数据分析实战项目练习——物流行业数据分析

物流行业数据分析

数据来源：
某企业销售的6种商品所对应的送货及用户反馈数据。

本文从人—货—场对物流数据进行对应的分析：

人：人指的是消费者。随着消费等级的升级，消费者的认知有明显的升级。同时形成了我们判断产品或服务好坏的三个维度，即功能维度，内容维度，服务维度。通俗来讲就是产品的用户体验感。

货：货指的是商品。商品的功能不再是单一的，而是多边延伸，商品的价值需要多方面满足消费者的需求。对于物流行业，产品的创新，可以是专线路线的延伸拓展，可以是时效的提升，可以是服务的优化扩展，可以是安全的保障！

场：场是为了交易提供的场所。无论线上平台，还是线下门店，场的本质并没有变。深入到市场中去，了解客户需求，并以客户需求为导向进行经营理念、方式、范围的合理优化，将会吸引到更多的客户，拓宽客户群体。

总而言之，最终货和场将紧密围绕人而升级，以提升消费体验为最关键的目标。

待解决问题：
人：客户体验中的配送服务是否存在问题？
货: 商品是否存在质量问题？
场：是否存在尚有潜力的销售区域？

具体分析过程如下：
1、数据清洗
2、数据规整
3、数据分析并可视化

数据清洗（重复值、缺失值、异常值处理、格式调整）

import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei' #设置中文显示

导入相应的数据分析模块

data = pd.read_csv('E:\BaiduNetdiskDownload\data_wuliu.csv',encoding='gbk')
data.info()

数据读取及显示：
通过info()可以看出，包括10列数据，名字，数据量，格式等，可以得出：
1.订单号，货品交货情况，数量：存在缺失值，但是缺失量不大，可以删除
2.订单行，对分析无关紧要，可以考虑删除
3.销售金额格式不对（万元、元、逗号问题）数据类型需要转换成int或者float。

data.drop_duplicates(keep='first',inplace=True) #删除重复记录
data.info()

删除重复记录及结果显示：

data.dropna(axis=0,how='any',inplace=True) #删除带有NA的行
data.info()

删除带有NA的行及结果显示：

data.drop(columns='订单行',inplace=True,axis=1) #删除订单行的数据
data.info()

删除订单行的数据及结果显示

data

查看数据

data.reset_index(drop=True,inplace=True)  #更新索引，drop=True:是把原来的索引index列删除，重置index
data

观察到，销售金额列的数值单位存在不统一问题，需要进一步处理：
#取出销售金额列，对每一个数据进行清洗
#编写自定义过滤函数：删除逗号，转成float，如果是万元则*10000，否则，删除元

def data_deal(number):if number.find('万元')!= -1: #找到带有万元的，取出数字，去掉逗号，转成float,*10000number_new = float(number[:number.find('万元')].replace(',',''))passelse: #找到带有元的，删除元，删除逗号，转成floatnumber_new = float(number.replace('元','').replace(',',''))passreturn number_new
data['销售金额'].map(data_deal)

得到我们所需要的统一数据格式，方便后续处理。

data.describe() #数据的描述性分析

通过观察发现数据右偏平均值远远大于中位数

其中销售金额==0，采用删除方法，因为数据量很小
data = data[data['销售金额']!=0]
data
销售金额和销售数量存在严重右偏现象，在电商领域2/8很正常，无需处理。

数据规整（增加辅助列）

data['销售时间']=pd.to_datetime(data['销售时间'])
data['月份']= data['销售时间'].apply(lambda x:x.month)
data

增加辅助列：月份
数据分析并可视化
PART1 货品配送服务分析
#1.配送服务是否存在问题
(a.月份维度b.销售区域维度c.货品维度d.货品和销售区域结合)

a.月份维度

data['货品交货状况']=data['货品交货状况'].str.strip()
data1= data.groupby(['月份','货品交货状况']).size().unstack()
data1

data1['按时交货率'] = data1['按时交货']/(data1['按时交货']+data1['晚交货'])
data1

从按时交货率来看，第四季度低于第三季度，猜测可能是气候原因造成的。
b.销售区域维度

data1= data.groupby(['销售区域','货品交货状况']).size().unstack()
data1['按时交货率'] = data1['按时交货']/(data1['按时交货']+data1['晚交货'])
data1

对区域的按时交货率进行排序
print(data1.sort_values(by='按时交货率',ascending=False))

从数据知西北地区存在严重的交货延迟问题，急需解决。
c.货品维度

data1= data.groupby(['货品','货品交货状况']).size().unstack()
data1['按时交货率'] = data1['按时交货']/(data1['按时交货']+data1['晚交货'])
data1

# 对货品维度的按时交货率进行排序
print(data1.sort_values(by='按时交货率',ascending=False))

货品4的交货情况非常严重，其余货品相对交货状况较好
d.货品和销售区域结合

data1= data.groupby(['销售区域','货品','货品交货状况']).size().unstack()
data1['按时交货率'] = data1['按时交货']/(data1['按时交货']+data1['晚交货'])
print(data1.sort_values(by='按时交货率',ascending=False))

销售区域：最差在西北地区，货品有1和4，主要是货品4送货较晚导致
货品：最差的货品2，主要送往华东和马来西亚，主要是马来西亚送货较晚导致
同理我们可以分析货品和月份维度、销售区域和月份维度的关系。
PART2 销售区域潜力分析
2.是否存在尚有潜力的销售区域(a.月份维度b.销售区域维度c.月份和销售区域结合)
a 月份维度

 data1=data.groupby(['月份','货品'])['数量'].sum().unstack()
data1

data1.plot(kind='line')

货品2在10月和12月份，销量猛增，原因猜测有二：1.公司加大营销力度，2.开发了新的市场。
b 销售区域

data1=data.groupby(['销售区域','货品'])['数量'].sum().unstack()
data1

从销售区域来看，每种货品销售区域为1~3个，货品1有3个销售区域，货品2有2个销售区域，其余货品均有1个销售区域。
c 月份和区域维度

data1=data.groupby(['月份','销售区域','货品'])['数量'].sum().unstack()
data1

data1['货品2']

货品2在10月，12月份销量猛增，主要发生在原有销售区域（华东地区）。
同样，分析出在7、8、9、11月份销售数量还有很大的提升空间，可以适当加大营销力度。
PART3 商品质量分析
3.商品是否存在质量问题？

 data['货品用户反馈']= data['货品用户反馈'].str.strip()  ##去除字符串首尾空格
data['货品用户反馈']

data1=data.groupby(['货品','销售区域'])['货品用户反馈'].value_counts()
data1

data1=data.groupby(['货品','销售区域'])['货品用户反馈'].value_counts().unstack()
data1

print(data1.sum(axis=1))

data1['拒货率']= data1['拒货']/data1.sum(axis=1)
data1['返修率']= data1['返修']/data1.sum(axis=1)
data1['合格率']= data1['质量合格']/data1.sum(axis=1)
data1

data1.sort_values(['合格率','返修率','拒货率'],ascending = False) #降序排序

1、货品3，6，5 合格率较高，返修率比较低，说明质量还可以
2、货品1，2，4，合格率较低，返修率较高，质量存在一定的问题，需要改善
3、货品2 在马来西亚的拒货率最高，同时货品2在马来西亚的按时交货率非常低。猜测马来西亚人对送货的时效性要求较高。
4、考虑到货品2主要在华东地区销售量大，可以考虑增大在华东的投资，适当减小马来西亚的投入。

总结：在本次分析中，主要利用了人货场分析思路进行分析，1、针对配送服务问题：通过计算按时交货率，发现货品4→西北，货品2→马来西亚两条线路存在较大问题，运输时效性方面需要大幅度的改进提升。2、销售区域潜力分析：发现货品2在华东地区还有较大的市场空间，适合加大投入，同时货品2在西北存在配送慢、用户拒收率高的问题，从投资成本考虑，应减少投入。3、商品质量问题分析：对商品的合格率，返修率，拒货率等指标进行了量化分析。货品1，2，4质量存在问题，建议扩大抽检范围，增大质检力度。

数据分析实战项目练习——物流行业数据分析相关推荐

实战项目：物流行业数据分析
1.数据来源:某企业销售的6中商品所对应的送货及用户反馈数据解决问题: 配送服务是否存在问题是否存在有潜力的销售区域商品是否存在质量问题结论货品4-西北,货品2-马来西亚,这两条线路存在较大 ...
FineBI实现物流行业数据分析
FineBI实现物流行业数据分析 1 物流流向分析 1.1 数据集 1.2 图表---流向地图 2 物流流向TOP10 2.1 图表---颜色表格 3 签收比例前10城市 3.1 图表---对比柱状图 ...
在线教育数据分析实战项目案例
数据分析实战项目案例数据分析概览数据分析经常遇到的问题解决思路常规产品指标在线教育产品指标市场效果广告指标搭建指标系统流程渠道的分类针对搜索引擎,信息流广告如何稳定提高ROI 利用M ...
数据分析实战项目-蛋壳公寓投诉分析
摘要:由于今年疫情,加速了长租公寓的暴雷,本人所租的蛋壳公寓也频繁传出各种负面新闻,直到10月初合同到期,不敢再续租了,按约退房!押金退还流程先退到APP内,再提现,APP内显示14个工作日到账,截至 ...
分享3个数据分析实战项目（附最新资料包）
"跳槽大厂数分岗位,到底需要准备什么呢?" 之前我简历里带了一个数据分析实战经验,项目不大不小,只是想用来美化下简历.结果没想到,最后这竟然成了我斩获大厂offer的关键之一! 相 ...
基于python的房地产数据分析_基于Python的数据分析实战项目
本文中项目资料来源于网易云课堂,代码为纯手工码字滴,请放心食用,不定期更新,欢迎对Python.数据分析以及编程感兴趣的同学留言沟通. 详细介绍了数十个数据分析相关的实战项目,大量使用pandas.n ...
Python数据分析实战项目-共享单车骑行数据分析
背景介绍随着我国的经济迅速发展,城市人口急剧增加,随之带来的是一系列的问题,交通拥堵,环境受到破坏,发展公共交通可以完美的解决现在我们面临的这些问题,自行车具有机动灵活.低碳环保的优点,如果自行车可 ...
【每周一本书】之《游戏数据分析实战》：盛大游戏数据分析专家亲历16年的实战经验分享
[数据猿导读]<游戏数据分析实战>贯穿整个游戏生命周期,提供了丰富的数据分析案例,从预热到封测,再到公测, 均为作者在实际工作中经历的真实案例.案例分析包含数据来源.分析方法.分析过程.分 ...
Excel数据分析实战之开宗明义: Excel与数据分析实战
大家好,我是爱编程的喵喵.双985硕士毕业,现担任全栈工程师一职,热衷于将数据思维应用到工作与生活中.从事机器学习以及相关的前后端开发工作.曾在阿里云.科大讯飞.CCF等比赛获得多次Top名次.喜 ...
万字长文，Python数据分析实战，使用Pandas进行数据分析
文章目录很多人学习python,不知道从何学起. 很多人学习python,掌握了基本语法过后,不知道在哪里寻找案例上手. 很多已经做案例的人,却不知道如何去学习更加高深的知识. 那么针对这三类人,我 ...

数据分析实战项目练习——物流行业数据分析

物流行业数据分析

数据分析实战项目练习——物流行业数据分析相关推荐

最新文章

热门文章