專案背景
在我們線上購物時或是郵件信箱收到購物網站收到個人化產品推薦的廣告訊息，究竟購物網站是如何計算歸納出來這些訊息的呢？其實整個分析稱作購物籃分析(也稱關聯分析)或是推薦引擎。在底層引擎收集每個人購物習慣或偏好的相關訊息，再利用分析工具去挖掘出後面隱藏的規則與商業知識。
若發現民眾今天購買義大利麵與葡萄酒，他們通常也對義大利麵調味醬料感興趣的規則後，因此在下次你去購買義大利麵和葡萄酒時，將會被推薦一些義大利麵醬！以上敘述將會生成一組關聯規則：
IF {義大利麵, 葡萄酒} THEN 義大利麵醬
生成此規則最著名且廣泛運用的是Apriori演算法，規則的前部分稱作「前項(Antecedent)」，後部分稱為「後項(Consequent)」，也利用相關的指標來確認每條規則的可信度，如前項支援度(Support) 、規則支援度(Rule support%)、規則信心度(Rule Confidence%)、規則提升度(Rule Lift)等。
為迎接Big Data的時代，符合所謂「3V」(資料量(Volume)、資料多樣性(Variety)、時效性(Velocity))特性的某量販店也開始進行大數據的深入分析。分析人員利用內部的每日大量產生的交易資料、會員資料進行分析運用，以找出最佳的商品推薦及商品擺放。
此案例將分成兩個部分。首先，我們根據現有資料建立產品的關聯規則，將這些關聯規則進行部署，未來當新的交易資料進來，即可套用這些規則，即時產生出該客戶最新且合適的推薦項目。
解決方案
1. 關聯規則分析
利用現有資料庫中的銷售商品交易資料，以及公司商品相關資訊(名稱與價格)分別匯入後，即可進行關聯分析，該節點會產生多條關聯規則，每一條規則顯示出前項、後項，與計算產生的相關指標，如前項支援度、規則支援度、規則信心度、規則提升度等。
根據關聯規則，我們可以解釋為，如果一個客戶通常（或通常支持說）購買葡萄酒，麵食和大蒜(前項)，他們也購買意大利麵醬(後項)；我們可以用這個規則信心度來相信這個規則是有價值的。
2. 部署關聯規則
推薦引擎的作用在於幫助公司，據會員喜好推薦可能購買商品，亦對會員減少討厭的廣告信件，形成一個雙贏的局面。
相關案例：
