一个有效的简单关联规则应具有较高的置信度以及较高的支持度

一个有效的简单关联规则应具有较高的置信度以及较高的支持度。如果规则的支持度较高，但置信度较低，则说明规则的可信度差；如果规则的置信度较高但支持度较低，则说明规则的应用机会很少，一个置信度较高但普遍性较低的规则并没有太多的实际的应用价值。

借此，我们可以快速挖掘不同产品之间的关联关系。具体规则以及算法实现，感兴趣的同学可以参考Apriori算法等数据挖掘的关联分析算法，或者直接把这个Ticket直接交给可爱的BI同学；在完成相关的数据挖掘结果之后，我们就能得到相关的产品关联度，了解哪些产品适合搭配销售。

三、目标受众分群&判断营销时机

我们知道了哪些产品适合组合售卖之后，新问题也由此产生：随着客户的产品使用时长、资源消耗量、功能使用度越高等数据的更加，对于产品的留存就越高，对于产品的信任度越高，可能购买其他关联产品的可能性越高。

但我们该在什么恰当的时候推荐给目标客户呢？

全生命周期、全渠道的营销只会造成客户心理上的抵触情绪；因此，为了解决这一问题，我们需要对人群进行分群。分群需要结合人本属性、行为指标、业务指标三个维度，挖掘其中的魔法数字。魔法数字（Magic Number）这个名词最先是在 Unix 程序设计中被提及，是指在算法中的常量数字或者标识。现在则常见于AARRR增长模型，用于实现用户留存的拉升。

但在实际应用过程中，魔法数字在AARRR 增长模型的不同阶段都可以有着贡献，在提升多产品售卖情况这一命题下，则是利用相关性分析来洞察影响特定产品组合购买的相关关键指标变化。

1. 人本属性

在进行多产品售卖过程中，我们时常出现一股脑想要把很多产品一口气都卖给用户的情况。

但不同产品之间的决策者、评估者、使用者存在或多或少的差异，甚至同一款产品中的不同账号角色都可能决定了我们是否能够顺利的卖出相关产品；因此，不管进行较重的线下营销活动还是线上自动化营销，对用户进行打签分群是一个非常重要的动作。

• 企业所处行业：行业标签代表着企业可能存在的具有行业特性的通用需求，比如银行对于安全、可用性有高要求。
• 企业规模、所处融资情况：企业规模、所处融资情况可以帮助我们快速判断企业的采购思路，比如中小企的产品可能需要对一些云原生产品相对感兴趣，帮助他们快速的低成本搭建起产品。
• 企业业务规模、用户量：同理，通过企业业务规模、产品用户量，结合规模增长情况判断企业的采购思路。
• 现有产品采购情况（RFM）：现有产品采购情况，了解企业现有业务构建情况，判断企业后续采购思路。

以上借助第三方API（企业信息：天眼查、APP产品信息：易观）都可以进行调用，或者调用自有的CRM、DMP、CDP数据，帮助我们丰富自有标签情况。

2. 用户行为指标

用户行为指标主要是从用户行为层面，挖掘可能的关键指标，观察用户的实际使用情况进行判断，比如：

• 站内相关产品以及内容（产品介绍/搜素查询/体验）的浏览情况；
• 相关用户的产品后台日登陆情况；
• 产品使用的日活跃情况、留存情况；
• 产品核心功能使用日、周、月频次；
• 产品核心功能使用总量；
• 不同核心功能的使用情况对比；

3. 产品运营指标

产品运营指标主要从整个产品层面，挖掘可能的关键指标，比如：

• 产品整体数据量的提升；
• 产品整体的资源消耗以及金额情况；
• 关联产品的开通情况；

这里要说明的是，想要挖掘相关用户行为以及产品运营的相关指标数据，需要在产品设计上线时就进行相关埋点，确保相关数据的采集。（否则的话，啥数据都没有，可以跳过上面的内容）

在找到跟购买转化相关的特征后，我们可以通过格兰杰因果关系检验去验证上述的相关结果。这里简单介绍一下格兰杰因果关系检验： 因为我们只是找出了跟购买相关的行为特征以及属性特征，但我们不知道这些特征是否是购买的原因，所以就要通过Granger causality test去验证这些特征是否是购买的原因。