數(shù)據(jù)分析報(bào)告01--母嬰電商銷售數(shù)據(jù)分析

時(shí)間：2023-03-26 06:38:02 | 來源：電子商務(wù)

時(shí)間：2023-03-26 06:38:02 來源：電子商務(wù)

數(shù)據(jù)來源

這是來源于阿里天池的母嬰產(chǎn)品電商銷售數(shù)據(jù)。

數(shù)據(jù)說明

共有兩個(gè)表。

表1為trade.csv：29971條記錄，7個(gè)字段；

• user_id-用戶ID
• audition_id-物品編號(hào)
• cat_id-商品種類ID（二級(jí)分類）
• cat1-商品種類ID（一級(jí)分類）
• property-商品屬性
• buy_mount-購買數(shù)量
• day-購買時(shí)間

表2為baby.csv：有956條記錄，3個(gè)字段，具體信息如下：

• user_id-用戶ID
• birthday-生日
• gender-性別（0女性；1男性；2未知）

分析思路

數(shù)據(jù)處理

第一步，導(dǎo)入相關(guān)第三方包

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

%matplotlib inline

plt.rcParams["font.sans-serif"]=["SimHei"] #正常顯示中文標(biāo)簽

plt.rcParams["axes.unicode_minus"]=False #正常顯示負(fù)號(hào)

import warnings

warnings.filterwarnings('ignore') # 去除部分warning

第二步，讀取數(shù)據(jù)

dfpart1 = pd.read_csv("C:/Users/Lin/Desktop/muying/trade.csv",header=0)

dfpart2 = pd.read_csv("C:/Users/Lin/Desktop/muying/baby.csv",header=0)

df1 = pd.merge(dfpart1, dfpart2,on=”user_id”,how=”outer”)

#將兩個(gè)表格合并讀入

http://df1.info() ##查看數(shù)據(jù)基本情況

第三步,數(shù)據(jù)前處理

1、數(shù)據(jù)清洗、前處理

復(fù)制一個(gè)副本data=df1.copy()

查看重復(fù)值：data.duplicated().sum()

##這個(gè)案例中無需去重，因?yàn)椴荒芘懦惶靸?nèi)某一客戶對(duì)相同的商品下了兩單

##若要去重,data=data.drop_duplicates()

缺失值： data.isna().mean()

##查看各字段缺失記錄占比

##發(fā)現(xiàn)生日和性別字段缺失值比例過大（96.8%），因此與性別、年齡有關(guān)的信息需要單獨(dú)分析。可以把包含性別及年齡信息有關(guān)的記錄拿出來剪切為data1作為分析對(duì)象。

轉(zhuǎn)換數(shù)據(jù)類型：

data['day']=pd.to_datetime(data['day'],format='%Y%m%d')

data['birthday']=pd.to_datetime(data['birthday'],format='%Y%m%d')

刪除無關(guān)字段：

auction_id、property 這兩列信息不需要，刪除；

data=data.drop(["auction_id","property"],axis=1,inplace=False)

創(chuàng)建表data1，用于探究用戶性別及年齡等相關(guān)信息：

##創(chuàng)建表data1

data1=data[~data["birthday"].isna()]

#在data1中,將gender列中0、1、2分別替換為女性、男性、未知

def gender_convert(gender):

if gender==0:

return "female"

elif gender==1:

return "male"

else:

return "unknown"

data1["gender"]=data1["gender"].apply(gender_convert)

#在data1中,新增字段購買年齡purchase_age1；

data1["purchase_age1"]=(pd.to_datetime(data1['day'],format='%Y%m%d')-pd.to_datetime(data1['birthday'],format='%Y%m%d'))/pd.Timedelta("365 days")

http://data.info()##data表格是用來探索與購買時(shí)間有關(guān)的信息

http://data1.info()##data1表格是用來探索與性別、年齡有關(guān)的信息

異常值

data.describe()

data1.describe()

查看所有加工后字段的分布，分辨異常值并剔除異常值

對(duì)于字段purchase_age1

#購買年齡28歲，即在嬰兒出生28年后才下單，屬于異常數(shù)據(jù)，予以剔除。

data1=data1.drop([8413],axis=0)

#相應(yīng)剔除data中的數(shù)據(jù)

data=data.drop([8413],axis=0)

2、分析

(1)整體看:

交易人數(shù)、商品品類數(shù)、訂單量、人均訂單量、銷量、人均銷量；日均訂單數(shù)、日均銷量；

復(fù)購率

重復(fù)購買的用戶僅4人，復(fù)購率很低，猜測可能原因：①產(chǎn)品為耐用型；②產(chǎn)品不受認(rèn)可；③產(chǎn)品庫存不足。需結(jié)合具體業(yè)務(wù)情況排查原因。（排除法找原因）

復(fù)購次數(shù)分析（復(fù)購次數(shù)分布）：

這里因?yàn)橹挥兴娜诉M(jìn)行復(fù)購，分析復(fù)購次數(shù)分布沒有意義.

(2)用戶情況

A分男性女性：交易人數(shù)、訂單量、人均訂單量、銷量、人均銷量

交易用戶中男女比例均衡，女嬰交易人數(shù)偏多，購買力強(qiáng)于男嬰用戶（女嬰1.91件/人，男嬰1.27件/人）

B分不同購買年齡：交易人數(shù)、銷量、人均銷量

##將年齡劃分為13組

一歲以內(nèi)嬰兒交易人數(shù)及銷量最多，此后隨著嬰兒年齡增大，交易用戶數(shù)和銷量有遞減趨勢。

（3）商品情況

A不同品目商品的總銷量、總交易人數(shù)

從各類別商品交易人數(shù)和銷量看，28、50014815、50008168最受歡迎。從人均銷量，28、38、50014815表現(xiàn)優(yōu)異。50014815雖然銷量不高，但是人均銷量很高，可以嘗試提升其交易人數(shù)。

B不同品目商品銷量分布

商品28銷量表現(xiàn)比其他品類較好。28、50008168、50014815這三類商品均有銷量達(dá)2000+的大客戶訂單。

C各類別商品男性女性客戶在交易人數(shù)、銷量方面的表現(xiàn)：

購買各品類商品的用戶中，男女人數(shù)占比差不多，其中女性略多，銷量有所差別還是因?yàn)榕匀司徺I商品數(shù)更多，與整體情況一致。

D各類別商品不同年齡段嬰兒在交易人數(shù)、銷量方面的表現(xiàn)：

0~1歲階段的嬰兒對(duì)商品品類50014815需求會(huì)大幅增加，嬰兒3歲后將購入更多500225520。嬰兒不同階段對(duì)商品有不同的需求，建議結(jié)合商品定位和各年齡商品銷售情況定向向相應(yīng)年齡段用戶推送相關(guān)商品頁面。

（4）時(shí)間維度分析——用戶在哪些時(shí)間、時(shí)段活躍

時(shí)間數(shù)據(jù)從2012年6月至2015年2月，為保證分析區(qū)間的完備性，這里只取2013年、2014年的銷售數(shù)據(jù)進(jìn)行分析。

A年度交易人數(shù)及銷量

相比2013年，2014年交易人數(shù)增長倍數(shù):1.54,銷量增長倍數(shù):1.85。

不同種類商品用戶量及銷量比起2013年均有增長.

B季度交易人數(shù)及銷量

對(duì)比各類商品的交易人數(shù)及銷量季度變化,可以看出以下幾個(gè)現(xiàn)象:

①50008168交易人數(shù)季度變化較為波折,尤其2014年第一季度和2014年第三季度交易人數(shù)都有下降,其他類別交易人數(shù)均隨季度平緩上升

②28銷量在2014年第一季度下降明顯

③50008168在2014年第四季度交易人數(shù)有所增加,但銷量下降顯著

④50014815在2014年第四季度銷量陡增

試著多維度拆分找到以上四點(diǎn)現(xiàn)象可能的原因.

C按月交易人數(shù)及銷量

縱觀全年各月份交易人數(shù)及銷量變化，交易人數(shù)及銷量在每年5月、11月會(huì)到達(dá)一個(gè)峰值，猜測可能與5月母親節(jié)、11月雙11促銷有關(guān)?？梢栽谥鹑兆兓€中驗(yàn)證。

另外2014年11月銷量激增，對(duì)照季度變化曲線，現(xiàn)象4很可能源于50014815在11月的銷量激增所致。

全年各月份不同品目商品交易人數(shù)及銷量變化

根據(jù)不同品目商品銷量逐月變化，將季度變化的4個(gè)現(xiàn)象拆解原因到具體月。

現(xiàn)象1：交易人數(shù)變化較大的月份應(yīng)當(dāng)是2013年6月明顯下降，2014年2月明顯下降，2014年6月明顯下降。猜測可能一是由于5月五一及母親節(jié)節(jié)日促銷，購買力已提前釋放，1月2月正值春節(jié)是消費(fèi)低谷。

現(xiàn)象2：28在2014年第一季度銷量下降明顯，具體可以看到是因?yàn)?013年12月銷量到達(dá)了兩年以來的峰值，2014年1月銷量僅是略低于平日值。這里的原因應(yīng)當(dāng)要看12月銷量是如何增加的。

現(xiàn)象3，50008168在2014年第四季度交易人數(shù)有所增加,但銷量下降顯著。定位時(shí)間區(qū)間到2014年10月、11月，此兩個(gè)月份交易人數(shù)處于高值,但銷量下降。

現(xiàn)象4，2014年第四季度銷量陡增應(yīng)當(dāng)來自50014815在11月銷量的增加，同時(shí)印證2014年11月總銷量激增也應(yīng)當(dāng)是50014815的原因。

根據(jù)商品銷量逐日變化，將現(xiàn)象拆解到具體每天探究原因。

現(xiàn)象1

根據(jù)2013-3-15至2013-7-15的逐日變化，明顯可以看到2013年5月份整體交易人數(shù)比其他月份高，另外節(jié)日后一天銷量均有大幅增長。

根據(jù)2014年3-15至7-15的逐日變化，明顯可以看到5月份整體交易人數(shù)比6月高，另外節(jié)日后一天銷量大幅增長。

2013年及2014年在五月下旬交易人數(shù)均處于高值，6月初交易人數(shù)均有大幅下降，猜測6月1日兒童節(jié)是否有在5月下旬進(jìn)行促銷預(yù)熱。具體需要溝通業(yè)務(wù)方信息再判斷。

現(xiàn)象2：

拆解到具體每天，根據(jù)銷量逐日變化曲線，我們可以得出結(jié)論，28品類的商品在2013年12月的銷量增加，主要是由于2013年12月20日當(dāng)日的銷量達(dá)到了2500+。大訂單客戶很大程度上影響了28品類商品的銷量。

現(xiàn)象3

由2014-8-1至12-30的交易人數(shù)變化，可以看到雙十一、雙十二交易人數(shù)大幅增長，其余時(shí)候變化不大，因此第四季度交易人數(shù)有所增加。

由2014-8-1至12-30的銷量變化，可以看到10月銷量驟降是因?yàn)?月銷量突增， 9月20日單日銷量達(dá)到2500+。而雙十一雙十二雖然銷量也有增加，但是與九月份的大訂單相比太少，因此第四季度雖然交易人數(shù)增加，但是銷量反而減少。

現(xiàn)象4，

根據(jù)逐日變化，50014815在2014年11月13日單日銷量達(dá)到10000+，導(dǎo)致2014年第四季度該品類銷量陡增。

小結(jié)：少數(shù)客戶購買銷量巨大，對(duì)各品類商品總銷量有明顯影響。建議對(duì)此部分客戶特別管理，以期達(dá)成長期合作。

（5）用戶分層分析----RFM模型

由于用戶復(fù)購率很低，因此舍棄購買頻率F指標(biāo)；這里沒有購買金額信息，用累計(jì)購買銷量來代替M進(jìn)行客戶分層分析。

根據(jù)RFM模型對(duì)用戶分類后發(fā)現(xiàn)重要發(fā)展客戶及重要挽留客戶比例最高，重要價(jià)值用戶比例最低，對(duì)于重要挽留客戶，建議推送超大型活動(dòng)如雙十一等活動(dòng)信息，重要發(fā)展客戶，可以加大推送頻率，如新品信息，定期文案推送等；而對(duì)于重要保持客戶，可以推送折扣或促銷信息或贈(zèng)送優(yōu)惠券等。應(yīng)進(jìn)行針對(duì)性的客戶管理，留住重要挽留客戶，將重要保持客戶和重要發(fā)展客戶轉(zhuǎn)變?yōu)橹匾獌r(jià)值客戶。

（6）商品分析——用戶對(duì)哪些產(chǎn)品、類目感興趣

熱門商品top10

各品類熱門商品top5

由此可見，28、50008168類目商品各自各子類別商品銷量均衡且較高，而38、50014815類目中有一子類銷量尤為突出。

二八法則分析

前80%銷量有12%左右的商品提供，后20%的銷量由88%左右的商品提供，接近二八定律所表示的由少數(shù)商品掌控了大部分的銷量。

數(shù)據(jù)分析結(jié)論

1、少數(shù)客戶下單量巨大對(duì)銷量有明顯影響，建議做好對(duì)較大訂單客戶進(jìn)行特別管理，保持長期合作關(guān)系。

2.、女嬰消費(fèi)人數(shù)及購買力均略高于男嬰.嬰兒不同階段對(duì)商品有不同的需求，建議結(jié)合商品定位和各年齡商品銷售情況定向向相應(yīng)年齡段用戶推送相關(guān)商品頁面。

3、商品復(fù)購率極低，需要結(jié)合商品本身情況找到原因。

4、銷量貢獻(xiàn)主要集中在一級(jí)品類商品28、50008168、38，根據(jù)商品的過往銷量情況，商品28銷量表現(xiàn)較好，建議做好品類28商品庫存管理。對(duì)于曾出現(xiàn)大訂單的商品28、50008168、50014815，建議做好客戶管理，為大訂單提前備貨。

5、節(jié)日性活動(dòng)對(duì)銷量提升有明顯促進(jìn)作用，重點(diǎn)關(guān)注五一、母親節(jié)、雙十一和雙十二。

6、根據(jù)客戶分層信息，應(yīng)針對(duì)性進(jìn)行客戶管理，按照不同頻率推送優(yōu)惠信息。

反思（待續(xù)）