IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓ 		图片批量下载器
↓批量下载图片,美女图库↓ 		图片自动播放器
↓图片自动播放器↓ 		一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 某在线商店电子产品销售数据可视化分析 -> 正文阅读

[人工智能]某在线商店电子产品销售数据可视化分析

一、项目背景

目的：通过分析销售数据可以帮助商家了解在线销售业务的消费情况，进而分析顾客消费数据来分析顾客的消费行为和顾客特征，更好的为用户推荐相匹配的商品。

工具：Python、PowerBi

数据来源：https://www.heywhale.com/mw/project/60ceb85d056f570017c0ae42/dataset

字段说明：
event_time -购买时间
order_id -订单编号
product_id -产品编号
category_id -产品的类别ID
category_code -产品的类别分类法（代码名称）
brand -品牌名称
price -产品价格
user_id -用户ID

一、数据处理

import pandas as pd
import numpy as np
from pyecharts import options as opts
from pyecharts.charts import Line,Bar,Pie,Grid

#导入数据
df=pd.read_csv('电子产品销售分析.csv')
df.info()

在这里插入图片描述

#删掉Unnamed: 0列
df.drop(['Unnamed: 0'],axis=1,inplace= True)
#查看缺失值
df.isnull().sum()

在这里插入图片描述

#有两列中有数据缺失值，两列缺失值可由missing填充
df.fillna('missing',inplace=True)

#时间处理
#将1970年替换成2020年
df['event_time'] = df['event_time'].str.replace('1970','2020')  
df['event_time'] = pd.to_datetime(df['event_time'].str[:19],format="%Y-%m-%d %H:%M:%S")
df['Month'] = df['event_time'].dt.month
df['Dayofweek']=df['event_time'].dt.dayofweek
df['hour'] = df['event_time'].dt.hour

#删除重复值
df = df.drop_duplicates()
#去掉price为0的记录
#len(df[df['price'] == 0])为0的有39条数据，对整体影响不大，可以去掉
df=df[df.price!=0]

二、时间行为分析

月订单数量、消费人数、销售额

order_m=df.groupby('Month')['order_id'].nunique() 
user_m=df.groupby('Month')['user_id'].nunique()
sale_m=df.groupby('Month')['price'].sum()
index_m=['{}月'.format(i) for i in range(1, 12)]

line1=(
    Line()
    .add_xaxis(index_m)
    .add_yaxis('月订单数',order_m.values.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(title_opts=opts.TitleOpts(title='月订单数'),legend_opts=opts.LegendOpts(pos_left='10%'))
)

line2=(
    Line()
    .add_xaxis(index_m)
    .add_yaxis('月独立用户数',user_m.values.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(title_opts=opts.TitleOpts(title='月独立用户数', pos_left='35%'),legend_opts=opts.LegendOpts(pos_left='50%'))
)

line3=(
    Line()
    .add_xaxis(index_m)
    .add_yaxis('月销售额',sale_m.values.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(title_opts=opts.TitleOpts(title='月销售额', pos_left='70%'),legend_opts=opts.LegendOpts(pos_left='80%'))
)

grid1 = (
        Grid()
        .add(line1, grid_opts=opts.GridOpts(pos_right='65%'))
        .add(line2, grid_opts=opts.GridOpts(pos_left='40%',pos_right='35%'))
        .add(line3, grid_opts=opts.GridOpts(pos_left='70%'))
    )

grid1.render_notebook()

在这里插入图片描述
店铺5月到8月的销售额上升，8月后的销量下降，主要是独立用户数的下降导致。
与同期市场相比，店铺销量有明显的背离，如果5月到8月不是活动引流导致的销量变化，需要马上复盘8月后的下跌问题。

时订单数量、销售额

order_h=df.groupby('hour')['order_id'].nunique()
sale_h=df.groupby('hour')['price'].sum()
index_h=['{}时'.format(i) for i in range(0, 23)]

line4=(
    Line()
    .add_xaxis(index_h)
    .add_yaxis('时订单数',order_h.values.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(yaxis_opts=opts.AxisOpts(name = '订单数'))
    .extend_axis(yaxis=opts.AxisOpts(name='销售额',position='right'))
)

bar1=(
    Bar()
    .add_xaxis(index_h)
    .add_yaxis('时销售额',sale_h.values.tolist(), label_opts=opts.LabelOpts(is_show=False),yaxis_index=1)
)

line4.overlap(bar1)
line4.render_notebook()

在这里插入图片描述
在5-13点之间出现销售高峰，顾客偏向于在早晨到中午的时间段内下单。

周订单数量、销售额

order_w=df.groupby('Dayofweek')['order_id'].nunique()
sale_w=df.groupby('Dayofweek')['price'].sum()
index_w=['周一','周二','周三','周四','周五','周六','周日']

line5=(
    Line()
    .add_xaxis(index_w)
    .add_yaxis('周订单数',order_w.values.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(yaxis_opts=opts.AxisOpts(name = '订单数'))
    .extend_axis(yaxis=opts.AxisOpts(name='销售额',position='right'))
)

bar2=(
    Bar()
    .add_xaxis(index_w)
    .add_yaxis('周销售额',sale_w.values.tolist(), label_opts=opts.LabelOpts(is_show=False),yaxis_index=1)
)

line5.overlap(bar2)
line5.render_notebook()

在这里插入图片描述
周一到周五订单数差别不大，周六是订单数量最高，周日次之，用户消费行为主要集中在周末。

三、用户行为分析

性别比例

df_sex=df.groupby('sex').agg({'user_id':['nunique'],'price':['sum']})
df_sex.columns = df_sex.columns.to_flat_index()
df_sex=df_sex.rename(columns={('user_id','nunique'):'独立用户数',('price','sum'):'销售额'})
df_sex['人均销售额']=(df_sex['销售额']/df_sex['独立用户数']).apply(lambda x:'%.2f' % x)

pie1 = (
    Pie()
    .add('',[list(z) for z in zip(df_sex.index.tolist(), df_sex.独立用户数.tolist())])
    .set_global_opts(title_opts=opts.TitleOpts(title='性别比例'))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
)
pie1.render_notebook()

在这里插入图片描述
用户男女占比接近。

各年龄段情况

bins = [10,20,30,40,50]
df['age_group'] = pd.cut(df['age'],bins,labels = ['10-20','20-30','30-40','40-50'])

age_df=df.groupby('age_group').agg({'order_id':['nunique'],'user_id':['nunique'],'price':['sum']})
age_df.columns = age_df.columns.to_flat_index()
age_df=age_df.rename(columns={('order_id','nunique'):'订单数',('user_id','nunique'):'独立用户数',('price','sum'):'销售额'})
age_df['人均订单']=(age_df['订单数']/age_df['独立用户数']).apply(lambda x:'%.2f' % x)
age_df['每单均价']=(age_df['销售额']/age_df['订单数']).apply(lambda x:'%.2f' % x)
age_df

在这里插入图片描述

pie2 = (
    Pie()
    .add('',[list(z) for z in zip(age_df.index.tolist(), age_df.独立用户数.tolist())])
    .set_global_opts(title_opts=opts.TitleOpts(title='各年龄段占比'))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
)
pie2.render_notebook()

在这里插入图片描述
年龄集中在20-50，20-50年龄段的用户占比差距不大。

line6=(
    Line()
    .add_xaxis(age_df.index.tolist())
    .add_yaxis('订单数',age_df.订单数.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(yaxis_opts=opts.AxisOpts(name = '订单数',min_=50000,max_=120000))
    .extend_axis(yaxis=opts.AxisOpts(name='销售额',min_=16000000,max_=35000000,position='right'))
)

bar3=(
    Bar()
    .add_xaxis(age_df.index.tolist())
    .add_yaxis('销售额',age_df.销售额.tolist(), label_opts=opts.LabelOpts(is_show=False),yaxis_index=1)
)

line6.overlap(bar3)
line6.render_notebook()

在这里插入图片描述
40-50岁的用户订单数和销售额都排第一。

line7=(
    Line()
    .add_xaxis(age_df.index.tolist())
    .add_yaxis('人均订单',age_df.人均订单.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(yaxis_opts=opts.AxisOpts(name = '人均订单',min_=3,max_=4.5))  
    .extend_axis(yaxis=opts.AxisOpts(name='每单均价',min_=290,max_=296,position='right'))
)

bar4=(
    Bar()
    .add_xaxis(age_df.index.tolist())
    .add_yaxis('每单均价',age_df.每单均价.tolist(), label_opts=opts.LabelOpts(is_show=False),yaxis_index=1)
)

line7.overlap(bar4)
line7.render_notebook()

在这里插入图片描述
40-50岁的用户，人均订单多，每单均价低；但与其他年龄段相差不大

地区分布情况

locals=df.groupby('local').agg({'order_id':['nunique'],'user_id':['nunique'],'price':['sum']})
locals.columns = locals.columns.to_flat_index()
locals=locals.rename(columns={('order_id','nunique'):'订单数',('user_id','nunique'):'独立用户数',('price','sum'):'销售额'})
locals

在这里插入图片描述

bar5=(
    Bar()
    .add_xaxis(locals.sort_values(['独立用户数']).index.tolist())
    .add_yaxis('独立用户数',locals.sort_values(['独立用户数']).独立用户数.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .reversal_axis()
    .set_global_opts(legend_opts=opts.LegendOpts(pos_left='15%'))
)

bar6=(
    Bar()
    .add_xaxis(locals.sort_values(['订单数']).index.tolist())
    .add_yaxis('订单数',locals.sort_values(['订单数']).订单数.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .reversal_axis()
    .set_global_opts(legend_opts=opts.LegendOpts(pos_left='45%'))
)


bar7=(
    Bar()
    .add_xaxis(locals.sort_values(['销售额']).index.tolist())  
    .add_yaxis('销售额',locals.sort_values(['销售额']).销售额.tolist(), label_opts=opts.LabelOpts(is_show=False))
    .reversal_axis()
    .set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts={'rotate': 25}),legend_opts=opts.LegendOpts(pos_left='75%'))
)

grid2 = (
        Grid()
        .add(bar5, grid_opts=opts.GridOpts(pos_right='65%'))
        .add(bar6, grid_opts=opts.GridOpts(pos_left='40%',pos_right='35%'))
        .add(bar7, grid_opts=opts.GridOpts(pos_left='70%'))
    )

grid2.render_notebook()

在这里插入图片描述
北上广的用户数量、订单数量、成交金额都稳居前三。
湖南的客户数量虽然少，但是订单数，客单价仅次于北上广，湖南客户的潜力巨大，需要加大宣传，增加客户数量。

用户消费次数、费金额、消费周期

df.groupby('user_id').agg({'order_id':'nunique','price':'sum'}).describe([0.1,0.25,0.5,0.75,0.8,0.9,0.99]).T

在这里插入图片描述
1、超一半的用户下单两次，最大的用户用户消费了666次，可能是批发转卖。
2、用户平均消费金额是1251，标准差是4204.5，用户平均消费金额大于75分位数，存在高额消费用户，需要注意。

purchase_time=df.groupby('user_id').apply(lambda x: x['event_time']-x['event_time'].shift()).astype('timedelta64[m]')/(24*60)
print(purchase_time.describe([0.1,0.25,0.5,0.75,0.8,0.85,0.9,0.99]))
print(purchase_time[purchase_time>0].describe([0.1,0.25,0.5,0.75,0.8,0.85,0.9,0.99]))

在这里插入图片描述
至少消费两次的用户有一半在1天左右复购，75%的用户在10天左右复购，可以在10天左右时间点对用户进行推送和提醒。

RFM分析

通过RFM方法判断用户类别，针对不同类别的用户，制定不同的刺激措施，来提高用户价值

def RFM(x):
    r='1' if x[0]<= 30 else '0' # 最近购物天数在30天以内
    f='1' if x[1]>= 3 else '0'  # 累计购物次数大于2次（均值）
    m='1' if x[2]>=1251 else '0' # 累计消费金额大于1251（均值）
    return dic_rfm[r+f+m]

dic_rfm ={
    '111':'重要价值会员', #倾斜更多资源，VIP服务，个性化服务，附加销售
    '011':'重要保持会员',#DM营销，提供有用的资源，通过新的商品召唤回
    '101':'重要发展会员',#交叉销售，制定会员忠诚度计划，推荐其他商品
    '001':'重要挽留会员',#重点联系或摆放，提高留存率
    '110':'一般价值会员',#向上营销，销售价值更高的商品
    '100':'新会员',#提供免费试用，提高会员兴趣，创建品牌知名度
    '010':'一般发展会员',#积分制，分享宝贵资源，以折扣推荐热门商品
    '000':'低价值会员'}#恢复会员兴趣，否者暂时放弃

r=(df.event_time.sort_values().iloc[-1]-df.groupby('user_id')['event_time'].max()).astype('timedelta64[D]').astype('int')
f=df.groupby('user_id')['order_id'].nunique()
m=df.groupby('user_id')['price'].sum()

rmf=pd.concat([r,f,m],axis=1)
rmf=pd.concat([rmf,rmf.apply(RFM,axis=1)],axis=1)
rmf=rmf.rename(columns={'event_time':'Recency','order_id':'Frequency','price':'Monetary',0:'label'})
rmf

在这里插入图片描述

member=rmf['label'].value_counts()
pie3 = (
    Pie()
    .add('',[list(z) for z in zip(member.index.tolist(), member.values.tolist())],radius=['50%', '75%'])
    .set_global_opts(title_opts=opts.TitleOpts(title='会员类型分布',pos_left='center'),
                     legend_opts=opts.LegendOpts(pos_right='5%',orient='vertical'))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%"))
)
pie3.render_notebook()

在这里插入图片描述

结论

时间维度分析：
●店铺5月到8月的销售额上升，8月后的销量下降，主要是独立用户数的下降导致；
与同期市场相比，店铺销量有明显的背离，如果5月到8月不是活动引流导致的销量变化，需要马上复盘8月后的下跌问题。

●在5-13点之间出现销售高峰，顾客偏向于在早晨到中午的时间段内下单；
用户消费行为主要集中在周末。

整体用户分析：
●年龄
用户男女占比接近；年龄集中在20-50岁，且该段用户占比差距不大
40-50岁的用户订单数和销售额都排第一
40-50岁的用户人均订单多，每单均价低；但与其他年龄段相差不大

●地区
北上广的用户数量、订单数量、成交金额都稳居前三
湖南的客户数量虽然少，但是订单数，客单价仅次于北上广，湖南客户的潜力巨大，需要加大宣传，增加客户数量。

用户消费行为分析：
●超一半的用户下单两次，用户平均消费金额是1251
●至少消费两次的用户有一半在1天左右复购，75%的用户在10天左右复购，可以在10天左右时间点对用户进行推送和提醒
●通过RFM方法判断用户类别，针对不同类别的用户，制定不同的刺激措施，来提高用户价值

PowerBI网页版连接
在这里插入图片描述
  人工智能 最新文章
2022吴恩达机器学习课程——第二课（神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学（六）
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-10-12 23:26:02  更:2021-10-12 23:27:19 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/27 10:22:32-

图片自动播放器
↓图片自动播放器↓ 		TxT小说阅读器
↓语音阅读,小说下载,古典文学↓ 		一键清除垃圾
↓轻轻一点,清除系统垃圾↓ 		图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码