要了解各产品间的先后购买关系及其概率值，最适合的算法是 **B: 序列模式(Sequential Patterns)**。以下是对每个选项的专业分析：

| 选项 | 描述 | 分析 |
|------|------|------|
| A: 关联规则 (Association Rules) | 主要用于发现数据集中不同项之间的关联或关系，如常见的"购物篮分析"中的“啤酒与尿布”的例子。 | 关联规则关注的是同时购买的模式，而不是时间顺序，因此不能直接用于分析先后购买关系。 |
| B: 序列模式 (Sequential Patterns) | 专注于识别数据中的序列模式，分析事件发生的顺序和频率。 | 这是正确答案，因为它能够识别购买行为的顺序，发现客户先后购买的模式，并计算其概率。|
| C: 时间序列 (Time Series) | 分析时间序列数据以预测未来趋势，常应用于股票市场分析、经济预测等。 | 主要用于时间上连续的单一样本的趋势预测，不适合分析多个商品间的购买顺序。|
| D: 聚类分析 (Cluster Analysis) | 用于识别数据中的自然分组，将相似的项目分配到一个组中。 | 虽然有助于客户细分，但不涉及购买行为的顺序，无法分析先后关系。|

因此，若目标是了解产品购买的先后过程，序列模式分析是最佳选择。这种方法常用于市场分析中，以理解消费者的购物路径，从而优化营销策略和产品推荐。