Method
方法与假设
这一页把公式写清楚、把假设标出来。看不懂的地方是我没写好，不是你的问题。
一、组合发现：关联规则
从订单里找「经常一起买」的商品组合。三个指标：
支持度 supp(A∪B) = 同时含 A、B 的订单数 / 总订单数 置信度 conf(A→B) = supp(A∪B) / supp(A) 买了 A 的人里多少也买了 B 提升度 lift(A→B) = conf(A→B) / supp(B) 这个概率是随机水平的几倍
lift = 1 是纯巧合；lift 越大，「一起买」越不是偶然。lift 对 A、B 对称，所以一个组合只算一次； 置信度不对称，页面上展示的是置信度更高的那个方向（「买了 A 的人更可能买 B」比反过来更有用）。
实现是标准 Apriori：先找频繁单品，再两两组合，再三三组合，每层用支持度剪枝。 数据量只有几千单、几十个 SKU，不需要更快的算法。代码在 lib/rules.js， 有 21 条手算断言（scripts/test-rules.mjs）。
排序不是纯按 lift。用 lift × log(1 + 命中订单数)。原因：支持度低的组合容易刷出虚高 lift —— 40 单里出现 30 次共现和 400 单里出现 300 次共现，lift 一样，可信度差十倍。
二、收益估算：套餐推出去会怎样
口径只在「组合涉及的这几件商品」上比较。一个人采纳套餐，变化的只是这几件的花费，整单其余的菜照点。
匹配订单 = 含组合中至少一件商品的订单（套餐能推给谁） partialSpend = 匹配订单原本在这几件上的平均花费 套餐价 = 组合原价 × (1 − 折扣率) Δ客单/单 = 采纳率 × (套餐价 − partialSpend) 原毛利 = partialSpend × (1 − 成本率) 套餐毛利 = 套餐价 − 原价 × 成本率 Δ毛利/单 = 采纳率 × (套餐毛利 − 原毛利)
三档采纳率（保守 5% / 中性 12% / 乐观 25%）给的是区间，不是点估计。这三个数是经验估计，没有数据支撑， 详见 docs/ASSUMPTIONS.md。
第一版把基线用成了整单客单价（含套餐外的菜），结果 50 个组合 49 个算成「亏」。 不是假设太保守，是量纲错了。修正后只剩 1 个不可行，而且它是对的。
三、盈亏平衡：至少多少人接才不亏
h = 命中率：匹配订单里本来就买齐全套的比例（这些人吃折扣不产生增量） d = 每单让利 = 原价 × 折扣率 g = 每单增量毛利 = 套餐毛利 − 未命中者原本的毛利 平衡条件 (1 − h) · a · g = h · d 平衡采纳率 a = h · d / ((1 − h) · g)
含义：h 越高，本来就成套买的人越多，白让的折扣越多，门槛越高。h 超过三成的组合（本数据里的「牛肉面+卤蛋」）， 做折扣套餐是纯让利，更适合加价购。
已知弱点：假设未命中者「不采纳就什么都不多买」。如果他们本来也会加购，g 被高估、平衡点被低估。 这是全项目最该被人复核的公式。
四、默认参数一览
| 参数 | 默认值 | 来源 |
|---|---|---|
| lift 下限 | 1.2 | 经验估计；阈值敏感度实测见校验页 |
| 支持度下限 | 1% | 经验估计；与订单量绑定，2000 单以上才稳 |
| 置信度下限 | 10% | 随手定的兜底，未做敏感性测试 |
| 套餐折扣率 | 12% | 演示默认值，应按品类毛利结构调 |
| 成本率 | 40% | 中式快餐通行区间 30-45% 取中位；对结果最敏感 |
| 采纳率 保守/中性/乐观 | 5 / 12 / 25% | 经验估计；三个前提都偏乐观，当上限看 |
| 建议入选最低覆盖 | 100 单 | 经验估计；再小落地成本摊不平 |
| 建议去重重合度 | 50% | 随手定；去重动作本身是必须的 |
五、不做什么
- 不接真实平台 API，不做在线推荐服务。这是分析工具，不是系统。
- 不做定价优化。套餐价 = 原价 × 折扣，折扣是手动滑杆，工具不搜最优解 —— 没有真实 A/B 数据，寻优出来的是假精度。
- 不做库存、不做蚕食建模、不做显著性检验。
- 不用任何真实业务数据。全部合成，生成规则在 data/GENERATION.md。