应用篇：最经典的人工智能商业案例

从啤酒与尿布到购物篮分析

最近，人工智能再次成为全球关注的焦点，但其实人工智能的概念和技术早在上世纪50年代就已诞生，并在随后几十年不断发展。从专家系统到机器学习，再到今天的大语言模型，AI的演进已深刻影响各行各业。许多人工智能的“爆款案例”早在20世纪末就已出现，且至今仍值得企业家、创业者和投资人深入学习。

在众多的人工智能应用案例中，如果说哪个商业案例是最经典最具有代表性，我推荐这个“啤酒与尿布”案例。

它看似简单，却涵盖了数据驱动思维、人工智能算法的原理、模型解释性、商业落地应用等多个核心要素，极具启发性。这个案例不仅揭示了如何通过数据洞察消费者行为，也为理解AI如何赋能商业决策提供了一个生动入口，非常适合希望用好人工智能的决策者深入理解、举一反三、融会贯通。

这个案例，正是来源于零售数据挖掘中一个经典的分析方法：购物篮分析（Market Basket Analysis）。所谓“购物篮”，指的是顾客在一次购物中放入的所有商品组成的集合。购物篮分析的目标，是在成千上万笔交易记录中，挖掘出商品之间“被同时购买”的潜在规律。这类分析的核心，不是看某件商品卖得好不好，而是试图回答一个更具商业价值的问题：“哪些商品经常一起被买？”

举个例子，如果大量交易数据显示，“购买咖啡的人常常也会买牛奶”，那这就构成了一个典型的商品关联规则。这种规则不仅揭示了顾客的隐性购买偏好，也为超市陈列设计、交叉促销、捆绑销售等商业策略提供了重要依据。

商家如何进行购物篮分析？

首先，它需要有数据。

这意味着你的销售系统必须能记录每一笔交易中包含的所有商品，也就是典型的 POS（Point of Sale）数据。这些数据不仅包括商品清单，还应包括时间、门店、顾客编号（如有会员系统）、付款方式等信息。数据越完整、越结构化，越有可能发现有价值的模式。

注意会员制商家更容易获得有用的数据。在客户买单的时候，让客户输入自己的标识，这样它更容易掌握每个人同时购买的商品组合-购物篮。而非会员制商家如果没有收集到客户的标识，没法判断那件商品是谁买的。这是关键。

人工智能应用的第一步，是数据化。如何从应用端反推，设计好软硬件系统，收集到有用的数据，这一步很关键。

有些企业家兴致勃勃的打算开始人工智能应用之旅，往往想得很高大上、很复杂，但忽略了应用背景和数据基础的重要性。

其次，它需要懂算法。

如何发现哪些商品之间会有“经常被一起买”？这里需要具体的算法来解决这个问题。站在企业家或者投资人的视角，复杂的算法不需要了解太深，但简单的算法最好自己能够洞察。这个算法原理不复杂，而且太经典了，所以我破例稍微讲一些。为了给不是数据分析专业的朋友讲清楚这个事情，我用Cursor做了个可视化的网站。

先介绍几个有用的而且也很好理解的概念：

🔍 支持度（Support）

支持度表示某个商品组合在所有交易中出现的频率。

• 举例：如果一共有 100 笔交易，其中有 30 笔出现了尿布，那么“尿布”的支持度是 30%；

• 如果有 8 笔交易同时出现了“啤酒和尿布”，那么“啤酒与尿布”的组合支持度就是 8%。 它反映的是这个组合在总体中有多常见。

🔒 置信度（Confidence）

置信度衡量的是“在购买了商品 A 的顾客中，有多少比例也购买了商品 B”，代表这条规则的可靠性。

• 举例：如果有 30 个人买了尿布，其中有 24 人也买了啤酒，那么“尿布 → 啤酒”这条规则的置信度就是 80%。 换句话说，如果顾客买了尿布，那他们买啤酒的可能性是 80%。

🚀 提升度（Lift）

提升度用于衡量两个商品是否真正存在关联，还是只是“碰巧”一起出现。 它的计算方式是：

提升度 = 置信度 ÷ 商品 B 的整体支持度。

举例：假设有 100 名顾客，其中 20 人买了啤酒（即啤酒的支持度为 20%）；同时我们发现买了尿布的人中，有 80% 也买了啤酒（即置信度为 80%）； 那么提升度 = 80% ÷ 20% = 4。 远大于 1，说明“买了尿布的人更有可能买啤酒”这一规则比随机事件强烈得多，具备营销与陈列优化的价值。

如何用这三个指标判断两个或者多个物品有强关联呢？简单一句话：支持度告诉你这个组合在总体中常不常见， 置信度告诉你这条规律是否可靠，提升度告诉你这个组合是不是“真的特别”，三者结合，才能得出值得行动的“强关联”。

至于三个指标的阈值是多少，并没有明确的标准，这体现了数据分析在商业应用的特点，有科学性，也有艺术性和个性。在这个分析上，不同数据分析师有不同的具体标准，但总体逻辑和框架是一致的。比如说，我们可选取提升度大于1.5，支持度大于10%，置信度大于15%的组合，重点跟进和分析。

下一个问题，如何计算出这些指标？这就涉及到人工智能的核心问题：算法。

如果这个问题简单，比如说，只有100条，那么一点也不复杂，哪怕穷举，怎么算都可以算出来。

但是，如果数据量大了，比如涉及上万个商品，上百万条记录，就不能简单穷举硬算了。

根据算法理论，这个问题的复杂性是指数级的，简单的说极端情况下需要的计算步数，和商品数及交易数成指数关系，那是天文数目。

但是在正常商业情形中，可以通过剪枝、压缩处理等算法，可以得到比较满意的结果。这是因为，正常的商业产生的数据，本身之间有很多强关联，需要存储和计算的空间比预估的极端情况要小得多。这有点类似我们在前面介绍TRANFORM算法中提到，如果要把所有文字的排列组合考虑在内，是天文数字，但语言之间往往有强关联，日常的文字可以用稀疏矩阵存储，情况类似的。

简单的说，数量小，很容易计算；数据量大，多数情况也好算；数据量大又出现极端情况，就恭喜你中彩了，找到一个罕见的案例可以挖掘研究。在算法迅速发展的时代，也有解决办法，比如说用并行系统处理。

以上我们提到这个案例的问题-购物篮分析，以及相关的概念和算法。下一步是这个案例的重头戏，通过这个问题和结论，我们能得到什么？

在90年代的一些大型会员式商家中，通过购物篮分析，得到了一个很有意思的结论：购买尿布的人中又同时买啤酒的比例特别大，远大于正常买啤酒的人的比例。所以这个案例被称为“啤酒与尿布”。

为了便于理解这个案例，我用人工智能编程软件，建了一个完整的网站，可以系统的了解这个案例：

案例背后的深刻意义

发现规律并直接应用

按正常人的思考，买香烟的人同时去买啤酒比较好理解，但买尿布的人又去买啤酒，乍听起来不容易理解，难道婴儿一边用尿布一边喝啤酒？

这是人工智能数据分析的第一份价值：发现人的经验不曾触达的规律。如果人工智能停留在验证人类已知的规律上，比如帮我们分析买香烟的人会不会同时买啤酒，那么它还只是我们的普通助理。如果人工智能能发现我们认知暂时不曾知道的规律，比如买尿布的人居然很可能同时买啤酒，在这一刻，人工智能某种能力超越了人类，它的能力更强大，表现更性感了。

我们继续追问。经过我们不同场景，多次分析，这个结论仍然成立。我们姑且认为这已经是一条至少暂时成立的规律了。那对我们有哪些商业价值？

我们能想到的第一点，就是把尿布和啤酒放在比较近的货物架上，让买家更容易看到，增加购买量。不光线下商城，线上商城淘宝、拼多多等，当你在浏览品种A时，旁边会出现品种B；或者给你推荐一些组合商品。这些商业行为的背后，就有购物篮分析的应用。

除了这，发现“啤酒与尿布”这条规律还有哪些价值？

进一步探索的价值更大

人工智能帮我们发现了一个隐含的规律，我们可以不问原因，就像使用黑箱般直接应用这条规律。

我们还可以探索为什么会出现这条规律。这个事情听起来很简单，但背后的意义非常大。这可能就是人工智能和人类合作的最优模式。

人工智能通过它的计算能力，找到了隐藏在事物背后的规律。

人类进一步分析这条规律为什么存在，从而发现了更多的规律或者更本质的规律。

因为发现了新的规律，我们的应用场景更广，应用价值更大。

没有人工智能，我们发现不了隐藏的规律；没有人类的思考，我们也不容易探索到更多的规律，组织成更新的指示和更广的应用。人工智能和人类的互补型紧密合作，达到新的高度。

你看，这是不是人工智能和人类最优价值的合作模式？

就啤酒和尿布这条规律发现以来，我们可以进一步思考：为什么会出现这个规律？

我们发现，这背后可能蕴含着一种“生活结构性行为”的模式。比如，很多年轻的父亲在周五下班后，会顺路去超市采购生活用品，尤其是为婴儿购买尿布这类刚需品。与此同时，他们也顺手为自己“犒赏”一番，选购一些能放松心情的东西，比如——啤酒。

这个行为表面上看与商品无关，实质上却是一个典型的情境驱动型行为链条：

家庭责任 → 超市任务 → 自我补偿 → 消费转化。

甚至我们可以进一步分析背后的社会学意义。90年代的美国，正处于家庭角色结构悄然变化的时期：女性大量进入职场、家庭责任结构调整、男性生活方式和身份认同重新定义。在这种背景下，出现一种新型的家庭消费场景：

女性负责日常家庭运转，但部分采购任务，尤其是周末前的“快速补给型购物”，逐渐由男性承担。

这不是婴儿在喝啤酒，而是男性在用“完成家庭责任”后的一个小小消费选择，为自己争取心理平衡与身份认同。

这就是典型的“责任驱动 + 自我犒赏”模型，背后反映的不是商品逻辑，而是性别角色与家庭结构变化下的行为共振。

当然我们还可以展开分析，第一步规律揭开以后，我们可以探索更多的奥秘和探索背后的价值。

当我们理解“啤酒与尿布”背后的行为逻辑，我们就不再局限于“商品陈列优化”这种浅层操作，而是可以将其类比、迁移到更广泛、更具社会价值的应用中：

• 在电商平台，推荐系统不再只是基于“买了A的人也买B”的相似性逻辑，而是引入了生活情境建模。比如：晚上10点浏览儿童绘本的人，平台会同时推荐助眠产品和成人情绪调节类书籍。这不是商品关联，而是情境关联——这位父母也许正独自在处理家庭育儿压力。

• 在城市交通管理中，AI不再只是分析“哪个路段拥堵”，而是开始理解“什么角色的人，在什么时间，为了什么目的出行”。比如：早高峰期间，分析出单亲父亲送孩子上学后再进城上班，会影响路线和拥堵点分布。这类模式，有助于制定更有温度的交通调度政策。

• 在社区医疗服务中，系统可以识别出“行为关联型健康风险群体”——比如领取儿童疫苗的人中，有一部分家庭在两个月后会有女性焦虑症状就诊记录。通过这种间接行为路径，基层医疗可以提前介入，为年轻家庭提供心理关怀与健康指导。

• 在金融风控与产品设计中，AI不只是看“收入是否稳定”，而是开始捕捉“家庭责任驱动的高风险偏好迁移”。比如：一位中产父亲在完成孩子教育储蓄后，突然投资高波动的股票或虚拟币产品，这不是贪婪，而可能是“过度责任后心理释放”的行为体现。理解这一点，能引导出更合理的产品引导与风控策略。

换句话说，当我们从一个具体的购物篮案例中，建立起对人类情境化、阶段化、情绪化消费行为的理解，我们就获得了认知上的飞轮效应：

每一次看似偶然的行为共现背后，都可能隐藏着一个真实的人生场景； 每一个被AI发现的“数据异常”，都可能是我们人类未曾理解的“社会正常”； 而每一个模式的解释与抽象，都能让我们看得更深，想得更远，做得更准。

在这个飞轮中，AI是点火器，发现那些我们未曾察觉的行为片段；人类是放大器，将这些片段组织成洞察、判断与行动。

总结：AI真正的价值，不只是算得快，而是看得深

我们总结“啤酒与尿布”的案例。

首先，前提是你有可用的数据。企业要用好AI，第一步不是去找大模型，而是反过来思考：我的业务有没有数字化基础？能不能捕捉到关键行为数据？数据有没有足够的结构化和场景化？——这是“AI是否可用”的前提，更是“AI能走多远”的地基。

但有了数据还不够。

其次，人工智能之所以迷人，是因为它可以发现那些人类无法轻易识别的隐含规律。不管是父亲买完尿布后顺手带走的啤酒，还是夜晚独自浏览绘本的父母背后潜藏的育儿焦虑，AI都能从中找出模式，让我们更早、更准地感知需求、预测行为、设计产品。

最后，更有价值的是，真正强大的系统，不是AI独行，也不是人类独断，而是两者互补的协同模式。

AI善于“发现共现”，人类擅长“解释原因”；AI看到“数据轨迹”，人类理解“动机结构”；AI能指向未来的可能性，人类能选择现实的最优解。

这才是企业该追求的AI模式：不是人类变得像AI，而是AI帮助我们更像人类，更懂人类。

• “没有数据，AI寸步难行；没有人类，AI不知何往。”

• “数据是AI的燃料，洞察是AI的价值，人类是AI的方向盘。”

• “AI能看见我们未曾注意的，唯有人能看懂它为何重要。”

• “最值得推荐的AI模式，是数据驱动、算法发现、人类解释、协同决策。”

• “AI让你看到隐藏的世界，人类让它成为现实的选择。”