营业额分析关联销售 关联搭配消费拉高整体营业额
2023 年，我带一家 120 家门店的连锁女装品牌做营业额复盘，发现一个扎心的事实：他们连续半年要求导购“每单必须推搭配”，连带率始终在 1.3 上下浮动。而同一时间，另一家规模相近的品牌，没有搞话术压单，只是把商品组合从“品类逻辑”改成“场景数据逻辑”，三周就把连带率做到 1.9。
差别不在销售技巧，而在营业额分析有没有深入到“哪些商品会一起被买走”这一层。关联搭配消费要真正拉高整体营业额，靠的不是导购多问一句“要不要顺便带一件”，而是把小票明细变成组合证据，再让数据指导选品、陈列和推荐。本文会把我服务过的案例、可复制的计算公式、以及一套可以直接落地执行的行动清单，一次讲透。
营业额增长有三条常规路径：增加客流、提高转化率、抬高单客价值。前两条路在今天的成本都偏高：线上流量越来越贵，线下租金和人工费用也在涨。关联搭配消费走的是第三条路：让同一个顾客在同一笔订单里买得更匹配、更完整。它的效果不是一次性的，而是持续改变每张订单的平均金额，从而把整体营业额结构性地拉高。
营业额＝客流 × 转化率 × 客单价。客单价又可以进一步拆成：件单价 × 连带率。
这个拆法很关键。关联搭配消费能同时动两个变量：连带率上升，顾客从买一件变成买两件；件单价也有可能被抬高，因为第二件往往是有明确价值感的搭配品，而不是随便凑单。管理者如果只盯营业额总额，就永远看不清楚增长到底来自“卖得贵了”还是“卖得多了”。
我在项目里最常做的一件事，就是把客户最近 12 周的营业额曲线和连带率曲线叠在一起看。只要连带率曲线开始爬升，营业额曲线大概率也会跟上，只是滞后一到两周。这个相关性，在不同零售业态里反复出现。
下面这张对比图，来自我整理过的多个零售项目示意数据。它展示了同一类客群在“无搭配策略”和“有搭配策略”两种状态下的差异。
注意最后一行“组合订单占比”。这个指标在常规营业额分析里很容易被忽略。它衡量的是：多少订单里出现了我们预先定义的搭配组合。只看客单价和连带率，只能知道结果；组合订单占比能告诉你，改变到底是不是由“关联销售”这个动作带来的。
据九数云产品白皮书援引的调研数据，我国中小企业数量已超过 3000 万家，平均生命周期只有 2.5 年；大量企业已经完成订单电子化，但数字部门不完善，业务人员 Excel 能力弱，财务人员又不懂业务，数据分析和业务判断长期是两张皮。
这直接解释了为什么很多门店做了关联推荐却没有效果：经验型推荐依赖个人发挥，而数据型关联逻辑是客观规律。规律一旦被验证，就可以复制到所有门店；话术再漂亮，换一个导购就归零。所以我的核心判断是：关联搭配消费能不能拉高营业额，取决于企业有没有把它当成一个可分析、可运营、可复盘的经营工程来对待。
在讲方法之前，先看清我们站的地面。绝大多数零售企业并不缺数据，缺的是把数据变成经营动作的中间环节。
支付宝、微信支付、智能收银机已经非常普及，订单数据早就电子化了。但电子化不等于可分析。我在项目里经常遇到的情况是：POS 系统能打报表，导不出小票明细；会员系统和销售系统分开；商品编码前后不一致。这些看起来是技术问题，实际上是关联销售的第一道门槛。
下面这张图，是我就近两年接触的零售项目整理出的示意数据，不是严格的行业统计，但足够反映普遍状态。
销售系统里有订单，会员系统里有顾客信息，库存系统里有商品资料。理论上，把三个系统连起来就能知道“谁在什么时间买了什么组合”，但现实是它们大多各管各的。
我印象深刻的一次：和一品牌商品部开会，运营总监信誓旦旦地说“我们的深色西裤经常和浅色衬衫一起卖”。我问他要一张同现表，他愣了几秒，随后承认系统里根本查不到。最后我们翻了三个月的原始小票，人工统计出来，同现率确实高。这个结论本来应该由系统自动回答。
顾客可能说不清自己想要什么，但他的订单会说实话。任何一张小票上同时出现的商品，都代表一次真实的关联需求。单个顾客的购买有偶然性，但成千上万张订单聚合在一起，规律就会浮现。
一家月销 2000 单的门店，一年就是 2.4 万个购物篮样本。如果有 10 家店，就是 24 万个样本。这已经足够跑出可靠的关联分析。问题从来不是样本不够，而是这些样本一直躺在系统里，没人去开采。
我服务过的客户里，真正完全没做关联销售的企业很少。大多数都试过，只是无效。归纳下来，问题几乎都出在四个误区里。
很多管理者一提到关联销售，第一反应就是培训导购：“您要不要配一条裤子？”“这款外套搭我们新到的围巾很好看。”
话术培训有价值，但它依赖人的状态。同一个导购，月初状态好和月底疲劳时，成单率能差一倍。话术可以复制，状态很难复制。更致命的是，如果话术推荐的组合本身就不是顾客想要的，再好的话术也在硬推，顾客只会觉得烦。
商品能不能搭配，是商品视角；顾客会不会一起买，是行为视角。很多品牌选搭配组合时，只看商品目录：衬衫配西裤、外套配打底衫、鞋配包。这在逻辑上成立，但错过了真正的生意机会。
我用一个实际分析例子来说明。某女装品牌一个月 1000 张小票，衬衫出现在 200 单里，西裤出现在 300 单里。如果两者完全无关，随机同时出现的期望订单数是 200×300÷1000＝60 单。实际同现是 120 单。这说明衬衫和西裤存在强关联；但衬衫和休闲裤，期望同现是 130 单，实际只有 92 单，说明需求存在，却没被满足，问题出在陈列、导购推荐、或者商品组合上。
做得粗放的企业，复盘只能看到“这个月营业额涨了 8%”。但 8% 到底来自哪里？是客流涨了，还是客单价涨了？如果是客单价涨了，是因为卖贵了，还是因为卖多了？
我说过一句经常让客户不舒服的话：如果一个店的营业额涨跌，你只能用一个总数来解释，那你其实不具备复盘能力。关联搭配消费的效果，必须通过连带率、组合订单占比、组合类目的销售额占比来跟踪。只有看到结构，才能复制成功的组合、砍掉无效的组合。
我见过最可惜的案例是：某品牌选了几十个搭配组合，辛辛苦苦做了销售奖励，三个月后却没有任何数据记录，不知道哪些组合被顾客接受了，哪些无人问津。最后只能凭店长感觉决定去留。
做关联销售的最小闭环是：选组合 → 测试两周 → 记录命中率和营业额贡献 → 保留好的、调整差的。两周是一个足够短的迭代周期，一个月可以迭代两轮。没有闭环，就没有积累；没有积累，关联销售永远停留在“碰运气”。
这一节是全文的方法论核心。我会用零售数据分析里最成熟的购物篮分析框架，讲清楚怎么从订单明细中找出可靠的关联组合。
购物篮分析有三个核心指标，每一个回答不同的问题。
以前面衬衫和西裤的例子来算：衬衫出现 200 单，西裤出现 300 单，同现 120 单，总单数 1000。
支持度＝120÷1000＝12%；置信度＝120÷200＝60%；西裤在全部订单中的占比是 300÷1000＝30%；提升度＝60%÷30%＝2.0。这是一个货真价实的强关联组合。
反过来，如果同现只有 60 单，置信度是 30%，提升度就是 1.0。说明衬衫和西裤虽然都在卖，但顾客并没有把她们放到一起，强制推荐就是反人性。
关联分析不需要复杂的数据中台，只需要一张订单明细表，包含以下字段：订单号、商品编码、商品名称、商品类目、数量、实付金额、门店编码、订单时间。
如果商品编码不统一，先做一步清洗：把同一商品的不同叫法归一。这个步骤很枯燥，却是整个分析的地基。
拿到明细后，用一段 SQL 就可以直接跑出两两同现的订单数：
SELECT a.order_id, a.product_name AS product_a, b.product_name AS product_b, COUNT(*) AS co_occurrence FROM order_detail a JOIN order_detail b ON a.order_id = b.order_id AND a.product_name < b.product_name GROUP BY a.product_name, b.product_name ORDER BY co_occurrence DESC;
如果你没有数据团队或者 SQL 能力弱，也可以用 Excel 透视表：把订单号作为行，商品名称作为列，单元格填数量，生成“订单 × 商品”的矩阵，再用多次筛选统计两两同现。样本不多时，这个方法完全够用。
数学指标能筛掉大量无效组合，但要选出真正值得上架的组合，还需要业务判断。我习惯用三把尺子。
我习惯把候选组合放在“提升度，支持度”二维坐标系里评估。提升度衡量关联强度，支持度衡量覆盖广度。两个都高，是明星组合；提升度高但支持度低，是潜力组合；提升度低但支持度高，是随机畅销组合；两个都低，直接放弃。
方法讲完，落回真实场景。下面两个案例来自我参与过的项目，数据在客户授权下做了脱敏处理，但业务过程是真实的。
这家品牌有 120 家门店。改造前，商品部按照品类逻辑做搭配：上衣配裤子、外套配内搭，并统一培训了推荐话术。三个月跑下来，连带率只有 1.3，总营业额也没有明显变化。
我们介入后做的第一件事，是把过去三个月所有订单导出来，按商品编码清洗，跑出同现矩阵。结果发现，销量第一的关联组合不是“黑色上衣 + 黑色西裤”，而是“白色衬衫 + 卡其色九分裤 + 同色系腰带”。原因很朴素：这套组合对应的典型场景是通勤，顾客早上赶时间，能直接抄走一套完整搭配，比单买一件再自己搭省心得多。
我们据此做了三个调整：把所有门店模特改成场景化成套展示；商品价格牌上增加“整套购买立减 20 元”；导购话术从“要不要配一条裤子”改成“您是通勤穿还是休闲穿，我帮您配一套”。
四周后，连带率从 1.3 升到 1.9，组合命中率从 9% 升到 31%，客单价从 198 元升到 248 元。这个变化不是靠压单，而是靠把正确的组合放在顾客眼前。
服装业态客单价高、购买低频，关联销售见效通常需要一个月以上。便利店则是完全相反的样本：客单价低、购买高频，组合策略见效很快。
这家区域便利店有 30 家门店，主要做写字楼和社区生意。早餐时段客单价长期在 8 元左右。我们拉出两个月的早高峰订单，发现一个有意思的现象：豆浆和包子的同现高于随机水平，但咖啡和包子的同现远远低于预期。原因不是白领不喝咖啡，而是咖啡单价高，叠加之后总价超过 10 元，超出了早餐的心理价位。
我们把早餐组合按价位设计成两档：包子+豆浆＝6 元，比分开买便宜 1.5 元；包子+小杯美式＝8.5 元，比分开买便宜 2 元。同时把咖啡机挪到包子蒸柜旁边，缩短决策路径。两个月后，早餐时段客单价从 8.2 元升到 11.6 元，组合订单占比从 14% 升到 27%。
做过多次购物篮分析之后，我有一个反复出现的观察：全量商品两两组合的数量很大，但真正提升度大于 1.5、支持度又有实际规模的组合，通常只占全部可能组合的 5% 到 8%。
这意味着两件事。第一，不要试图把几十个组合同时推向门店；资源要集中在少量高置信度组合上。第二，绝大多数“直觉上应该好卖”的组合，在数据面前可能根本不成立。这也是我认为关联销售必须用数据验证的根本原因。
企业规模不同，数据基础不同，起步方式也应该不同。下面按三种典型情况给出路径。
如果你只有一家店，不需要上系统，Excel 就够了。我的建议是走完以下五步。
单店模式的优势是灵活，劣势是样本少。如果一个月只有几百张小票，建议累积两个月数据再下结论，避免被个别大单干扰。
连锁品牌要解决的不是“找到组合”，而是“让所有门店执行同一个组合逻辑”。否则每个店长凭个人经验推荐，效果方差极大。
标准化的过程可以分为四步：统一 SKU 编码；总部定期跑同现矩阵；把筛选出的组合打包成“组合库”下发；门店拿到标准化陈列指引和推荐话术，并按要求回传每日执行数据。
投入成本会明显高于单店模式，但回报也更大：组合库一旦形成，新店长只要照着执行，就能达到中上游门店的水平。下面这张图对比了三种规模的投入和回报。
如果企业已经搭建了基础数据能力，比如在使用九数云这类数据分析平台，就不需要每月手工跑一遍同现矩阵。白皮书里提到的“分析 & 回填”功能，是把分析结果自动回填到业务系统里，形成数据中枢：每天自动更新同现数据，每周生成“新上升组合”列表并推送到门店群。
这个阶段追求的不是“能不能跑出组合”，而是“组合更新是否够快”。季节变化、新品上市、促销活动都会快速改变商品关联关系。每周更新一次组合库，比每季度更新一次更贴近消费行为。
关联搭配消费并没有一套放之四海而皆准的组合公式。不同业态的消费频率、客单价、决策链路差异很大。下面的表格是我常用的参考框架。
| 业态 | 推荐搭配维度 | 核心跟踪指标 | 见效周期 |
|---|---|---|---|
| 服装零售 | 场景 + 价格梯度 | 连带率、组合命中率 | 4-6 周 |
| 便利店/商超 | 高频刚需 + 毛利补充 | 关联购买率、时段客单价 | 2-4 周 |
| 餐饮 | 套餐结构 + 菜品毛利 | 套餐占比、客单价 | 3-6 周 |
| 线上电商 | 详情页搭配模块 + 价格带 | 客单价、组合加购率 | 1-2 周（需 A/B 测试） |
| B2B/批发 | 项目场景 + 产品线互补 | 订单金额、交叉渗透率 | 6-10 周 |
关联销售不是做得越多越好。资源有限，每个动作都有机会成本。下面四个取舍，是我在多个项目里反复遇到的真实权衡。
组合数量越多，每个组合能分到的陈列位、注意力、库存资金就越少。我曾见过一个品牌把组合数从 12 组扩张到 45 组，结果组合命中率从 31% 掉到 16%，库存周转天数从 48 天拉长到 72 天。顾客面对太多搭配选择时，反而不知道选什么。
取舍原则：先用 5-10 个高置信组合跑通流程，再按两周一个周期逐步扩容。组合库的扩张速度，应该和门店的执行能力、数据复盘能力匹配。
很多人做关联销售只看客单价，这是危险的。组合定价如果过度使用折扣，客单价虽然上去了，毛利可能反而变薄。更麻烦的是，为了凑成一个“高价组合”，硬塞进一件顾客不需要的商品，会让顾客有被捆绑销售的感觉，影响复购。
我给自己定过一条纪律：组合装的毛利率不应低于单品毛利率 5 个百分点以上。如果跌破这条线，这个组合本质上是在用毛利换流水，不可持续。同时要关注 30 天复购率：搭配是否让顾客满意，复购率会给出最诚实的回答。
“买一件加 20 元换购第二件”这类打法，能快速冲高营业额，但伤害的是品牌的价格体系。顾客会形成一个预期：这家店的东西不急着买，反正会有活动。
我更推荐的做法是：用组合解决顾客的场景问题，而不是用低价制造购买冲动。场景式组合让顾客觉得“这套方案很懂我”，他们才会为方案本身支付溢价，并在下一次需要同样方案时自然回流。
单店阶段，一个好店长的经验判断可能比系统更高效：他认识熟客，知道每个人的偏好。但企业超过五家门店之后，人的经验无法快速复制，系统不是可选项，而是必选项。
我的建议是：先用 Excel 把这些分析跑通，让数据结论验证店长的直觉；当发现手工模式已经拖累更新频率时，再考虑引入更重的分析工具。先手工后自动化，先小范围后规模化。强行一步到位上系统，很容易变成昂贵的数据花瓶。
做了这么多年营业额分析，我最大的感受是：顾客买的从来不是一件商品，而是一个“问题被解决”的方案。关联搭配消费能拉高整体营业额，是因为它把单点卖货升级成了方案式售卖：顾客走进来，不是买一件衬衫，而是买一套明天上班可以穿出去的通勤方案。营业额分析要做的事，就是把藏在收银小票里的这种方案意愿挖掘出来，然后让合适的人、在合适的时机、以合适的方式递到顾客面前。
如果你现在正被“营业额上不去、不知道怎么拉高”困扰，我的建议是从一张订单明细表开始，不走捷径。
这个世界没有万能公式，但有一条底层规律是通用的：如果你想拉高整体营业额，就要先搞清楚顾客愿意为什么样的“组合方案”买单。数据不会直接给你营业额，但它会告诉你每一步该往哪里走。
最后留一个问题给你：你现在能把自己的小票明细导出来吗？如果答案是不能，那这就是你第一个要解决的瓶颈。
我们门店做了小半年的关联推荐和搭配陈列，月营业额确实比去年同期涨了，但同期的客流量也在涨，我一直不确定这个增长到底是不是关联销售的功劳。连带率、客单价这些指标我每个月都在看，可是单个指标看不明白，连带率上去了客单价没动，这算有效吗？想请教一套能真正验证关联销售效果的分析方法。
先给公式，再看怎么用。连带率 = 成交总件数 ÷ 成交单数（也称客单件）；客单价 = 营业额 ÷ 成交单数。判断关联销售有没有效，我的经验是：永远不要只看其中一个。我踩过的坑是只盯连带率。
2022 年我给一家女装店做营业额分析，导购拼命推搭配，连带率从 1.4 拉到了 2.0，月底一算营业额只涨了 3%。原因很简单：顾客多买的那一件是 39 元的袜子、59 元的发圈，件单价被拉低了，连带率上去了，客单价却没怎么动。所以正确做法是把四个指标放在一起看：连带率、件单价、客单价、退货率。
只有当连带率提升的同时客单价同步提升，才说明新增的那一单是“有价值的关联”；如果件单价明显下滑，说明导购在靠低价小件凑数。
场景连带率件单价客单价判断 A上升持平上升有效关联 B上升下降持平凑数式关联，无效 C持平上升上升主推款涨价导致，非关联贡献 D上升下降下降负效应，要立即叫停 第二个关键动作是隔离变量。关联销售不是店里唯一在变的因素，活动、客流、季节都会影响营业额。
我常用的办法是设对照：要么选两个同体量门店，一家做关联动作、一家不做；要么拿去年同期的 2 到 4 周做基准，而不是跟上一个月的环比比。最后补充我的判断标准：一个关联动作是否有效，我至少观察 2 到 4 周，不看单日数据。
连续两周关联购买率（同时购买 A 和 B 的订单占比）站稳在原来的 1.3 倍以上，我才判定这个组合真的成立。没有这个验证过程，所谓“营业额涨了”，很可能只是流量和活动的功劳。
我在店里做了模特成套展示，也培训了导购说“这件配那条裤子好看”，可一个月下来连带率还是 1.3，营业额也没明显变化。我看同行做搭配销售都有效果，怎么到我们这儿就不灵了？想知道该从哪些环节系统排查，而不是今天改陈列、明天换话术地瞎试。
先给结论：关联推荐没效果，九成不是导购不够努力，而是“组合逻辑、推荐时机、价格锚点、视觉呈现”这四个环节里至少有一个出了问题。下面是我惯用的排查顺序。第一，排查组合逻辑。最常见的错误是“按品类相近来搭”，而不是“按使用场景来搭”。
我给一家运动品牌做诊断时发现，他们把跑鞋和运动袜捆绑推荐，结果顾客根本不买账，因为买跑鞋的人家里通常已经有运动袜，这个组合没有创造新需求。后来改成“跑鞋 + 运动水壶 + 腰包”的 10 公里路跑场景组合，连带率一个月内从 1.2 升到 1.7。第二，排查推荐时机。
顾客还没决定买主件，导购就开始推搭配，只会增加决策负担。我观察过真实的成交过程：顾客从试衣间出来、对着镜子确认“这件可以”之后，才是推搭配的窗口；在那之前推，被打断的概率极高。第三，排查价格锚点。搭配品的价格如果超过主件价格的 50%，顾客的心理门槛会急剧上升。
一件 800 元的西装，配一条 499 元的领带，很多人会觉得太贵；同样这条领带放在 2000 元西装后面，接受度就高很多。这不是玄学，是锚定效应。第四，排查视觉呈现。如果只在话术上推荐、在陈列和详情页上看不到搭配效果，顾客很难想象上身效果和使用效果。
线下模特上身、线上场景图，都属于“先让顾客看见，再等顾客开口问”。排查方法也很简单：连续四周，每周选一天在收银台问顾客“今天有没有因为店员推荐而多买一件”，把回答记下来。如果四周里提到“店员推荐”的顾客寥寥无几，问题基本出在话术和时机；
如果顾客说“看了搭配觉得好看才买的”，说明视觉呈现有效，问题可能出在价格或组合上。用这个办法，两周内就能定位到具体环节。
经常看到文章提购物篮分析、关联规则算法，但我只是个开小连锁的，没有数据团队也没有分析师，Excel 能做的程度到底到哪？怎么从每天的订单明细里找出顾客真正会一起买的东西，而不是靠店长拍脑袋？希望能有一套用 Excel 就能跑起来的方法。
购物篮分析听着高大上，但落到中小商家，我觉得有三板斧就够用：关联购买率、提升度、以及“高频组合挖掘”。不需要 SQL，不需要 Python，Excel 数据透视表就能跑通。第一步，导出一份至少 8 周的订单明细，字段有订单号、商品名、数量、金额就行，越干净越好。
第二步，用数据透视表把每个订单购买的商品列出来，重点看两两组合的出现频次。第三步，算两个数。关联购买率 = 同时购买了 A 和 B 的订单数 ÷ 购买了 A 的订单数。这个数代表“买了 A 的人里，有多少人也会买 B”。
我一般以 15% 为分水岭：超过 15% 的组合值得长期做，低于 8% 的组合基本可以放弃。提升度 = 同时买 A 和 B 的订单占比 ÷（买 A 的订单占比 × 买 B 的订单占比）。提升度大于 1，说明 A 和 B 确实存在正向关联；小于 1，说明这两个商品反而互相排斥。
组合买 A 的订单数同时买 A、B 的订单数关联购买率提升度结论 咖啡-面包1200726%2.4强正向关联，值得深耕 咖啡-薯片1200484%0.7负向关联，不推荐组合 我拿一家便利店的真实数据举个例子。按订单笔数算，买咖啡的人里只有 6% 会同时买面包，表面看起来很低；
但算提升度后，咖啡和面包的提升度是 2.4，说明咖啡顾客买面包的意愿是普通顾客的 2.4 倍。这就说明“咖啡 + 面包”是个值得深耕的组合，只是需要把它放到更显眼的陈列位置去转化，而不是直接放弃。最后给一条经验：别一上来就做三商品组合。
三商品组合在中小商家的数据里样本量往往不够，算出来忽高忽低，容易误导决策。先把两两组合跑通，稳定后再往三商品延伸，这样每一步都有数据支撑。
我之前做过满 299 减 50，营业额上去了利润反而降了；后来改成搭配套餐，顾客又不怎么买账。想问搭配销售的定价到底该怎么定？搭配省的钱和单品打折在顾客心里有什么区别？怎么设计才能让顾客觉得占到了便宜，我们也真的赚钱？
一句话先点破：关联搭配的定价目标不是“多卖”，而是“在不降低毛利的前提下把客单价做上去”。所以设计价格之前，先算清楚每个单品和每个组合的毛利，而不是只看营业额。我的定价经验有三条。第一，搭配品要守住“次价格带”。
搭配品的价格通常设为主件的 20% 到 40%，既能被感知为“实惠”，又不至于让人觉得是小恩小惠。比如一件 299 元的连衣裙，配 69 到 99 元的打底衫或腰带，是大多数顾客没有心理负担的区间；一旦超过 149 元，购买意愿会明显下降。第二，“搭配省 XX 元”比折扣更值钱。
同样的让利，写成“单买 368，搭配购买 328，省 40 元”比“9 折”的转化率高得多，因为顾客感知到的是明确省下了 40 元，而不是一个模糊的折扣。但要注意：搭配后的价格必须保证两个商品的合计毛利不低于各自单卖毛利的 90%，否则这单买卖就是在为营业额打工。
第三，把“低毛利引流款”和“高毛利利润款”捆在一起。我做过一家咖啡店的试验：拿铁（毛利 70%）+ 可颂（毛利 65%）组成“早餐组合”，定价比单点便宜 6 元。结果一个月内早餐时段客单价从 22 元涨到 31 元，组合订单占总订单的 34%，而整体毛利只下降了 2 个百分点。
核心原因是两者毛利都足够高，让利空间来自引流，利润靠多卖一件拉回来。最后，一定要盯住“客单毛利”这个数，而不是客单价。客单价涨了但毛利没涨，等于白忙。我每两周复盘一次：组合订单的客单毛利达到店铺平均客单毛利的 1.1 倍以上，才算健康的搭配方案；低于这个值，就回去调整价格带，或者换掉搭配品。
记住：关联搭配消费的本质，是用一个顾客已经接受的决策，带动第二个高毛利决策，而不是靠让利换营业额。
读者评论
作为门店运营，我们之前也总让导购多推搭配，但连带率一直上不去。这篇文章点醒了我：问题不在话术，而在数据。把订单明细拿出来分析同现组合，比凭经验硬推靠谱得多，准备先尝试购物篮分析。
文章把购物篮分析讲得很清晰，支持度、置信度、提升度是常用方法。但实际落地时，数据质量往往是最大的坑，比如文中提到的系统不互通、商品编码混乱，确实是很多零售企业的真实痛点。建议先补数据基础。
关联销售不能光看统计提升度，还要注意顾客体验和场景合理性。有些组合可能数据上关联高，但硬推会让顾客反感。文章强调“顾客会不会一起买”很对，但我觉得还要结合陈列、季节等因素，否则分析结果难以落地。