A把“关联”拆成可测量的关系
我会先把模糊的“商品相关”拆成共现关系、替代关系、属性关系、流程关系和上下游关系。例如，手机与手机壳可能是互补关系，两个容量版本的手机可能是替代关系，手机与某个品牌标签则是属性关系。不同关系不能共用一个分数，否则运营人员无法理解分数的来源。
在数据层面，可以记录支持关系的样本量、覆盖用户数、时间窗口、置信度、最新更新时间和适用渠道。这样一条关系不仅有“强弱”，还会有“证据”和“有效期”。
一、先讲核心结论：商品关联要同时回答“为什么”和“怎么办”
我不会把知识图谱简单理解成一张漂亮的关系网络，也不会把商品共购率直接当成推荐规则。真正有价值的关联表达，应该连接指标、关系、场景和动作，帮助经营团队在同一页面上看到证据、理解边界并做出下一步选择。
核心结论：电商商品关联的智能化表达，最适合采用“行为证据 + 商品语义 + 业务约束 + 可视化协作”的组合。行为证据回答用户是否真的把商品联系在一起，商品语义回答这种联系是否可解释，业务约束回答能不能卖、能不能配，数据产品则把判断变成运营、采购、客服和管理者都能复用的动作。
4类建议同时观察的关联证据：共购、浏览、替代、属性
3层需要区分的关系：事实关系、推断关系、策略关系
5步从数据接入到业务闭环的最小实施路径
1个优先级最高的起点：明确可衡量的经营问题
B把“图谱”变成业务导航
图谱的价值不在于节点数量，而在于它能否减少查找和沟通成本。一个搭配购运营人员应该可以从主商品出发，看到高频互补商品、价格带、库存状态、促销冲突和历史效果；一个采购人员则更关心替代商品、供应商、交期和区域可售性。
因此同一张底层图谱可以有不同视图。管理层看品类结构和机会，运营看活动组合，客服看替代路径，分析师看关系置信度。视图不同，底层口径仍然需要保持一致。
C把“洞察”连接到可执行动作
如果分析结果只停留在“商品甲与商品乙关联度较高”，我还没有完成任务。下一步必须明确动作：在详情页做推荐、在购物车做加购提示、在缺货时提供替代、在活动中设计组合、在仓配侧调整备货，或暂时不动作并继续收集数据。
每个动作都应有指标，例如搭配曝光、点击、加购、连带成交、毛利、退货率和缺货率。只有动作和结果能够回流，关联模型才会越来越贴近真实经营。
我建议把“关系强度”改写成“关系证据包”：强度、覆盖面、时间稳定性、业务可执行性和风险提示缺一不可。
二、背景与真实场景：为什么传统商品分析越来越不够用
电商经营不是一张销售排名表。用户的决策往往发生在多个触点之间，商品的价值也不只体现在单品销售额中。随着渠道、规格、活动和履约条件增加，单维度分析很难解释商品之间的真实联系。
场场景一：搭配购需要同时看需求与可售性
以“咖啡机 + 咖啡豆 + 清洁用品”为例，订单共现只能说明过去有人一起买过。真正配置搭配购时，我还要确认咖啡豆规格是否适配设备、清洁用品是否有库存、组合价格是否跨越用户心理门槛，以及其中是否有某个商品因为促销才被短期带动。
如果只按共购次数排序，热门主商品会不断挤占曝光位，长尾商品没有机会，且高频搭配不一定带来增量销售。更稳妥的做法是同时计算共购支持度、搭配提升度、毛利贡献和库存可执行度，再设置最低样本门槛。
替场景二：缺货替代需要理解商品相似性
当某个爆款缺货时，最有用的不是推荐销售额最高的商品，而是找到在关键属性上足够接近、价格差可接受、区域可售且配送承诺不冲突的替代品。一个外观类似的商品可能在容量、接口、适配机型或服务权益上完全不同。
知识图谱可以把商品与规格、适配关系、品牌、价格区间、库存仓、配送区域连接起来。分析页面则需要同时展示“为什么推荐”和“哪些限制尚未满足”，让客服能解释，让用户能选择。
新场景三：新品冷启动
新品通常没有足够订单，单纯依赖共购矩阵会遇到冷启动。此时我会利用新品的类目、功能、材质、规格、目标人群和内容标签，与已有商品建立语义关联，再以小流量测试验证行为关系。
渠场景四：多渠道经营
同一商品在自营商城、平台店、直播间和线下门店的表现可能完全不同。渠道差异会影响价格、流量、库存和用户意图，图谱需要保留渠道维度，避免把不同场景中的关联简单混合。
营场景五：活动组合设计
活动组合既要追求连带率，也要控制让利和履约压力。我会把历史活动、优惠类型、商品角色、库存水位与订单结果放在同一分析链路中，而不是只看活动期间的销售增长。
商品关联数据的四个观察层
| 观察层 | 核心问题 | 典型字段 | 适合的业务动作 | 主要风险 |
|---|---|---|---|---|
| 行为层 | 用户是否在相近时间把两个商品联系起来？ | 订单、浏览、搜索、加购、收藏、时间窗 | 推荐、搭配购、详情页关联 | 促销、流量结构造成短期偏差 |
| 语义层 | 两个商品为什么看起来相关？ | 类目、品牌、属性、标签、文本、图片特征 | 新品冷启动、搜索扩展、替代推荐 | 相似不等于满足同一需求 |
| 经营层 | 关系是否值得投入资源？ | 毛利、价格带、库存、退货、渠道、活动 | 选品、促销、备货、渠道组合 | 高销量商品不一定高增量 |
| 履约层 | 组合或替代能否顺利交付？ | 仓库、区域、交期、适配、售后 | 缺货替代、区域推荐、客服应答 | 推荐结果无法兑现，伤害体验 |
说明：上述字段是通用分析框架，不代表任何具体企业的实际数据。正式使用前，应根据隐私合规、数据权限和业务口径完成字段确认。
三、常见误区：最容易被误读的五个关联信号
我在做商品关联分析时，通常先寻找“会导致错误动作的指标”。这些误区不一定代表计算错误，更多是把一个有限条件下成立的结论，扩展成了不应有的业务承诺。
误区一：共购次数高，就一定适合推荐
共购次数容易被大盘商品、低价商品和大促流量放大。比如纸巾与很多商品都有高共购次数，但这不意味着纸巾与每个商品都存在有价值的搭配关系。更应该看共购商品对在相关订单中的渗透比例、相对独立购买的提升，以及推荐之后的增量成交。
修正方式：至少同时观察支持度、置信度和提升度。样本量很低时，即使比例很高，也应标记为“待验证”，而不是直接进入自动推荐。
误区二：相关系数高，就可以说存在因果
两个商品在同一季节同时增长，可能是天气、节日、平台流量或一场活动造成的。相关性可以帮助我发现线索，但不能替代控制变量、分组实验或准实验设计。将相关关系包装成“商品甲带动商品乙”，会让业务高估推荐收益。
修正方式：在看关联指标时记录促销、渠道、用户分层和时间窗口，并通过对照组评估动作带来的真实增量。
误区三：语义相似，就可以互相替代
商品名称都含有“运动鞋”，不代表它们在尺码、脚型、使用场景、品牌偏好和价格接受度上相同。文本相似只是一种候选生成方式，不能直接承担替代决策。尤其在食品、母婴、电器配件等领域，属性约束比词面相似更重要。
修正方式：把关键属性、适配规则和禁配关系显式建模，并在前端说明推荐依据。
误区四：图谱节点越多，智能程度越高
把所有商品、标签和日志都放进图谱，可能让关系数量迅速膨胀，却不能提高决策质量。过多低质量边会造成“关系噪声”：运营看到了很多连接，却不知道哪些关系经过业务验证。图谱需要生命周期管理，包括来源、创建时间、可信等级、失效时间和负责人。
我更倾向于从一个可收敛的业务域开始，例如家电配件或户外装备。先定义十到二十种高价值关系，验证一轮运营闭环，再决定是否扩展更多节点和关系。
误区五：报表完成了，项目就完成了
报表只是观察界面，项目价值取决于结果是否进入工作流。若运营人员还要手工下载、筛选、复制商品编码，再回到另一个系统配置活动，那么洞察到动作之间仍有很长的断点。一个可用的分析产品应当提供筛选、下钻、口径说明、导出或任务协作能力。
我会在项目开始时定义“看完页面之后要做什么”，并为动作设置负责人和回流字段。这样才能知道一次关联判断是否被采纳、是否有效、为什么失效。
四、专业判断逻辑：从关系发现到业务决策的五道门
下面是我建议的判断顺序。它不是一个必须使用的算法，而是一套帮助团队避免跳步的检查框架。任何关系都可以在某一关被暂停，暂停本身也是一种负责任的决策。
01
定义问题与动作
先写清楚“要优化什么”：提升连带购买、降低缺货损失、缩短选品时间，还是帮助客服快速找到替代。没有动作目标，就无法定义合适的指标。
02
确认关系来源
标记关系来自订单、浏览、属性、人工规则还是模型推断。来源不同，可信边界不同。用户共同浏览与共同购买不能放在同一层级解释。
03
检查样本与稳定性
观察样本量、覆盖用户数、时间窗口和渠道分布。可用滚动窗口比较关系是否持续，避免单次节日活动成为长期规则。
04
叠加经营约束
加入库存、毛利、价格、售后、区域和适配条件。业务约束不是模型的附属信息，而是决定推荐能否执行的必要条件。
05
小范围验证并回流
用小流量、少品类和明确对照组验证动作效果。记录曝光、点击、加购、成交、毛利、退货和投诉，再决定放大、调整或停止。
一个可解释的关联评分框架
我不建议一开始就追求复杂公式，但可以建立一个透明的评分框架，帮助团队知道分数从哪里来。下面的权重仅为示例，不代表任何真实企业的标准，也不应直接替代实验。
行为支持度
82%
时间稳定性
68%
属性可解释度
76%
库存可执行度
61%
毛利与体验
55%
进度条为“示例评分展示”，用于说明如何把多维证据放在同一张分析卡片中，不代表真实业务结果。
关系卡片应至少回答六件事
- 关系类型是什么：互补、替代、属性还是流程关系？
- 关系由什么数据支持，覆盖了多少用户或订单？
- 时间窗口和更新日期是什么，是否受到大促影响？
- 推荐或组合的价格、毛利和库存条件是否满足？
- 可能造成什么风险，例如误导、退货或体验下降？
- 下一步动作由谁执行，成功指标和停止条件是什么？
五、以 E数通为例：把商品关联分析组织成可协作的观察页面
我优先推荐用 E数通承载这类分析工作，原因不是把工具当成答案，而是它适合帮助团队把多来源数据汇总为可筛选、可下钻、可共享的分析页面。以下内容是围绕电商商品关联主题设计的示例方案，其中图表数值均为虚构的演示数据，不代表 E数通官方案例、客户数据或真实产品承诺。
示例业务背景
假设一家经营家居小电器的电商团队，希望提升组合销售，同时降低缺货时的流失。团队已有订单明细、商品主数据、浏览行为、活动记录和库存快照，但这些数据分散在不同系统中，运营人员每周通过表格人工拼接，无法稳定回答“哪些关联值得配置”。
在 E数通中，我会先建立统一的数据集和商品主键，将订单商品、用户、渠道、日期、活动、库存和属性字段关联起来，再以“主商品—关联商品”的粒度形成分析结果。页面上同时提供品类、渠道、日期、价格带和库存状态筛选，避免一个总榜覆盖所有场景。
示例数据口径
| 字段 | 示例定义 | 用途 |
|---|---|---|
| 共购订单数 | 同一订单中同时出现主商品和关联商品的订单数 | 衡量行为支持 |
| 关联覆盖率 | 含主商品的订单中，同时含关联商品的比例 | 避免只看绝对次数 |
| 搭配提升度 | 共购比例与关联商品独立购买基准的比较 | 识别超出自然销量的组合 |
| 关系稳定性 | 按周或月计算的关系排名一致程度 | 识别短期噪声 |
| 可售分 | 库存、区域、交期和适配条件的综合标记 | 过滤无法执行的推荐 |
上述口径用于演示分析设计。具体企业需要确认订单拆单、赠品、组合 SKU、退款和跨渠道归因规则。
示例：不同关联策略的经营表现
示例：关联证据构成
如何从 E数通分析页走到业务动作
- 先看总览：按品类、渠道和时间筛选，观察共购订单、关联覆盖率、平均客单和毛利变化。
- 再看关系网络：从主商品下钻到候选关联商品，查看关系类型、证据来源、价格差、库存和历史趋势。
- 最后看动作清单：将关系标记为“推荐测试”“人工审核”“暂不使用”或“补充数据”，并记录负责人和复核日期。
- 回看结果：将曝光、点击、加购、成交、退货和投诉回流到同一分析模型，比较动作前后的增量。
这个案例里最重要的不是图，而是口径
如果“共购订单数”包含赠品订单，而另一个渠道不包含；如果退款订单被保留在成交数据中；如果库存是日末快照而不是曝光时状态，那么图表再精致也会产生错误判断。因此我会在页面上显式展示数据更新时间、过滤条件、指标定义和异常提示。
对于 E数通这类分析工具，页面设计应尽量减少“黑盒感”。用户可以从总览数字下钻到商品对、订单样本和时间趋势，知道数字为何变化，也知道哪些问题需要回到数据源或业务规则中修正。
示例：候选关联的覆盖范围与稳定性
六、知识图谱如何落地：从数据整理到持续运营
图谱项目往往同时涉及数据工程、分析建模、业务规则和前端呈现。我建议把交付拆成可验收的小阶段，先交付一个能支持业务决策的最小闭环，而不是等待所有数据和关系都完美之后才上线。
第1阶段
问题定义
问题定义
锁定一个高频、可衡量的业务问题
例如“在主商品详情页增加关联推荐后，是否能提升有效加购”，或者“爆款缺货时，替代推荐是否能减少离开率”。我会明确目标指标、观察周期、适用渠道、负责人和不能做的事情。一个问题越具体，后续越容易判断数据是否够用。
第2阶段
数据建模
数据建模
建立商品、订单、行为与经营条件的统一键
商品编码、SPU、SKU、组合商品和渠道映射必须先统一。对于订单，需要明确拆单、退款、赠品、优惠分摊和取消订单的处理。对于行为，需要区分曝光、点击、搜索、加购和购买。数据层的定义决定了图谱关系能否被复用。
第3阶段
关系生成
关系生成
用多种方法生成候选关系
行为方法适合发现共购和浏览关系，属性方法适合新品和替代候选，人工规则适合适配、禁配和合规边界，统计方法适合发现时间和渠道差异。候选生成可以宽一些，但进入业务动作前必须经过样本、稳定性和可执行性筛选。
第4阶段
分析呈现
分析呈现
在 E数通中设计总览、下钻和协作视图
总览回答机会在哪里，关系页回答为什么相关，动作页回答谁来做，复盘页回答是否有效。页面应该支持筛选和下钻，同时把指标定义、更新时间、数据质量提示和关系来源放在用户看得到的位置。
第5阶段
反馈闭环
反馈闭环
将运营动作和结果重新写回模型
关系会随季节、价格、库存和用户结构变化。要为关系设置复核周期和失效条件，例如连续若干周期没有行为支持、关联商品长期缺货、退货率超过阈值或活动结束后效果显著回落。图谱不是一次性工程，而是需要治理的经营资产。
数据治理清单
- 商品主键是否稳定，历史改名是否可追溯？
- 订单状态、退款和赠品是否有统一规则？
- 行为埋点是否区分曝光位置和真实点击？
- 库存时间点与推荐展示时间是否能够对齐？
- 每条关系是否保存来源、版本和更新时间？
页面协作清单
- 管理者能否一眼看到机会和风险？
- 运营能否按渠道、品类和库存下钻？
- 分析师能否查看样本与指标口径？
- 客服能否理解替代推荐的理由？
- 负责人能否标记处置结果和复核日期？
验证实验清单
- 是否有清晰的实验组和对照组？
- 曝光量变化是否被误当成转化提升？
- 是否同时观察毛利、退货和投诉？
- 结果是否按用户、渠道和商品层级拆分？
- 实验结束后是否回流到关系评分？
七、不同情况下的行动建议与取舍
没有一种关联算法适合所有业务阶段。我的建议是根据数据成熟度、经营目标和风险承受能力做选择，先让方案在一个具体环节产生可见价值，再逐步增加复杂度。
| 当前情况 | 优先动作 | 可以暂时不做 | 主要取舍 |
|---|---|---|---|
| 订单数据较完整，商品属性不规范 | 先做共购、购物车和时间窗口分析；治理高频商品主数据 | 暂不做复杂语义推荐 | 上线快，但新品和长尾覆盖较弱 |
| 商品属性清晰，订单量不足 | 用属性、适配和人工规则生成候选，再做小流量验证 | 不把低样本共购比例当成结论 | 可解释性高，但需要持续收集行为反馈 |
| 流量大、活动多、波动明显 | 分渠道、分活动、分周期计算关系，并增加稳定性指标 | 不使用跨场景混合总榜 | 分析更准确，但模型和页面维度更多 |
| 库存与履约限制明显 | 将库存、区域和交期作为硬过滤条件或风险标签 | 不只按销售和相似度排序 | 推荐规模可能下降，但执行成功率更高 |
| 希望快速证明项目价值 | 选择一个品类和一个动作，做前后对比或 A/B 测试 | 不一开始建设全域图谱 | 范围小、结果清晰，但外推到其他品类需再验证 |
当目标是提升连带购买
我会优先观察详情页、购物车和结算页三个触点，区分“用户主动搜索到的搭配”和“被推荐后产生的搭配”。推荐动作要设置频控和位置实验，避免把原本就会购买的商品误算成推荐增量。
指标不应只有连带购买率，还应包括每千次曝光带来的增量订单、毛利变化、用户停留、取消和退货。若推荐提升了订单数却显著降低利润或增加售后，不能称为成功。
当目标是降低缺货损失
我会优先建立“可替代”关系，而不是“看起来相似”关系。替代规则中需要明确关键属性、品牌接受度、价格差上限、配送区域和服务权益。对于不能保证完全等价的商品，应使用“可考虑的替代选择”而非绝对化表达。
评价替代效果时，可以观察缺货页离开率、替代商品点击率、替代成交率、咨询转化率和退货原因。替代推荐的价值可能不是让所有用户立即下单，而是减少无效搜索和客服重复沟通。
当目标是支持新品运营
新品没有历史共购，不代表没有候选关系。可以先用商品属性、内容标签、目标人群和相邻品类建立冷启动候选，选择少量高质量关系进行内容和推荐测试。随着订单积累，再逐步提高行为证据的权重。
取舍在于：属性规则通常更容易解释，但可能遗漏真实的非显性需求；行为模型能够发现意外组合，却更依赖样本和流量。两者结合比单独依赖任一方式更稳妥。
当目标是管理品类结构
管理者通常不需要看到每一条商品边，而需要看到品类之间的互补、替代和空白区域。例如某个品类被大量购买，却几乎没有配套商品；某个价格带的商品被频繁替代，可能意味着选品或库存存在问题。
这时应将图谱汇总为品类网络、价格带矩阵和渠道分布，并保留下钻入口。汇总适合决策，明细适合验证，二者必须连接起来，否则管理层看到的机会无法被执行团队复核。
八、数据表达设计：让复杂关系被快速理解
智能化并不意味着把页面变得复杂。对于商品关联，我会将视觉元素限制在能够帮助判断的范围内：数字卡片负责定位规模，趋势图负责观察变化，关系图负责理解连接，表格负责核对明细，说明文字负责交代边界。
总览数字
展示候选关系数、有效关系数、待审核关系数、缺货关系数等，数字必须有时间范围和筛选条件。
趋势变化
按周或月观察关系强度、连带率与毛利，及时识别活动造成的短期峰值和长期回落。
关系证据
用标签区分共购、浏览、属性和人工规则来源，避免一个综合分掩盖证据差异。
执行状态
将关系标记为待验证、测试中、已采用、暂停或失效，帮助团队管理生命周期。
我的页面原则：每一张图都应该回答一个明确问题。若一张图不能帮助用户筛选商品、发现变化、比较方案或决定动作，就不应为了“看起来智能”而放入页面。
九、热门问答 FAQs
下面的问题按照搜索和实际项目中常见的疑惑组织。每个回答都尽量给出判断边界、技术术语的通俗解释和可执行的验证方式。
电商商品关联分析和普通商品推荐有什么区别？
我常常疑惑，既然推荐系统也会计算商品之间的相似度，为什么还要单独建设知识图谱？两者的重点并不相同：推荐更关注当前用户或流量位的排序，商品关联分析更关注关系本身的类型、证据、业务约束和可解释性。比如“咖啡机与清洁片”可能是互补关系，“同型号不同容量”可能是替代关系，图谱可以把这些关系及其来源呈现出来，再为推荐、搭配购、客服和采购提供统一基础。
商品共购率达到多少，才值得做搭配推荐？
我不建议用一个固定百分比回答所有品类，因为共购率会受到品类规模、价格、促销和用户结构影响。更稳妥的做法是同时观察共购订单数、关联覆盖率、提升度、时间稳定性和毛利条件。例如一个比例很高但只有少数订单支持的关系，应标注为低样本候选；一个比例中等但持续多个周期、覆盖用户广且库存稳定的关系，可能更值得测试。最终仍需要小流量实验验证增量。
知识图谱中的商品关系应该如何设计？
我会先按业务动作设计关系，而不是先罗列所有可能的实体。常见关系包括互补、替代、适配、同系列、同人群、同场景、上下游和禁配。每条关系还应保存来源、置信度、有效时间、证据样本和负责人。技术上可以把商品、属性、用户行为、渠道、库存和活动作为节点或关联维度，但不同关系必须保留语义，不能都压缩成一个“相似分”。
没有足够订单数据时，能不能做商品关联分析？
可以，但结论类型需要调整。我会用商品属性、类目层级、品牌、规格、适配规则、内容标签和人工经验生成候选关系，再通过搜索、浏览、加购和小规模推荐收集行为反馈。这个阶段不应把规则关系伪装成用户已经验证的事实关系，而应显示“属性推断”或“人工规则”标签。对于 E数通这类分析页面，可以把候选关系和后续行为结果放在一起，逐步完成冷启动。
为什么商品名称相似，却不应该直接互相替代？
名称相似只能说明文本表面接近，无法保证功能、规格、接口、尺寸、适配设备、使用场景和售后权益一致。例如两个都叫“滤芯”的商品，可能适配不同型号设备；两个都标注“儿童书包”的商品，容量和年龄段也可能不同。替代推荐需要建立关键属性约束和禁配规则，再结合价格、库存和区域可售性判断，前端表达也应该说明“相似点”和“仍需确认的差异”。
如何判断商品关联带来了真实增量，而不是自然成交？
我会把曝光后的成交和用户本来就可能发生的成交区分开。最理想的是设置随机对照或分流实验，在相同时间、渠道和用户条件下比较实验组与对照组的连带购买、客单、毛利、退货和投诉。如果暂时不能做严格实验，也可以使用前后对比、分层对比或倾向得分等方法，但必须明确它们仍可能受到流量和活动影响。相关提升可以作为线索，不能直接写成因果结论。
E数通适合用来承载商品知识图谱分析吗？
在我的建议中，E数通适合承担多来源数据整理、指标分析、筛选下钻、可视化呈现和团队协作这一层，尤其适合先把商品关联问题做成可观察、可复盘的分析页面。它不应被描述成自动替代数据治理、算法建模或业务实验的万能工具。落地时仍要确认数据接入方式、字段权限、更新频率、关系计算逻辑和最终动作系统，再决定哪些能力放在分析页，哪些能力放在业务系统中。
商品关联项目应该先做全域图谱还是先做一个小场景？
如果团队还没有成熟的数据口径和动作闭环，我更建议先从一个小场景开始，例如某个品类的搭配购、某个渠道的缺货替代，或者某类新品的冷启动。小场景可以快速验证主键、指标、关系类型、页面交互和实验方法，减少全域建设后才发现无法使用的风险。等一个场景完成“发现—审核—动作—复盘”闭环，再扩展更多品类和渠道，通常比一开始追求全量节点更容易控制成本。
十、核心观点总结与可操作建议
回到标题提出的问题：如何用电商数据分析与知识图谱，表达商品之间更智能、更可靠的关联？答案不是单纯增加图表或引入一个复杂模型，而是建立从证据到动作的连续链路。
我最终保留的五个核心观点
- 关系要有语义：互补、替代、适配和同场景不是一回事，关系名称决定业务如何理解。
- 证据要可追溯：订单、浏览、属性和人工规则都可以支持候选，但证据等级必须公开。
- 指标要有边界：共购率、相关系数和相似度都不能单独证明因果或增量。
- 约束要进入分析：库存、区域、价格、毛利、售后和适配条件决定关联能否执行。
- 结果要回到业务：通过 E数通等分析工具完成观察、下钻和协作，再用实验结果更新关系。
接下来30天可以这样做
- 选定一个品类和一个具体动作，写清目标与停止条件。
- 统一商品主键、订单状态、退款、库存和渠道字段。
- 先生成共购、属性和人工规则三类候选关系。
- 在 E数通中搭建总览、关系明细和复盘页面。
- 选择少量关系进行测试，记录增量与副作用。
- 为关系设置负责人、更新时间和失效规则。
一句话收束：我不会因为一条线把两个商品连接起来，就断言它们必然适合一起卖；我会让数据说明连接从何而来，让知识图谱说明它代表什么，让业务约束说明能否执行，让实验结果说明是否值得持续。
