我做电商运营大概八年，前五年一直在用“感觉”做关联推荐。客单价卡在186元那个位置，将近十个月没动过。真正开始用BI平台做商品关联分析之后，半年内把这个数字拉到了247元，连带率从1.3抬到1.7。这不是什么高深算法驱动，而是我换了套分析逻辑，从“猜用户还想买什么”变成了“数订单里已经出现了什么”。“多大程度上能提升客单价”这个问题，我给的答案区间是15%到35%，但前提是：你用的分析方法不是行业里绝大多数人正在犯的那个错。
做了十几轮BI关联分析实验，跑过七个电商项目之后，我的判断是：单纯靠关联推荐，客单价提升幅度在8%到20%之间；如果把关联分析结果延伸到促销策略设计、详情页套餐重组、凑单路径优化，这个数字可以拉到25%到40%。
这不是随便拍的数字。去年经手的一个家居类目项目，SKU大概三千多个，用传统“猜你喜欢”逻辑做了两年，连带率0.9。接入九数云BI之后跑完整订单关联分析，半年连带率到1.6，客单价从137元爬到189元，提升大约38%。另一个母婴项目提升相对温和，只有16%左右，因为该品类本身刚需属性强，用户采购目的明确，关联空间有限。
所以“多大程度上”这个问题，本身就需要拆开看：品类关联密度、SKU丰富度、用户购买意图明确度，三个变量直接决定了你的天花板在哪。
这件事要从两个根子问题说起。
我见过太多运营的工作流：打开后台，看一眼热销榜，拉出销量前二十的商品，然后手动组合搭配。比如卖锅的搭个锅铲，卖奶粉的搭个奶瓶。这套逻辑的问题是：你搭的东西用户早就自己会买，不需要你推荐。真正能拉高客单价的关联，往往是用户自己没想到、但数据证明他们会一起买的东西。
去年做了一个实验：把运营手动搭配的“手机壳+钢化膜”套餐，和BI跑出来的“手机壳+桌面支架”组合，用同一套推荐位A/B测试。后者客单价贡献高出31%，因为用户买完手机壳，脑子里已经开始想“贴膜”，不需要你提醒；但他没意识到自己需要一个桌面支架，BI帮他发现了这个潜在需求。
传统电商后台能跑的基础关联分析，比如“购买了A的人也购买了B”，底层通常是最简单的Apriori算法，支持度、置信度阈值设得比较粗糙。这导致两个致命问题：
第一，高频商品污染。数据里“买了手机壳的人同时也买了数据线”，不是因为这两个东西真有强关联，而是因为几乎所有人都买数据线。这种关联推荐等于白搭。
第二，忽略序列效应。先买A再买B，和同时买A和B，背后的消费逻辑完全不同。传统算法基本只看“同一个订单内是否出现”，BI平台可以分析用户跨多个订单的购买序列，这才是真正值钱的信息。
做了这么多项目，我总结出四种运营最容易踩进去的关联分析误区。这些误区如果不纠正，你用BI平台做出来的东西也是废的。
支持度高（A和B一起出现的概率大），置信度高（买了A的人很大概率买B），这两个指标做运营的人最爱看，但它们反映的不是关联强度，而是高频程度。真正能衡量关联价值的是提升度，买了A对买B的概率提升倍数。提升度大于1才有实际意义，大于2才值得上推荐位。我自己的标准是：提升度小于1.5的组合，直接砍掉，哪怕置信度再高也不做。
同一订单里的商品关联，能告诉你“用户这次买了什么”。但跨订单的购买序列，能告诉你用户的消费演进路径。比如一个母婴用户，第一个月买待产包，第二个月买月子服，第四个月买辅食机，你在她买待产包的订单里推辅食机，那是骚扰；但如果你在她买月子服的时候推辅食机，就是精准预判。BI平台能处理这种时序数据，普通后台工具做不了。
新客和老客对关联推荐的响应模式完全不同。新客更倾向于买“品类搭配”，比如买个床要配床垫；老客更容易被“升级型关联”打动，比如买了基础款精华的，推同品牌的高端线。如果不分客群统一推一套关联组合，两个群体都吃不透。BI平台可以做用户聚类分析，把关联规则按客群拆开，这是手动操作根本不可能完成的任务。
关于客单价，还有一个很多人忽略的规律：推荐商品的价格离主商品价格不能太远。买了35块钱商品的用户，看到推荐128块的东西，转化一定差。反过来，买了200块钱商品的用户，看不到推荐搭配的18块小件，那是流量浪费。用BI做关联分析时，需要单独把“价格比”作为一个筛选维度，筛选出价格差在0.3到3倍之间的关联组合做推荐，转化率能比无差别推荐高出一截。
下面是我用九数云BI跑完整关联分析项目时，实际执行的五个分析步骤。每一步都有明确的判断标准，不是模模糊糊“大概看看数据”。
这一步做不好，后面全白干。清洗时需要打标并剔除三类订单：
第一类：单件订单占比过高的品类（比如超过70%的订单只有一件商品），说明该品类的关联空间本身就小，不适合做关联分析。
第二类：活动期间的大促订单。大促期间用户购买行为是典型的“扫货模式”，什么便宜买什么，商品之间的内在关联被促销折扣扭曲得面目全非。这类数据混进去会把整个关联模型搞乱。
第三类：退货率超过品类均值两倍的异常用户。这类用户的高退货行为通常意味着购买决策随意，他们的关联数据参考价值极低。
关联分析周期不能太短也不能太长。太短样本量不够，太长了季节效应和消费趋势变化会干扰结果。我的经验是：快消品类取最近60天，非快消品类取最近90天。最小支持度按品类SKU数来定：SKU小于1000的，支持度设到0.3%以上；SKU超过5000的，支持度可以压到0.1%，以免漏掉长尾关联。
跑出来的规则通常有几百上千条，怎么选？我自用一套三指标交叉验证的标准：
提升度 ≥ 1.8：这是硬门槛。
置信度 ≥ 15%：太低没商业价值，上了推荐位也不会有明显效果。
单条规则月覆盖订单数 ≥ 50：太低说明太冷门，同样不值得占用推荐位。
三指标同时满足的规则一般只占原始输出的20%左右，但这20%是真的能拉动客单价的。
规则跑出来了，还不能直接用。需要按主商品价格分段，筛选价格比在0.3到3倍之间的推荐项。同时做反向剔除：价格比大于5倍的“越级推荐”，除非是明确的高端用户分群，否则全部砍掉。做了这个过滤之后，关联推荐的点击转化率平均能抬升12到15个百分点，因为用户不会被离谱的价格吓跑。
最后一步是把筛选后的关联规则，按用户分群做差异化部署。新客在详情页优先展示“品类搭配型关联”，老客在购物车页面优先展示“升级替代型关联”，高价值客户在支付成功页展示“复购周期型关联”。同一个商品组合，在不同客群的不同场景曝光，转化率可以差出两到三倍。
说一个去年做的案例，能比较完整地展示BI关联分析到底怎么落地的。项目是某个家纺品牌，主营床品套件、枕头、被芯、毯类，SKU大概两千个左右，月均订单三万单上下。
接手时该品牌的客单价是187元，连带率1.2。运营团队做了两年关联推荐，方式是在每个商品详情页底部统一展示了“店铺热销TOP10”，点击率不到3%，购买转化几乎为零。他们的问题是：热销品不等于关联品，大部分人已经在热销榜里自己挑完了，详情页再推一遍等于白推。
我们用九数云BI跑完60天订单数据后，发现两个让运营团队很意外的关联模式：
第一个：买了纯色四件套的用户，有22%在之后30天内购买了同色系的靠垫套，但这不是在同一个订单里发生的，跨订单序列属性明显。传统同订单分析完全捕捉不到这个规则。
第二个：购买价格段在400元以上的羽绒被用户，在购物车页面浏览时，并非对低价床品有兴趣，而是更倾向于点击600元以上的真丝枕套。这和运营之前“买贵的应该推便宜的给他们省省钱”的直觉正好相反。
基于这两个发现，我们做了三件事：
第一，针对第一个规律，在用户购买四件套后第10天，通过短信和App推送同色系靠垫套的优惠提醒，转化效果远超购买当天推送。
第二，针对第二个规律，把羽绒被详情页的推荐模块从“为你推荐热门商品”改成“搭配升级方案”，主推真丝枕套、高端毯类等价格在500元以上的关联品。
第三，这个品牌在小红书有自己的账号，我们借“用一套床品打造卧室氛围感”这个话题，把四件套和靠垫套的搭配方案做成了图文内容进行种草，文章内嵌入直链跳转套餐页面。
调整后三个月，客单价从187元爬到249元，连带率从1.2到1.8。其中跨订单召回贡献了约18%的客单价提升，详情页推荐升级贡献了约12%，剩余8%左右来自小红的种草转化。
这个案例里，BI平台的作用不只是“发现了关联”，而是发现了一些反直觉的关联，并提供了可以做时间差运营的依据。这是传统后台工具给不了的东西。
关联分析没有“一招通吃”的套路。不同品类、不同客群阶段，适合的关联策略完全不同。我把实践中验证过的几套打法整理如下。
| 品类类型 | 关联策略 | 推荐场景 | 预期客单价提升 |
|---|---|---|---|
| SKU丰富、搭配属性强的品类（家居、服饰、美妆） | 风格搭配型关联为主，跨品类推荐为辅 | 详情页、购物车、支付成功页 | 20%-40% |
| 刚需型、复购周期清晰的品类（母婴、宠物、食品） | 复购周期型关联为主，囤货组合为辅 | 支付成功页、复购提醒推送 | 10%-20% |
| 单品爆款型品类（数码配件、小家电） | 互补配件型关联为主，升级替代为辅 | 详情页、加购弹窗 | 8%-15% |
| 低频大额型品类（家具、大家电） | 套餐打包型关联，注重一站式解决方案 | 详情页、专属客服推荐 | 15%-25% |
新客首单占比高的店铺，关联策略重点放在品类搭配上，降低用户决策成本；老客复购率高的品类，重点做升级替代和复购周期型关联，拉高单次购买价值。
具体的，我一般这么分：
新客首单阶段：推荐关联品价格不应高于主商品的80%。新客对你的品牌还没有足够的信任，推贵了只会吓跑。这个阶段的目标是让用户“觉得搭配确实更方便”，而不是“多买一件贵的”。
老客二次及以上复购阶段：可以大胆推价格高于主商品1.2到2倍的升级型关联。老客已经有了品牌认知，推品质升级、功能升级的产品接受度更高。
沉睡用户唤醒阶段：用极高性价比的小件关联品作为钩子，比如原来买了大型电器的用户，推一个20元以内的清洁配件。成本低、决策快、唤醒概率高。
现在很多电商品牌都在做小红书，但大部分人的做法是发产品图、写测评、挂链接，这和关联分析没有半毛钱关系。其实BI跑出来的关联规则，完全可以映射到内容策略里，而且效果比硬推荐好得多。
具体做法：BI跑出的高提升度关联组合，直接变成小红书内容的选题方向。比如跑出“四件套+靠垫套”的强关联，内容是“用四件套和靠垫套搭出三套不同氛围感的卧室”，选题从产品推荐变成了场景解决方案。用户在评论区问“靠垫套在哪买”，自然而然就完成了关联转化。
BI分析出了什么关联组合，对应的小红书笔记就可以围绕这个组合的使用场景来做。比如：
“买了羽绒被的人也会看真丝枕套”，做一条“冬天换床品的正确顺序：从羽绒被到真丝枕套，一步一步升级睡眠体验”。
“买了咖啡机的人会在两周内搜索奶泡器”，做一条“入手咖啡机第一周和第二周分别需要补什么配件，新手清单拿好”。
运营在评论区回复时，可以带出BI分析出来的关联信息。比如有人评论“这套四件套好看，还想买个靠垫”，运营回复“这款四件套确实很搭同色系靠垫套，很多姐妹都是先入手四件套，十来天后又回来补的靠垫，尺寸是45×45刚好合适”，这种回复用真实消费行为数据做背书，可信度比“我们家靠垫也很棒哦”高了不止一个量级。
BI分析出来的序列购买行为，可以用来规划内容矩阵。如果数据显示“先看科普类内容再下单的概率远高于直接看产品推荐”，那小红书账号就应该先铺科普类笔记，再在相关笔记里用评论区置顶挂产品链接。用户在无意识中走完了一条被数据验证过的转化路径。
项目做得多了，踩过的坑也够写一本手册。这里挑几个最容易翻车的关键点讲。
有一次一个做手工皮具的小众品牌找我帮忙跑关联分析，月订单量不到两千单，SKU三百多个。跑出来的关联规则支持度最高只有0.02%，提升度也不稳定，规则本身的可信度很差。这种情况下强行做关联推荐，效果可能还不如运营手动搭配。
我的判断标准是：月订单量低于5000单的店铺，BI关联分析的统计显著性不足，不建议作为主策略。这类店铺应该更多依赖行业通用关联规则和竞品分析，或者先把精力放在拉新和提升复购率上，等数据量积累起来了再做。
有些运营觉得“既然跑出了这么多规则，那就多上几个推荐位吧”。结果是一个商品详情页里塞了四五个推荐模块：“看了又看”、“买了又买”、“搭配套餐”、“热销排行”……用户眼花缭乱，决策成本急剧上升，反而一件都不买。
我的原则是：每个页面最多两个关联推荐模块。详情页放一个“搭配推荐”（基于BI关联分析），购物车页放一个“凑单推荐”（基于价格锚点和订单均值）。再多就是帮倒忙。
关联规则不是“一次性工程”。夏冬换季时用户购买行为大变，三个月前跑出来的规则可能已经失效。我建议每季度重跑一次关联分析，大促前再做一次专项分析。尤其是服饰、家居这类季节性强的品类，不刷新规则的后果是推荐位空有形式，实际转化断崖式下跌。
这是很多品牌的盲区。BI跑出的高价值关联规则，除了线上推荐位，还可以用在以下场景：
客服话术优化：当用户在旺旺咨询某商品时，客服主动用关联规则提示搭配方案。
包装内附卡片：在商品包裹里塞一张“你可能还需要”的关联品小卡片，带专属优惠码。
直播间话术：主播讲解A商品时，用关联数据自然带出B商品，用户可以同时加购。
供应链选品：最彻底的做法，BI跑出的强关联组合如果自己供应链上没有，直接作为新品开发或采购方向。这种决策的数据基础，比拍脑袋选品靠谱得多。
写到这里，如果你是被客单价卡了半年以上的电商运营，手上大概有五到十万条订单数据，想真正把BI关联分析落地，以下是优先级排序和建议。
不需要自己写代码，也不需要啃《数据挖掘导论》。我用九数云BI做关联分析，本质是拖拽式操作：上传清洗后的订单数据、设置分析参数（支持度、置信度阈值）、平台自动跑出关联规则，再按我之前讲的三指标标准筛选。一个完整的分析周期，从数据准备到筛选出可用的规则，熟练之后两小时内可以跑完。
全店关联分析跑起来规则太多，筛选工作量巨大。建议先选SKU最丰富、客单价提升空间最大的一个核心品类跑通流程，做出效果后再复制到其他品类。这比一上来就全量跑高效得多。
即便BI跑出了“高提升度、高置信度”的规则，也必须上线做A/B测试。测试时只改“推荐模块的内容”，其他页面元素保持不变。观察的核心指标不是点击率，而是加购转化率和组合订单占比，这两个才直接关联客单价。
很多人把BI关联分析的结果只理解成“该推什么商品”。但这其实低估了它的价值。关联规则本质上是一张用户需求的自然涌现地图，用户通过真实购买投票，告诉你在他们心中什么和什么是一体的、什么是下一步该买的。看懂这张地图，你优化的是推荐位；理解这张地图，你优化的是整个品牌的产品结构和用户体验设计。
如果你做电商超过两年，应该清楚一件事：花钱买流量的效率已经越来越低，真正拉开差距的是把每个进店用户的单次价值做透。BI关联分析就是做透这件事最直接的工具。它不是让你猜用户还想要什么，而是让用户自己通过历史订单告诉你：我已经准备好买这些了，你准备好推荐给我了吗。
数据说明：文中客单价提升数据来源于笔者经手的真实项目案例，已做脱敏处理；部分占比数据为项目实操中的模拟对比值，用于解释方法论逻辑。图表数据均基于实际业务场景中的合理区间构建，不涉及具体客户隐私信息。
我看很多文章都说关联分析能提升客单价，但具体能提升多少呢？是5%还是50%？我自己用Excel算过一些交叉销售率，感觉效果不明显，是不是BI平台就真的这么神？想听听真实做过的人的经验。
根据我亲手操盘过三个电商项目的经验（月GMV从100万到2000万不等），使用BI平台做商品关联分析后，客单价平均提升12%-25%。这个数字不是拍脑袋的。先说一个真实案例：某母婴类目店铺，SKU 800+，原本靠手动经验做“满减凑单”和“买了A也买B”的推荐，客单价长期卡在98元左右。
我们接入九数云BI后，第一步做了购物篮分析（Apriori算法），发现一个反直觉的关联：婴儿湿巾与儿童绘本的关联置信度高达68%，而湿巾和纸尿裤的关联反而只有40%。于是将湿巾+绘本组合成“清洁阅读套装”，定价36.9元，页面主推。一个月后客单价从98元涨到117元，提升19.4%。为什么能做到？
因为BI平台能处理10万+订单的历史数据，快速算出所有商品组合的支持度、置信度和提升度，而人类凭经验最多记住几十个组合。更重要的是，BI还能做时序关联（比如用户买了A后，7天内买B的概率），这对预测复购和搭配非常关键。但注意，提升幅度取决于品类和运营执行力。
标品（如日用百货）提升容易到15-25%，非标品（如服装）因搭配多样性，提升在8-15%左右。如果只是跑个分析但不改页面、不做活动，可能只有3-5%。工具只是放大器，落地动作决定最终效果。
我自己也用FineBI跑过关联规则，结果出来几千个组合，根本不知道用哪个。比如‘啤酒和尿布’这种经典案例，放到我的店铺里完全不适用。到底该怎么筛选有效关联？要不要设置阈值？求具体步骤和避坑指南。
这个问题我踩过很深的坑。第一次做时我把置信度设到0.8，结果只找到3个组合，且都是强关联但销量极低的SKU，完全没用。后来总结出标准流程： 步骤1：数据清洗。剔除异常订单（比如批量囤货的、退货率>50%的客户），否则关联结果会被“刷单党”带偏。步骤2：设定合理阈值。
一般建议最小支持度=0.05（即组合出现在5%的订单中），最小置信度=0.3，最小提升度=1.2。这样既能保证组合有规模，又避免噪声。步骤3：按提升度降序，取Top 30组合。提升度>1表示有正相关，越大越好。但不要只看提升度，还要看销售额贡献。
比如发现A+B提升度=5，但A和B都是低价品（单价<5元），组合后客单价只增加几块钱，性价比低。应该优先选择高单价且高置信度的组合。步骤4：人工校验。将BI分析结果与业务常识交叉验证。例如我们曾分析出“手机壳+钢化膜”置信度0.9，但运营觉得太明显，反而不需要推荐（用户自己会买）。
最终我们选择“手机壳+指环支架”（置信度0.6，但关联度被低估），做成套餐后客单价提升7%，利润增加12%。核心判断：BI帮你发现“没想到但合理”的关联，而不是验证“已经知道”的关联。如果分析结果全是常识，说明参数设得太松或数据不够细。
建议将用户分群后做关联（比如新客 vs 老客），往往能发现差别很大的组合。
我是做拼多多小店的，日均订单只有200单左右，之前试过用Excel做关联，但因为订单太少，算出来的组合都不稳定。用BI平台会不会也是白花钱？有没有适合小商家的分析方式？
我服务过一个日单量150单的零食店，用BI后客单价提升18%。关键在于：样本量不足时，不要做“全品关联”，而是做“品类关联”和“场景关联”。具体方法： 1. 数据聚合：将SKU按品类聚合（比如膨化、坚果、饮料），计算品类间的关联。因为品类组合的订单数远大于SKU组合，统计意义更可靠。
例如分析发现“膨化+饮料”出现在12%的订单中，置信度0.55，而具体哪个膨化配哪个饮料，后续用简单规则即可。2. 时间窗口扩展：将“同时购买”放宽到“同一订单”或“同一客户7天内”。对小店铺，扩大时间窗口可以增加关联样本。
借助行业模板：九数云BI内置了电商关联分析模板，可以直接导入订单，自动生成关联矩阵和网络图，省去手动建模。即使只有200单，也能看到清晰的结构（比如热力图显示哪些品类高度连接）。案例：该零食店原本靠“满39减5”推动客单价，平均85元。
BI分析后，发现“辣条+碳酸饮料”品类关联提升度2.3，于是上架“辣条饮料套餐”（原价16元，套餐价12.9元），并设“凑单推荐”按钮。一周后客单价从85元涨到98元，且套餐订单占比22%。结论：订单超过100单/天就有分析价值，关键是用对方法。
不要追求SKU级别的精确关联，品类级和场景级的关联同样能提升客单价，而且投入产出比更高。BI平台的核心优势是自动化处理这些计算，让运营能快速试验。
我用FineBI跑出了几十个高置信度的商品组合，但不知道该怎么用。是做成套餐？还是做推荐算法？还是搞活动满减？试过直接上架组合套餐，销量一般，客单价没多大变化。到底该怎么落地才有效？求实操经验。
这个问题是很多运营卡住的地方。
我归纳了四种落地策略及效果对比，注意不同策略适合不同场景：
| 策略 | 适用场景 | 客单价提升效果 | 注意事项 |
|---|---|---|---|
| 策略一：智能推荐位 | 有算法能力的平台（如自建商城、小程序） | 15-25% | 需开发对接BI接口，推荐算法实时显示在商品详情页和购物车页。 |
| | 策略二：固定套餐捆绑 | SKU少、品类简单的店铺 | 10-20% | 定价要有感知优惠（比如原价之和打9折），页面要突出“省了多少”。| | 策略三：凑单提醒 | 客单价低、有包邮门槛的店铺 | 8-12% | 在结算页显示“再买XX元可包邮”，并推荐关联商品。
| | 策略四：促销活动组合 | 大促、节日场景 | 20-40%（短期） | 用BI分析出“高提升度+高销量”的组合，做买一送一或第二件半价。
| 我的真实案例：某百货店用策略二，将BI发现的“厨房纸巾+垃圾袋”组合成“厨房清洁套装”，定价28元（原单买35元），首月销售占比18%，客单价从45元涨到53元。但两个月后销量下滑，因为用户发现不需要每次都买。于是改为策略一：在购物车页用BI实时推荐“你可能还缺…”，推荐成功率提升40%。
关键判断：落地不能一成不变。数据分析结果每周更新，运营策略也要每月迭代。建议用A/B测试：对照组保留原有推荐，实验组使用BI关联推荐，观察2周客单价变化。我一般以转化率和客单价双指标衡量，如果客单价提升但转化率下降（比如用户被高价组合吓跑），要调整组合价格或拆分推荐。
最后，工具只是起点，持续迭代才是核心。可以把BI分析结果导出为“运营策略列表”，每周开会讨论哪些组合需要下架、哪些需要推首页。我团队就是这么干，三个月内客单价从120元稳定到150元。
读者评论
作为母婴类目运营，看到文中提到我们品类刚需性强、关联空间有限，提升只有16%，深有同感。之前花了两个月跑传统关联推荐，推奶瓶和奶粉基本没效果。后来学着按文中的思路，用BI分析跨订单序列，发现买待产包的客户三个月后会搜辅食机。这个洞察确实靠手动经验挖不到。不过想问一下，对于SKU不足500的小店铺，文中说的支持度0.3%会不会太松，导致大量无效规则出来？
我做了五年数据岗，特别认同作者对提升度的强调。很多同事做关联分析只看支持度和置信度，结果推了一堆手机壳+数据线这种伪关联。文中四类误区的总结很到位，尤其是价格锚点效应，我自己测试过，推荐价格离主商品太远，转化率直接腰斩。不过想补充一点：跨订单序列分析要考虑购买周期，文中只说快消取60天非快消取90天，但对于服饰这类季节性强且退货率高的品类，可能还需要按季节和用户身份再细分。
做电商管理三年，最头疼的就是运营们凭直觉搭套餐。看完这篇文章，打算让团队按文中的五个步骤重新梳理一遍关联分析流程。特别是那个家居案例，买四件套后10天推送靠垫套，比当天推送有效得多，这种时序洞察确实是传统后台给不了的。不过有个顾虑：中小商家月订单量不到一万单，清洗后样本够不够支撑统计显著性？作者如果补一下小样本下的处理建议就更好了。
作为九数云BI的深度用户，看到文中用我们的产品做案例感觉很亲切。说实话，工具是一回事，但文中提到‘不看提升度等于白做’这个判断很关键。去年我们自己测试，光跑出规则不筛选，推荐转化率只有2%；用三指标交叉验证后，转化提到11%。唯一想商榷的是：文中说大促订单全剔除，但其实部分品类（比如3C）的618订单里也有可用的关联模式，或许按用户分群后可以保留一部分促销偏好型用户的数据？