这是kaggle上的一份巴西传统线下汽车服务类连锁店的实际销售数据，大小约3.43G，包含了从2017年3月31日到2020年4月1日大约2600万多的销售数据。

分析该数据集可以探究该连锁店的销售情况，产品的分布，可以对客户进行细分，精细化销售，对员工的生产力进行分析。

这里是利用Python结合Tableau来进行分析，可视化用的Tableau，部分分析用的Python。

数据解读：

2 分析框架

3 数据清洗

3.1 读取数据，看看总体情况

这里的数据集比较大，Anaconda加载的数据都暂时存在内存里，笔者刚开始用的8G内存，一下子就满了，这里建议8-12G的内存左右，或者关闭一些暂时不用先的软件。

# 导入相关包

import numpy as np

import pandas as pd

# 读取数据，设置分割符号

file_path = r'F:\ales Report.csv\Sales Report.csv'

df = pd.read_csv(file_path, iterator=True, sep=';')

data = df.get_chunk(30000000)

data.info()

输出：

这里的销售时间是object类型，要转换成datetime类型，先记录下。# 查看NULL的数据：

data.isnull().sum()

输出：

这里的数据比较干净，都没有NULL值这些。

查看数据的标准差，最大，最下值这些：

data.describe()

输出：

这里的数据量比较多，数据相对比较大，这里很明显可以看出的Product Cost这里有个负数，查看这些数据：data[data['Product Cost'] <= 0]

输出：

len(data[data['Product Cost']

输出：

这里按照字面的意思理解是每销售出一个该产品的成本，这里为负数，暂且这里当异常数据去处理，这里的数据量也不多，只有20条，直接删除处理。实际，得和业务进行沟通，查看该指标的具体意思，和该负数情况的发生是出于什么情况来进行分析。

删除这些数据：data.drop(index=data[data['Product Cost']

3.2 删除重复的数据

# 数据清洗，这里有489567条数据是重复的，删除这些数据

data[data.duplicated()]

输出：# 删除重复的数据

# 这里的重复的数据是完全重复的，所有的值都是相同的，

# 这里只能判断为异常数据，直接删除掉

data.drop(index=data[data.duplicated()].index, inplace=True)

3.3 日期转换格式

data['Sale Date Time'] = pd.to_datetime(data['Sale Date Time'])

data.info()

输出：

至此，数据清洗完毕，可以进行分析。

4 分析

4.1 总体情况

4.2 时间角度

4.2.1  年销售额情况

2017年只有前9个月的销售额，2020年只有前4个月的销售额。

2019年总销售额达到718306933，环比2018年的680191151，增长5.6%。

4.2.2  季度的销售额情况

2017第二季度开始到2018年底订单量成直线式上涨，2019年较平稳。

2017年该连锁店出于疯狂生长期，订单量、销售额均呈现直线上升趋势。

2019年第四季度订单量：208548，销售额达到206513981，订单量、销售金额均达到历史峰值。

4.2.3 月的销售情况

2017年各月份的销售金额，呈上涨趋势，其中17年下半年上涨趋势较明显，18、19年呈现较稳定的状态；结合各月份，连锁店的数量。

可以得出结论：2017年下半年连锁店数量的增加带动销售金额明显的上涨。

结合2018、2019年对比，该连锁店的销售额不受季节的影响，12月为了冲业绩，销售额会上涨一些。

4.2.4 周的销售情况

周的销售金额总体上先呈现上升，然后趋向于较稳定的状态。

周的订单量处于动态的平衡当中，可以看出随着时间的增长，每张订单的购买金额逐渐增加。

4.2.5 日的销售情况

总体来说，这里只有2018年6月1日左右时间段的销售金额有异常，这段时间既有极大值，也有极小值。具体原因可以深入查明一下。

这里的日销售额呈现周期性规律，也就是有6天销售额处于较高的，有一天的销售额是处于最低的，结合工作日权重，可以看出，巴西人民再周日的购买欲望较低，或者该商圈处于写字楼附近。

4.2.6 近四年的日UV

纵向对比每年的日UV，都有上升的趋势。

横向对比当年的日UV，呈现周期性的规律，这里按7天为一周期，前后一天都是最低的，中间五天相对来说较高。

4.2.7 工作日的销售情况

周日的销售金额最少。

4.2.7 工作日的订单量

4.2.8 时间段的销售金额、订单量

该商城销售额、订单量在7-20点这个时间段较高，12点有个谷底。

4.2.9 工作日的销售权重

这里只挑选了2019年全年的数据来进行统计。

在Tableau里实现：

导出数据到Excel里计算。

计算公式方式：全年周日的平均值=全年的周日的总销售额/全年周日的天数，其他工作日类推。

挑选1中计算到的最小值

权重=某个工作日的平均值 / 2中选出的最小值

这里的权重越大，表明当日的销售额越多。

可视化：

这里可得出的结论：周五的销售权重最大，周日的销售权重最小。

4.2.10 销售预测按日

这里只挑选2019年1月1日到2020年2月29的数据，其中2020年2月份的数据用来做预测和对比。# 将销售时间设置成索引

data.set_index('Sale Date Time', inplace=True, drop=True)

# 将数据重新整理成以天来统计每天销售额的汇总

day_data = data.resample('d').sum()['Total']

day_data

输出：

# 挑选2019年1月1日到2020年2月29的数据

train_day_data = day_data[day_data.index >= '2019-01-01']

train_day_data = train_day_data[train_day_data.index <= '2020-02-29']

# 保存数据到Excel

train_day_data.to_excel('./日销售数据.xlsx')# 读取数据

data = pd.read_excel('./日销售数据.xlsx')

# 重新命名列

data.rename(columns={'Sale Date Time': 'date1'}, inplace=True)

data

输出：

# 将销售额进行缩放，预测的只是大概的值，不可能太精确，这里直接根据数据的情况，以10万作为基本的单位。

data['Total'] = round(data['Total'] / 100000, 4)

进行平稳性检验import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = 'SimHei'

plt.rcParams['axes.unicode_minus'] = False

%matplotlib inline

# 时序图

plt.figure(figsize=(18, 8), dpi=256)

data['Total'][:-30].plot()

输出：

# 自相关图

from statsmodels.graphics.tsaplots import plot_acf

plot_acf(data['Total'][:-30])

plt.figure(figsize=(18, 8), dpi=256)

输出：# 偏自相关图

from statsmodels.graphics.tsaplots import plot_pacf

plot_pacf(data['Total'][:-30])

plt.figure(figsize=(18, 8), dpi=256)

输出：

# 单位跟检验

from statsmodels.tsa.stattools import adfuller as ADF

print(ADF(data['Total'][:-30]))

输出：

这里的p值等于0.347多，大于0.05，属于不平稳序列，需要进行差分后，再检验是否属于平稳序列。# 一阶差分

D_data = data['Total'][:-30].diff().dropna()

print('一阶段差分检验结果：', ADF(D_data))

输出：

一阶差分后的序列，属于平稳序列，这里可以使用差分后平稳序列的模型ARIMA进行预测，预测前还得进行白噪声检验。

from statsmodels.stats.diagnostic import acorr_ljungbox

print('白噪声检验结果：', acorr_ljungbox(D_data, lags=1))

输出：

白噪声检验的p值远小于0.05，一阶差分后的时间序列属于平稳非白噪声的时间序列，下面可以利用ARIMA模型进行预测。from statsmodels.tsa.arima_model import ARIMA

from datetime import datetime

from itertools import product

# 设置p阶，q阶范围

# product p,q的所有组合

# 设置最好的aic为无穷大

# 对范围内的p,q阶进行模型训练，得到最优模型

ps = range(0, 5)

qs = range(0, 5)

parameters = product(ps, qs)

parameters_list = list(parameters)

best_aic = float('inf')

results = []

for param in parameters_list:

try:

model = ARIMA(data['Total'][:-30], order=(param[0], 1, param[1])).fit()

except ValueError:

print('参数错误：', param)

continue

aic = model.aic

if aic

best_model = model

best_aic = model.aic

best_param = param

results.append([param, model.aic])

results_table = pd.DataFrame(results)

results_table.columns = ['parameters', 'aic']

print('最优模型', best_model.summary())

输出：

利用最好的模型进行预测。

best_model.forecast(30)[0]

模型评价：from sklearn.metrics import mean_absolute_error

# pred_y 预测值

# test_y 实际值

pred_y = best_model.forecast(30)[0]

test_y = data['Total'][-30:].values

mean_absolute_error(test_y, pred_y)

输出：

这里的平均绝对误差为2.38，这里要根据实际的业务确定误差阈值。再来进行模型的评价。小于阈值的，模型就是稍微好的，大于阈值的，说明模型的准确率还有待提高，模型还需重新训练等。

画折线图，对比下实际和预测值之间的差距。

plt.figure(figsize=(14, 7), dpi=256)

plt.plot(data['date1'][-30:], test_y, label='实际')

plt.plot(data['date1'][-30:], pred_y, label='预测')

plt.xticks(data['date1'][-30:], rotation=70)

plt.legend(loc=3)

输出：

这里可以看出，模型预测的结果还是稍微好点的。

4.3 用户角度

4.3.1 用户城市分布

10.98%的用户集中在Agirrie这个城市，用户居住城市相对较分散。

4.3.2 用户购买金额，购买次数前10的用户

用户Barry Barrett总购买金额达到15M以上，消费次数也达到了100K以上，属于高价值的客户。

4.3.3 复购率

总体复购率：

这里是按这份数据所在的时间段，计算购买次数大于2次的用户，再除于总的用户数，这里得排除的一个数据是用户Client这里，有一个数据是Customer not informed(客户没有提供名字的情况)，这条数据得排除了，所以计算购买次数大于2的用户和总用户数对应减去1，这是个人的想法，实际是得和业务沟通，得到实际的计算方法。查看Customer not informed这条数据：# 计算每个客户的购买次数，这里使用了nunique(),统计不同订单号的个数

client_data = data.groupby('Client').nunique()['Order Number']

# 重命名列

client_data = client_data.reset_index().rename(columns={'Order Number':

'user_num'})

client_data.sort_values('user_num', ascending=False)

# 总复购率

print('总复购率:',

round(

(len(client_data[client_data['user_num'] > 1])-1) /

(len(client_data) - 1), 4) * 100, '%')

输出：

该数据所在的时间段的总体复购率达到了87.91%，用户黏性较高。

这里再细分下，看下一个月内的复购的情况。

一个月内复购率

这里的一个月内复购率的定义是：从月初的1号到月底这段时间内，用户复购的比率。# 这里的销售时间是datetime格式，增加个辅助列，转换成2017-01这样的年月显示

def parse_year_month(x):

if x.month >= 10:

return str(x.year) + '-' + str(x.month)

else:

return str(x.year) + '-0' + str(x.month)

data['year_month'] = data['Sale Date Time'].apply(parse_year_month)

统计每个月用户的购买次数

y_m_data = data.groupby(['year_month',

'Client']).nunique()['Order Number'].reset_index()

y_m_data

输出：

每个月的复购率# 保存临时数据，用于构建每月的复购率的DataFrame

month_list = []

rate_list = []

# 循环计算每个月的复购率，这里直接遍历每个月

for every_m in y_m_data['year_month'].unique():

#     获取每个月用户的购买次数的数据

temp = y_m_data[y_m_data['year_month'] == every_m]

#     print(every_m, '复购率：',

#           round((len(temp[temp['Order Number'] > 1])-1) / (len(temp) -1),4))

month_list.append(every_m)

#     选出购买次数>1的数据，获取数据的长度(用户数)- 1 再除以

# 当月的总用户数 -1

rate_list.append(round((len(temp[temp['Order Number'] > 1])-1) / (len(temp) -1), 4))

#将数据转换成DataFrame

t_1 = {'month': month_list, 'rate': rate_list}

rate_data = pd.DataFrame(t_1)

rate_data

输出：

导出数据，用Excel做可视化：

rate_data.to_excel('./rate_data.xlsx', index=False)

月复购率都在66%以上，用户的黏性较大。

4.3.4 购买次数的情况

这里只挑选了2018年4月这个月的购买次数来做分析，其他月份的可以类推。data_201804 = y_m_data[y_m_data['year_month'] == '2018-04']

#重命名Order Number为购买次数buy_frequency

data_201804.rename(columns={'Order Number': 'buy_frequency'}, inplace=True)

data_201804

# 设置数据的区间

bins = [0, 1, 2, 5, 10, 50, 100, 100000]

per_frequency = pd.cut(data_201804['buy_frequency'], bins)

per_frequency.value_counts()

per_frequency.value_counts().plot(kind='bar')

4.3.5 RFM模型分析用户的价值

这里只针对2018年4月份的用户价值进行分类，其他可以类推。# 按月份提取每个月用户的R、F、M值

RFM_data_all = data.groupby(['year_month',

'Client']).agg({'Order Number': 'nunique',

'Sale Date Time': 'max',

'Total': 'sum'})

RFM_data_all.reset_index(inplace=True)

# 保存一份数据，下次直接读取该数据集就可以，省时间

RFM_data_all.to_excel('RFM_data_all.xlsx', index=False)

# 提取2018年4月份的数据

RFM_data_201804  = RFM_data_all[RFM_data_all['year_month'] == '2018-04']

RFM_data_201804

输出：

# 参考时间，这里随便设置里2018-05-01 23:59:59，不让R值为0，这里的R以天作为单位

import datetime

reference_time = datetime.datetime.strptime('2018-05-01 23:59:59',

'%Y-%m-%d %H:%M:%S')

# 构建R指标

RFM_data_201804['R'] = RFM_data_201804['Sale Date Time'].apply(lambda x: (

reference_time - x).days)

# 重新命名列

RFM_data_201804.rename(columns={'Order Number': 'F', 'Total': 'M'}, inplace=True)

# 排序查看异常值

RFM_data_201804.sort_values('M', ascending=False)

输出：

这里有个异常值，标记为客户没有提及姓名的，直接删除处理。RFM_data_201804.drop(index=26015, inplace=True)

提取RFM指标

RFM_data = RFM_data_201804[['R', 'F', 'M']]

数据规范化，进行聚类from sklearn.preprocessing import StandardScaler

from sklearn.cluster import KMeans

#数据规范化

ss  = StandardScaler()

train = ss.fit_transform(RFM_data)

# 模型进行训练，这里直接聚类成5类。

kmeans_model = KMeans(n_clusters=5)

kmeans_model.fit(train)

#查看聚类中心

test = pd.DataFrame(kmeans_model.cluster_centers_, columns=['R', 'F', 'M'])

test

输出：

分析：

分群0：R小，F小，M小，这类属于一般价值客户。分群1，R大，F小，M小，这类属于一般发展客户。分群2，R小，R大，M大，这类属于重点保持客户。分群3、4 这类，R小，F、M大，这类都属于高价值客户。

将分群的结果合并到RFM_data数据里看下原数据。

RFM_data['sk5_label'] = kmeans_model.labels_

这里挑出分群3、4的数据来看看。RFM_data[RFM_data['sk5_label'] == 3]

输出：

分群3的用户的购买次数F在670-1300之间，消费金额M在7.7W-18W之间，且R小，属于高价值客户。

RFM_data[RFM_data['sk5_label'] == 4]

输出：

分群4的用户购买次数在210-280之间，购买金额在20W以上，这类是属于高价值客户。

Tableau实现的客户分群：

客单价=M/F。这里可以看出群集5的客单价最高，其次是群集3，最低的是群集4。

4.3.6 用户月留存率

这里统计用户月存留率是上个月与当前月都有购买的用户的数量/(除以)上个月的总用户数(去重)。类似流失率，这里不同的是都是上月流向下月的，不是1->2->3这样的流向，而是1->2， 2->3这样的流向。# 提取每个月的用户(去重)

every_month_user = data.groupby(['year_month',

'Client']).nunique()['Order Number'].reset_index()

every_month_user

输出：

# 获取每个月份的列表，循环遍历计算上个月与当前月的留存率

year_month = every_month_user['year_month'].unique()

# 保存月留存率的列表

list_month_rate = []

for i, month in enumerate(year_month):

#     计算上个月与当前月的留存率

if i>= 1:

#         获取当前月的用户(上面groupby已去重)

this_month_client = every_month_user[every_month_user['year_month'] == month]['Client']

#        获取上个月的用户(上面groupby已去重)

previous_month_client = every_month_user[every_month_user['year_month'] == year_month[i-1]]['Client']

#         计算留存率，这里用的是上个月与当前月用户的交集个数/上个月的用户数(去重)

rate = round(len (set(this_month_client) & set(previous_month_client))

/ len(previous_month_client),2)

#         用列表保存数据，并构建DataFrame用户绘图

b = [month, rate]

list_month_rate.append(b)

# 构建DataFrame

rate_data = pd.DataFrame(list_month_rate, columns=['year_month', 'rate'])

rate_data

输出：

可视化：

结论：

月的用户留存率达到74%以上，用户黏性高。

4.4 产品角度

4.4.1 销售额，订单量前10的销售产品

产品Special Gasoline、Gasoline汽油类的产品的销售金额、订单量位居前列；其次是Diesel Auto Clean这个清洁类的产品。

4.4.2 产品分类(聚类分析)

这里先获取每个月的产品的成本C，订单量F，销售总金额M，这里只挑选了2018年4月一个月的产品数据来分析month_product_data = data.groupby(['year_month',

'Product']).agg({

'Product Cost': 'mean',

'Order Number': 'nunique',

'Total': 'sum'

}).reset_index()

# 重命名

month_product_data.rename(columns={'Product Cost': 'C', 'Order Number': 'F',

'Total': 'M'}, inplace=True)

# 导出数据到Excel,结合Tableau一起分析下。

month_product_data.to_excel('./month_product_data.xlsx', index=False)

# 选择2018年4月的数据

# 这里只取一个月的产品进行聚类

month_product_201804 = month_product_data[month_product_data['year_month'] == '2018-04']

month_product_201804

输出：

模型训练，进行聚类

# 导入包

from sklearn.preprocessing import StandardScaler

from sklearn.cluster import DBSCAN

ss = StandardScaler()

# 获取需要的数据

X = month_product_201804[['C', 'F', 'M']]

# 数据规范化

train_X = ss.fit_transform(X)

# 设置聚类数4个

dbscan_model = DBSCAN(min_samples=4)

# 模型训练

dbscan_model.fit(train_X)

# 将聚类的结果合并到原数据集上。

month_product_201804['labels'] = dbscan_model.labels_

# 查看聚类的分布情况

month_product_201804['labels'].value_counts()

输出：

这里标记为-1的数据集都是异常的数据，查看下。

这里结合Tableau可视化看下。

这里可以看出模型标记出来为-1数据的分成两类。

A类(上图和下图截红框)：成本低，订单量多，购买金额多的，这类属于重点开发的产品。

B类：成本高，订单量少，购买金额少的，这类属于低价值的产品，应该砍掉。

Tableau排除上图截红框的一个教特殊的产品再进行产品的聚类。

这里的圆圈的大小表示成本C的大小。

针对群集1：

这里利用二分法为订单量F分为50以下，50以上。针对F为50以下的群集1，这类购买次数较少，总的销售金额也在5K以下，这类的产品，可以采取部分下架。针对F为50以上的产品，这类产品购买次数稍多，采取维持的状态。

针对群集2：

这里也利用二分法将其分为销售金额M在3500以上，和3500以下的。3500以下的这类的产品成本高，且销售额也在3500以下，购买次数也低于50，这类产品应该采取放弃策略。3500以上的则采取先保持策略，再下一阶段再继续深入观察，分析，做进一步的决策。

针对群集3：

这类产品的购买次数F在600以上，销售金额M也在6k以上，成本C也较小，这类产品采取继续扩大。

针对群集4：

成本C较小，购买次数F在200-600之间，销售金额在10K以上，这类产品属于重点保持的产品，该类产品应给与较大的重视，进一步发挥这类产品的价值。

4.4.3 产品销售额情况及总体的占比(帕累托最优)

产品的头部的效应明显，前三产品的总销售金额达到总销售金额的82%以上，符合二八定律。

4.4.4 产品的成本分布

较大一部分产品的成本在12以下，其次是在12-36区间，接着是36-95的区间，95以上的产品较少。

4.4.5 跟目录下的各个产品数

Filters产品类别下的产品数最多，达到933。其次是839的Chewing Gum And Candy。最少的产品数的是类别Extinguisher，只有6个。

5 支付方式

近7成的用户选择现金支付。

6 总结

6.1 三年间销售额达到了17.8亿。

6.2 2017年该连锁店处于上升期，销售额、订单量呈上升状态，2018、2019年趋于平稳。

6.3 该连锁店的销售业绩呈现周期性，周一到星期天较高，星期日最低。

6.4 总体复购率达到了87.91%，用户黏性较大。

6.5 月初到月末的复购率达到66%以上，用户的黏性较大。

6.6 用户月留存率达到74%以上，老客户居多。

6.7 产品符合二八分布，前三产品Special Gasoline、Gasoline、Diesel Auto Clean达到总销售金额的82%。

6.8 80%的产品的成本在36以下。

6.9 近七成的用户选择现金支付。

欢迎加飞总微信号