网上书店关联销售
应用背景： 网上书店现在有了很强的市场和比较固定的大量的客户。为了促进网上书店的销售量的增长，各网上书店采取了各种方式，给客户提供更多更丰富的书籍，提供更优质服务，等方式吸引更多的读者。但是这样还不足够，给众多网上书店的商家们提供一种非常好的促进销售量增长，吸引读者的方法，就是关联销售分析。这种方法就是给客户提供其他的相关书籍，也就是在客户购买了一种书籍之后，推荐给客户其他的相关的书籍。这种措施的运用给他们带来了可观的效益。
这里介绍的关联销售并不是，根据网上书店的销售记录进行的比例统计，也区别于简单的概率分析统计，是用的关联规则算法。“啤酒和尿布”的故事足以证明了该算法的强大功能和产生的震撼效果。
那么，怎么来实现这样一个效果呢？
解决步骤：
首先，通过数据源，也就是销售记录。这里做数据挖掘模型，要用到两张表，一张表是会员，用会员ID 号来代替；另一张表是那个会员买了什么书。应用SQL Server 2005的Data Mining工具，建立数据挖掘模型。
具体步骤如下：
第一步：定义数据源。选取的为网上书店的销售记录数据源（最主要的是User 表和Sales 表）。
第二步：定义数据源视图。在此建立好数据挖掘中事例表和嵌套表，并定义两者之间的关系，定义User 为事例表（Case Table），Sales 为嵌套表（Nested Table）。 第三步：选取Microsoft Association Rules（关联规则）算法，建立挖掘模型。 第四步：设置算法参数，部署挖掘模型。
第五步、浏览察看挖掘模型。对于关联规则算法来说，三个查看的选项卡。
A ：项集：“项集”选项卡显示被模型识别为经常发现一起出现的项集的列表。在这里指的是经过关联规则算法处理后，发现关联在一起的书籍的集合。
B ：规则：“规则”选项卡显示关联算法发现的规则。“规则”选项卡包含一个具有以下列的网格：“概率”、“重要性”和“规则”。概率说明出现规则结果的可能性。重要性用于度量规则的用途。尽管规则出现的概率可能很高，但规则自身的用途可能并不重要。重要性列就是说明这一情况的。例如，如果每个项集都包含属性的某个特定状态，那么，即使概率非常高，预测状态的规则也并不重要。重要性越高，规则越重要。
C ：关联网络：节点间的箭头代表项之间有关联。箭头的方向表示按照算法发现的规则确定的项之间的关联。
效果展示： 1、可以看到在图中，绿色的是选择的节点，橙色的是可以预测所选节点的节点，也就是说如果消费者买了《月光宝盒（2VCD ）》的话，那么就可以给该消费者推荐《乱世佳人（上集，2VCD ）》。紫色的是和所选节点能够双向预测的，即买了《大圣娶亲》，推荐《乱世佳人（上集，2VCD ）》；同样，买了《乱世佳人（上集，2VCD ）》，推荐《大圣娶亲》。这样我们就很容易看到经过关联算法计算出来的书籍之间的关联性。
2、也可以通过写DMX 语句来实现预测查询。
SELECT PredictAssociation([User].[Sales],include_statistics,10)
From [User]
NATURAL PREDICTION JOIN
(SELECT (SELECT '月光宝盒(2VCD)' AS [Book Name]) AS [Sales]) AS t 结语：
今天，网上书店已经进入了一个比较稳定的发展期，吸引了越来越多的客户，特别是青年群体。数据挖掘在其商品销售、提高客户价值、发现客户等方面提供了技术支持，逐渐得到广泛的应用。
网上书店应该对检索失败的数据进行分析，按类进行统计，有针对性地补充和丰富书目信息。同时，收集站点在线调查、留言本和推荐书目等的数据，整理分析，使之转化成为标准的结构化数据，利用数据挖掘的方法发现客户感兴趣的模式，甚至可以预测客户群体兴趣的变迁，提前做好书目的增加及完善工作。