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()

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

#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()

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()

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()

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

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()

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()

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()

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

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()

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

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]))

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

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()

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

某在线商店电子产品销售数据可视化分析相关推荐

某在线商店电子产品销售数据分析-RFM分析方法
本文github地址:DataSicence 数据下载链接:链接本文参考资料:链接 import pandas as pd import numpy as np import matplotlib. ...
Python基于Matplotlib实现双Y轴绘图——图书销售数据可视化分析
今天遇上一个小的需求就是需要绘制双轴的图,这个之前使用excel的话是可以很快绘制出来的,但是基于代码实现的话好像还么怎么用过,所以这里研究了下,绘制好后,分享记录一下,首先看下数据: 主要是不同种类 ...
基于Python的自动售货机销售数据可视化分析及预测
目录 1 数据预处理和分析 1 1.1数据预处理 1 1.2任务1.2 2 1.3任务1.3 2 2数据分析与可视化 4 2.1任务2.1 4 2.2任务2.2 5 2.3任务2.3 9 2.4任务2 ...
Tableau实战｜超市销售数据可视化分析
大家好,木木来了- 今天我们利用tableau的数据可视化功能对超市销售与利润进行分析,数据源为tableau自带的示例数据. 1 全国各地区销售额与利润表现将经度拖动到列,纬度拖动到行,出现世界地 ...
数据分析 | 如何对年终销售数据进行可视化分析快速搞定统计图表
数据分析 | 如何对年终销售数据进行可视化分析,快速搞定统计图表以下文章由:聂永真可视化设计实验室整理. 等信息年终将近,又到拿数据来做总结汇报时.作为销售部的管理者或是销售人员,你还在拿着一张 ...
电子产品销售数据分析
项目背景本数据报告以某电子产品销售数据为数据集.以店铺和用户的角度进行探索式分析,从而了解在线销售业务的消费情况以及用户的消费行为,最终提出店铺销售建议. 数据清洗 #导入第三方库 import p ...
【手把手教你】股票可视化分析之Pyecharts（一）
Pyecharts简介 Echarts 是百度基于JavaScript 开源的可视化图表库,而 Pyecharts 相当于是 Python+echarts,即使用 Python 语言调用 echart ...
全球与中国3C电子产品用铝型材市场现状及未来发展趋势
根据QYR(恒州博智)的统计及预测,2021年全球3C电子产品用铝型材市场销售额达到了亿美元,预计2028年将达到亿美元,年复合增长率(CAGR)为 %(2022-2028).地区层面来看,中国市 ...
Python 在线电子零售公司销售数据（Online Retail | Kaggle）关联规则分析(Apriori算法)
引言: 本文使用python语言完成了在线电子零售公司的跨国交易数据集的数据分析与可视化.根据关联规则原理设计实现了基于Apriori算法的关联规则挖掘程序并将程序封装.使用封装好的关联规则挖掘程序对 ...

某在线商店电子产品销售数据可视化分析