在大数据时代,我们时时刻刻都在产生着形形色色的数据,同时也在享受数据带给我们的各种服务与便利。在零售领域,现代连锁零售企业都有着海量的交易数据,对这些数据进行有效地挖掘可以帮助企业提升自己的科学管理水平。购物篮分析是数据挖掘技术在零售业的典型应用之一,旨在从零售记录中分析出顾客经常同时购买的商品的组合,挖掘出购物篮中有价值的信息。通过与零售客户的详细沟通与调研,发现传统购物篮分析在实际应用中存在诸多缺陷和不实用。首先,传统购物篮分析仅仅针对某一概念层次的商品,并不考虑这一层次中的商品之间的关系,这就导致传统的购物篮分析方法得出的结果通常是同一类商品的集合。其次,在传统的购物篮分析中,仅仅根据支持度这一维度来对购物篮进行评估,这样得出的购物篮普遍都是一些常规商品的组合,对企业的价值不大。最后,传统购物篮分析普遍面临一个问题就是支持度阀值的设置问题,阀值设置过低会产生数量庞大的购物篮,从而掩盖了真正有意义的购物篮;阀值设置过高会导致产生的购物篮数量过少且太过常规。本文针对上述传统购物篮分析中存在的问题,提出一种新的购物篮分析方法,完成了以下三个创新工作:1.根据交易数据生成商品层次结构树,得到商品之间的关系信息。在生成购物篮的过程中,利用商品层次结构树加入约束条件,使得同一个购物篮中不会出现属于相同父类的商品,增加了购物篮中商品的多样性,提升购物篮的实用价值。2.在传统购物篮分析中,通常以支持度作为评估购物篮重要性的唯一标准。本文在此基础之上加入了销售额的维度。这样得到的购物篮不仅具有普遍性,也具有更高价值,使得企业能够将关注点更多地聚焦在那些利润高的商品上,提高企业的利润率。3.针对支持度阀值设置过小导致的购物篮数量庞大的问题,本文提出了一种新的购物篮压缩方法。与以往的购物篮压缩方法不同的是,本文根据交易数据的特征与现实生活中购物篮的时间特性,对购物篮构造了具有时间序列特征的属性,然后以聚类的方式来找出一系列的代表购物篮,从而实现对购物篮集合的压缩。