電商零售數(shù)據(jù)分析

時間：2023-03-15 21:40:01 | 來源：電子商務(wù)

時間：2023-03-15 21:40:01 來源：電子商務(wù)

一、提出問題

項目背景：

此次的數(shù)據(jù)集來自kaggle：Online Retail Data Set from UCI ML repo

包含了2010年12月1日到2011年12月9日在英國注冊的非實體網(wǎng)上零售所有交易，公司主要銷售獨(dú)特的全天候禮品，該公司許多客戶都是批發(fā)商。

本次的電子零售分析主要分為兩個方面：

（1）了解該公司基本營運(yùn)情況，通過分析計算運(yùn)營的各項指標(biāo)來了解目前經(jīng)營的效率和經(jīng)營趨勢；

（2）通過RFM模型對用戶進(jìn)行分級，找出價值用戶。

二、理解數(shù)據(jù)

1、導(dǎo)入數(shù)據(jù)分析相關(guān)庫以及本次分析的數(shù)據(jù)集

2、查看導(dǎo)入情況以及理解字段含義

三、數(shù)據(jù)清洗

1、統(tǒng)計缺失率：

通過上圖，我們可以發(fā)現(xiàn)用戶ID和產(chǎn)品描述都存在一定程度的缺失，由于本次分析要研究用戶的消費(fèi)行為以及產(chǎn)品的銷售情況，選擇刪除缺失數(shù)據(jù)

2、為后續(xù)方便統(tǒng)計，將訂單日期拆分，增加年月日時間四個字段，并增加合計購買字段

查看數(shù)據(jù)

3、重復(fù)值處理：

4、異常值處理：

查看數(shù)據(jù)發(fā)現(xiàn)商品數(shù)量和單價存在負(fù)值，進(jìn)一步查看異常數(shù)據(jù)

首先查看商品數(shù)量異常

輸出結(jié)果看，數(shù)量為負(fù)數(shù)的訂單都是訂單號為C開頭的退貨訂單，選把這部分?jǐn)?shù)據(jù)放在另一個數(shù)據(jù)框內(nèi)，后續(xù)進(jìn)行分析

其次分析價格數(shù)量異常

查看數(shù)據(jù)發(fā)現(xiàn)單價為0的居多，查看單價分類

查詢單價異常結(jié)果一共2512條，其中2510條單價為0，預(yù)計為促銷贈品；另外還有2條單價是負(fù)數(shù)，明細(xì)為壞賬記錄，本次不做分析。

四、數(shù)據(jù)分析

1、運(yùn)營指標(biāo)分析：

選取商品數(shù)量及單價正常數(shù)據(jù)進(jìn)行運(yùn)營指標(biāo)分析：

（1）月銷售單數(shù)：

根據(jù)數(shù)據(jù)顯示，2011年9月，10月，11月銷售單數(shù)最多，且呈現(xiàn)穩(wěn)步上升的趨勢2011年11月達(dá)到最大值。

（2）月銷售額：

從銷售額方面看，2011年9月，10月，11月銷售額明顯高于其他月份，結(jié)合前面的月銷售單數(shù)，11月份單數(shù)量高于十月份38％左右，但是銷售額只比10月份高出12％左右，明顯可以看出10月份銷售效果好于，需了解11月份是否有舉辦大型促銷活動。

（3）月平均銷售額：

（4）客單價：

由計算結(jié)果可知客單價為2048.69英鎊。

（5）件單價：

由計算結(jié)果可知，每件產(chǎn)品的平均價格為1.73英鎊。

6）退貨率：

可以看出，退貨率最高為2011年1月和12月，高于平均退貨率8%，特別是12月，具體情況應(yīng)該與相關(guān)部門溝通是什么原因?qū)е?，并且可以分析前幾年的退貨率，是否存在同樣的問題。

2、RFM模型分析：

RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段。通過分析一個客戶的近期購買行為，購買的總體頻率以及花費(fèi)的金額三項指標(biāo)來描述該客戶的價值狀況。

R-Recency：最近一次消費(fèi)

F-Frequency：消費(fèi)頻率

M-Monetary：消費(fèi)金額

分別查看R/F/M的值，對其設(shè)置合理閾值，進(jìn)行分層

查看R值：

可以看到，截至2011年12月9日，最后一次消費(fèi)距離截止日期的天數(shù)平均為92天，方差為100，波動較大，距離天數(shù)最大超過一年。

查看F值：

#由于極值的影響，可視化不明顯，考慮剔除異常值查看頻次小于50的

可知，在2010年12月1日至2011年12月9日時間內(nèi)，用戶評價消費(fèi)4.2次

查看M值

#查看金額小于2000分布

可知，由于存在極值，平均值會被影響，通過查看中位數(shù)，可知整體評價金額為668元

五、建立RFM模型

這里使RFM得分的平均值為閾值，得分大于平均值設(shè)置為得分高，小于平均值設(shè)置為得分低

把三個得分用字符串拼接的方式組合在一起：

去除字符串空格：

對結(jié)果進(jìn)行可視化：

通過RFM模型對用戶進(jìn)行分層，得到八個類別的客戶。根據(jù)上面的數(shù)據(jù)可知，該公司重要價值客戶，重要發(fā)展客戶占比比較大，達(dá)到47%，對于重要發(fā)展客戶，由于最近交易較少，建議及時推送公司活動及相關(guān)產(chǎn)品信息，喚回客戶；其次最多的為一般發(fā)展用戶和一般挽留客戶，站總客戶數(shù)40%。針對一般發(fā)展用戶，應(yīng)獲取該類用戶詳細(xì)數(shù)據(jù)進(jìn)行用戶畫像，了解用戶消費(fèi)需求，及時推送產(chǎn)品信息，對于重要保持客戶和重要挽留客戶，以贈送優(yōu)惠券或者推送折扣信息等措施增加用戶的活躍度。

：