電子商務(wù)數(shù)據(jù)分析

時(shí)間：2023-03-15 19:56:01 | 來源：電子商務(wù)

時(shí)間：2023-03-15 19:56:01 來源：電子商務(wù)

通過具體的項(xiàng)目案例，學(xué)習(xí)面對數(shù)據(jù)和業(yè)務(wù)問題，如何去展開分析。

下面是社群會(huì)員的作業(yè)，本文最后會(huì)給出項(xiàng)目的修改意見，通過本項(xiàng)目提高你的分析思維。

一.背景介紹

這是Olist Store制作的巴西電子商務(wù)公共數(shù)據(jù)集。該數(shù)據(jù)集包含2016年至2018年在巴西多個(gè)市場進(jìn)行的10萬個(gè)訂單的信息。

該數(shù)據(jù)集包含9個(gè)文件，分別是：

1）olist_customers_dataset.csv

此數(shù)據(jù)集包含有關(guān)客戶及其位置的信息。使用它來識(shí)別訂單數(shù)據(jù)集中的唯一客戶并查找訂單交貨地點(diǎn)。
2）olist_geolocation_dataset.csv

此數(shù)據(jù)集包含巴西郵政編碼及其緯度/經(jīng)度坐標(biāo)信息。用它來繪制地圖并找出賣家和顧客之間的距離。

3）olist_Order Items Dataset.csv
此數(shù)據(jù)集包括有關(guān)每個(gè)訂單中購買的商品的數(shù)據(jù)。

4）olist_Payments Dataset.csv
此數(shù)據(jù)集包含有關(guān)訂單付款選項(xiàng)的數(shù)據(jù)。

5）olist_Order Reviews Dataset.csv
該數(shù)據(jù)集包括有關(guān)客戶所做評論的數(shù)據(jù)。

6）olist_Order Dataset.csv
這是核心數(shù)據(jù)集。您可以從每個(gè)訂單中找到所有其他信息。

7）olist_Products Dataset.csv
該數(shù)據(jù)集包括有關(guān)Olist銷售的產(chǎn)品的數(shù)據(jù)

8）olist_Sellers Dataset.csv
該數(shù)據(jù)集包括有關(guān)在Olist完成訂單的賣家的數(shù)據(jù)。使用它來查找賣家位置并確定哪個(gè)賣家完成了每個(gè)產(chǎn)品的出售。

9）product_Category Name Translation.csv
將商品名從葡萄牙語翻譯為英語

每個(gè)數(shù)據(jù)集字段的詳細(xì)介紹，可以從數(shù)據(jù)來源看到：

https://www.datafountain.cn/dataSets/22/details

二.提出問題

對數(shù)據(jù)集的關(guān)鍵指標(biāo)進(jìn)行趨勢觀察，暴露出所含的問題點(diǎn)，進(jìn)而評估olist平臺(tái)的運(yùn)營情況以及需要改進(jìn)的方向。分析思路從下面3關(guān)維度展開：

1.平臺(tái)銷售情況

平臺(tái)上訂單量最多的產(chǎn)品類是什么？

訂單量最少的產(chǎn)品類是什么？

哪個(gè)價(jià)格區(qū)間的訂單量最多？

訂單變化量與交易額變化量的趨勢？

客單價(jià)變化情況？

并根據(jù)2016--2017/2017--2018兩個(gè)年度的信息來預(yù)測未來的訂單情況。

2.物流交付表現(xiàn)

產(chǎn)品交付的平均時(shí)間以及準(zhǔn)時(shí)率如何？

運(yùn)費(fèi)情況？根據(jù)此信息可以改進(jìn)物流方式及派送方式。

3.用戶信息

用戶數(shù)量地理分布情況？

用戶的評價(jià)情況？

常用的付款方式是什么？

不同消費(fèi)組的消費(fèi)情況是什么？

根據(jù)用戶的評價(jià)如何改進(jìn)平臺(tái)的運(yùn)營狀況。

以上就是我們在進(jìn)行一個(gè)數(shù)據(jù)分析項(xiàng)目時(shí)需要做的準(zhǔn)備，也就是在開始處理數(shù)據(jù)以前，先明確需求需要的數(shù)據(jù)類型，以及用什么樣的分析方法和模型來進(jìn)行分析，這就像建筑的藍(lán)圖，沒有圖，只有磚瓦是蓋不起房子的。很多想要入行數(shù)據(jù)分析的人也正是卡在了數(shù)據(jù)分析思維上，即使掌握了sql、python這樣的工具，也常常不知從何分析其，提不出獨(dú)特的簡介，體現(xiàn)不出自己的不可替代性。

針對這樣的需求，我在本站上線了一套數(shù)據(jù)分析課程，講解常用模型+架構(gòu)邏輯，通過互聯(lián)網(wǎng)大廠一線業(yè)務(wù)案例說明各種分析法的運(yùn)用，帶大家構(gòu)建數(shù)據(jù)分析思維。還有數(shù)據(jù)分析工具帶練+業(yè)務(wù)實(shí)踐帶練，讓你快速掌握常用數(shù)據(jù)分析工具。課程共3天六小時(shí)，還有直播課，學(xué)完對標(biāo)阿里p6。還有專業(yè)老師全程1v1答疑，數(shù)據(jù)分析項(xiàng)目和就業(yè)等問題也可以問，都會(huì)提供專業(yè)的幫助。想提升自己職場硬實(shí)力的就點(diǎn)下面鏈接加入學(xué)習(xí)：

三.數(shù)據(jù)清洗

根據(jù)要分析的問題，對數(shù)據(jù)進(jìn)行清洗。本次數(shù)據(jù)集中的表格較多（共9個(gè)），先根據(jù)要分析的內(nèi)容去查看相對應(yīng)的表格。例如：我想查看評論信息及打分情況，就去看olist_Order Reviews Dataset.csv這個(gè)文件。對每一個(gè)表格中所攜帶的信息先有一個(gè)大致的了解。

將9個(gè)表格分類，選擇子集，列名與文件名重命名，整理清楚、規(guī)范。

觀察數(shù)據(jù)中的重復(fù)值，異常值和缺失值。沒有查到重復(fù)值，因?yàn)槊恳粋€(gè)訂單號(hào)都是唯一的。異常值存在，缺失值也存在，如下：

灰色部分是缺失值，灰色下面部分是異常值（因?yàn)閷?shí)際交貨時(shí)間不可能早于發(fā)貨時(shí)間）。對于此部分缺失值與異常值，進(jìn)行刪除處理，一是此為匿名公開數(shù)據(jù)集無法追溯數(shù)據(jù)源，二是這幾個(gè)缺失值與異常值對基數(shù)很大的訂單信息影響甚微。

對數(shù)據(jù)進(jìn)行一致化處理：此數(shù)據(jù)集中內(nèi)容比較一致，無需再次一致化處理。

使用IF函數(shù)來得到判斷是否準(zhǔn)時(shí)

這樣，根據(jù)交貨時(shí)間與發(fā)貨時(shí)間的差，便可以用IF函數(shù)來判斷是否準(zhǔn)時(shí)到達(dá)，為方便后續(xù)可以在數(shù)據(jù)透視表中用來判斷訂單是否準(zhǔn)時(shí)對情況。

四.分析

使用excel透視表，vlookup函數(shù)等功能可以得到要分析問題的結(jié)果。我們分別來看一開始要研究的問題。

1.平臺(tái)銷售情況

1）交易額度信息

2）訂單變化量

3）客單價(jià)：

4）不同產(chǎn)品類的訂單情況

2.物流交付表現(xiàn)

在此項(xiàng)中，只統(tǒng)計(jì)已成功配送至客戶手中的訂單。不計(jì)算尚未發(fā)貨或取消發(fā)貨的訂單

3.用戶信息

1）各州訂單量及用戶地域分布

2）用戶評價(jià)

平臺(tái)滿意度打分情況如何，利用描述統(tǒng)計(jì)分析來表示得分概況及隨時(shí)間變化的趨勢

3）分析1-2分客戶評論內(nèi)容（詞云圖展示）

4）消費(fèi)分組情況+付款方式占比

五.分析總結(jié)和建議

1.平臺(tái)本身的銷售額與訂單量年度增長明顯。但是從季度與月度情況細(xì)分下來看，目前處于增長緩慢的狀態(tài)，需要及時(shí)的調(diào)整，獲取未處于熱圖區(qū)域的用戶。

另外，低消費(fèi)人群龐大，但高消費(fèi)人群的消費(fèi)也需要平臺(tái)方的引導(dǎo)，高消費(fèi)人群的上升空間還有很高。

2.物流交付情況不樂觀，是因?yàn)檫\(yùn)費(fèi)價(jià)格稍高，用戶付出高價(jià)的運(yùn)費(fèi)卻享受不到與之匹配的配送服務(wù)，導(dǎo)致1-2分的評價(jià)上升明顯。平臺(tái)對于物流方的運(yùn)營需要共同探討對策并及時(shí)調(diào)整。

3.客戶滿意度略微下降，主要集中在三個(gè)方向：

1）產(chǎn)品本身的質(zhì)量問題，平臺(tái)需要對所賣產(chǎn)品進(jìn)行嚴(yán)格管控

2）物流交付問題，如果價(jià)格不下調(diào)，相應(yīng)的就要提高服務(wù)質(zhì)量，若服務(wù)質(zhì)量很難得到滿足，相應(yīng)的運(yùn)費(fèi)價(jià)格，平臺(tái)最好從運(yùn)營的角度協(xié)助客戶解決

3）要優(yōu)化平臺(tái)本身的應(yīng)用程序，這部分可以結(jié)合AARRR模型來探討各個(gè)環(huán)節(jié)的客戶流失率，優(yōu)化客戶購買與售后體驗(yàn)。提升留存率與復(fù)購率

上面來自社群會(huì)員第2次修改后的項(xiàng)目

（https://zhuanlan.zhihu.com/p/61309012）

下面是項(xiàng)目修改意見：

【提問】老師，我那個(gè)數(shù)據(jù)集如果按AARRR漏斗模型（分析方法）來分析，有很多相關(guān)數(shù)據(jù)都沒有，怎么辦？

【回答】

1.分析方法又不只有AARRR漏斗模型，不是所有的分析都要按照一個(gè)分析方法模板去分析。選擇分析方法是要根據(jù)數(shù)據(jù)和問題去選擇的，不同的問題使用的分析方法不一樣。

2.你的每個(gè)分析維度都是獨(dú)立開的，沒有把它們關(guān)聯(lián)起來分析。數(shù)據(jù)要多角度去思考，既要獨(dú)立去分析，也要把多個(gè)維度合起來一起看。

3.在第1次給出的意見：一開始分析沒有寫分析思路，不知道在分析什么，這次看到你加上了很好。

很多人剛開始學(xué)習(xí)數(shù)據(jù)分析的誤區(qū)是，一上來就清洗數(shù)據(jù)，也沒有分析思路，到最后分析完也不知道在分析什么。

工作中正常的分析數(shù)據(jù)流程是，在接到任務(wù)時(shí)，首先會(huì)和業(yè)務(wù)人員去溝通每個(gè)業(yè)務(wù)名稱背后的含義，然后去思考指標(biāo)之間的關(guān)系。會(huì)專業(yè)開會(huì)去討論整個(gè)分析思路，再根據(jù)分析目的去找數(shù)據(jù)。如果數(shù)據(jù)不夠，會(huì)讓數(shù)據(jù)工程師設(shè)埋點(diǎn)來收取相關(guān)數(shù)據(jù)。

所以分析思路是要在一開始分析之前就已經(jīng)確定了，然后再去找數(shù)據(jù)去分析問題。

4.在第1次給出的意見：PPT的背景太顯臉了，加個(gè)蒙版來遮住背景，讓文字更突出。這塊看到已經(jīng)修改好了。

需要繼續(xù)改進(jìn)的地方是，在寫項(xiàng)目文章的時(shí)候，和用ppt做分析報(bào)告的場景不一樣。

用ppt做分析報(bào)告的時(shí)候，面對的用戶是聽你講，不用在ppt上放太多字，你把圖片里的圖表講清楚就可以。

但是在寫項(xiàng)目文章的時(shí)候，面對的用戶是看你寫的內(nèi)容，所以這時(shí)候就不要把分析結(jié)論放到ppt里了，而是用ppt展示你的可視化圖表，然后再用文字去描述圖表要表達(dá)的分析結(jié)論是什么。

做項(xiàng)目的過程就是一個(gè)不斷優(yōu)化學(xué)習(xí)的過程，希望社群內(nèi)部的討論和建議可以幫助社群會(huì)員更好的完善項(xiàng)目。如果你有做項(xiàng)目方面的問題，比如如何找項(xiàng)目、如何做好項(xiàng)目等，都可以參加我的數(shù)據(jù)分析課程，課程會(huì)帶大家找項(xiàng)目、做項(xiàng)目，有什么問題還可以1v1找老師答疑。需要的話點(diǎn)擊下面鏈接即可：

推薦：如何用最短的時(shí)間找到初級數(shù)據(jù)分析師工作？