别各商品）。

以款式编码为FZ200107-002为例来解释其与FZ200119-002的关联性分析。款式编码为FZ200107-002的购买人数为3个，其中有1个人购买了款式编码为FZ200119-002的商品，两者之间的关联性用占比显化为33.33%，关联性相对来说较高。

又如款式编码为TQ200215-002的商品购买人数为13个，其中有1个人购买了款式编码为FZ200119-002的商品，两者之间的关联性用占比显化为7.69%，关联性相对来说稍低。

以上。