由于输出的关联规则可能涉及到客户隐私，在这里仅做一个示例。下表中的前项(antecedent)为用户的所在地，后项(consequent)为最高的活动敏感度， 结果如下：

　　可见上以及江浙地区对于促销活动的敏感度和参与度是最高的，增益均高于两倍，开奖，而上海则是达到了3.3倍之多。

　　第二个例子

　　另一个例子是颜色的关联规则，下表展示了用户对于不同颜色的产品以及SKU之间的偏好特征，可见某些用户是有较强的颜色偏向的，比如金色和银色之间，咖啡色和绿色之间等等。

　　如果运用到商业实践，因为在买过紫色和杏色的用户中，接下来会比较会买金色;把这些数据给到地面团队或者线上团队，这时候推荐颜色以及配货就比较轻松一些。

　　值得注意的是，做关联分析时要确保前后项以及的独立性(independence)。由于在提取特征时有些维度本身就是从相同或相关的字段提取出来的，比如用户的星座以及出生月份，如果不做控制的话就会得出“11月出生的天蝎座特别多”这样让人啼笑皆非的规则。

　　4. RFM Model

　　RFM模型是用户价值研究中的经典模型，基于近度(Recency)，频度(Frequency)和额度(Monetory)这3个指标对用户进行聚类, 找出具有潜在价值的用户, 从而辅助商业决策，提高营销效率。如果对RFM模型的细节感兴趣可以参见Wikipedia中有关RFM模型的页面。

　　RFM建模所需要的数据源是相对简单的，只用到了购买记录中的时间和金额这两个字段。我们基于交易数据中用户的最后一次的购买时间，购买的次数以和频率，以及平均/总消费额对每个用户计算了三个维度的标准分。

　　然后我们对于三个维度赋予了不同的权重，再基于加权后的分值应用K-Means进行聚类，根据每种人群三个维度与平均值之间的高低关系，确定哪些是需要保持用户，哪些是需要挽留的用户，哪些是需要发展的用户等。

　　在将这些客户圈出之后，便可以对不同客户群使用不同针对性地营销策略(引导，唤醒等)，提高复购率与转化率。

　　值得注意的是，三个维度的权重制定并没有统一的标准，比较通用的方法是用层次分析法(AHP)，再结合行业以及具体公司的特点进行优化。

　　图8是通过RFM模型进行用户聚类后的结果，可以清楚看到几个人群用户的数量以及比例。同时这些分群也会作为标签重新输入至用户画像以及CRM当中，作为圈定特定用户群以及营销的入口。

　　图9展示了用户群之间在各个维度上的分布。消费，金额，频率这些模型直接相关的标签上自然有非常显著的差异，同时在一些垂直(orthogonal)的特征维度上也有很大的不同。

　　5. 用户体系

　　最后，对消费品公司而言，所有在数据挖掘和用户画像方面的投入，根本目的还是要提升业务表现，所以如何将数据挖掘的结果进行落地就变成了尤为关键的一环。对于用户画像所输出的所有标签和关联规则，都需要通过某种渠道抵达用户群。

　　这种渠道可以是一个强大的CRM系统，可以通过不同的标签圈定用户群，定向发布营销方案;也可以是一个会员客户端，推送个性化的打折券或新品推荐;甚至是自营电商，实现像天猫京东一样的数据自生产和自消费的循环。

　　而如何构建这种渠道，同时如何与现有的会员卡体系打通，如何高效地设计和使用积分系统，在这里先卖个关子，我们会在稍后的时间里和大家分享。