1. Johngo学长首页
  2. 技术点详细复盘专题
  3. 人工智能

某在线商店电子产品销售数据可视化分析

• 人工智能 • 阅读 83

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


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

某在线商店电子产品销售数据可视化分析 

df.drop(['Unnamed: 0'],axis=1,inplace= True)

df.isnull().sum()

某在线商店电子产品销售数据可视化分析 

df.fillna('missing',inplace=True)

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

df = df.drop_duplicates()

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()

某在线商店电子产品销售数据可视化分析
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。

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()

某在线商店电子产品销售数据可视化分析
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()

某在线商店电子产品销售数据可视化分析
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()

某在线商店电子产品销售数据可视化分析
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

某在线商店电子产品销售数据可视化分析 
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()

某在线商店电子产品销售数据可视化分析
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()

某在线商店电子产品销售数据可视化分析
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()

某在线商店电子产品销售数据可视化分析
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

某在线商店电子产品销售数据可视化分析 
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()

某在线商店电子产品销售数据可视化分析
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

某在线商店电子产品销售数据可视化分析
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]))

某在线商店电子产品销售数据可视化分析
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'
    f='1' if x[1]>= 3 else '0'
    m='1' if x[2]>=1251 else '0'
    return dic_rfm[r+f+m]

dic_rfm ={
    '111':'重要价值会员',
    '011':'重要保持会员',
    '101':'重要发展会员',
    '001':'重要挽留会员',
    '110':'一般价值会员',
    '100':'新会员',
    '010':'一般发展会员',
    '000':'低价值会员'}

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

某在线商店电子产品销售数据可视化分析 
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()

某在线商店电子产品销售数据可视化分析

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

Original: https://blog.csdn.net/qq_45694768/article/details/120711867
Author: 数数chat
Title: 某在线商店电子产品销售数据可视化分析

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/674576/

转载文章受原作者版权保护。转载请注明原作者出处！

赞 (0)
0

【自取】最近整理的，有需要可以领取学习：



Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言 刷题答案下载！

大家都在看

亲爱的 Coder【最近整理，可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球