Python实现电商订单的数据分析
Python实现电商订单的数据分析
⼀、数据信息：
数据来源：
说明：本数据集共有104557条数据，共计11个字段
腊八祝福精美动态图片字段：
id ： 序号
orderID ：订单id
userID ：⽤户id
goodsID ：商品id
orderAmount ：订单总额
payment ：买家实际⽀付⾦额
chanelID ：渠道id
platfromType ：购买渠道
orderTime ：订单产⽣时间
payTime ：订单⽀付时间，为2019-01-01⾄2020-05-28这个时间段的数据（主要以订单⽀付时间作为分析基础）
chargeback ：是否退款
⼆、结论先⾏
1. 销量分析：⽤户的整体转换率⾼，双⼗⼀双⼗⼆活动效果明显
继续保持⽤户转化率，后续可以利⽤更多节假⽇所在⽉，复制双⼗⼀双⼗⼆的促销活动，增加销售额
针对性的对⽹页版和阿⾥平台进⾏店铺优化设计和渠道推⼴，同时借鉴WechatMP平台和APP这两个购买渠道之所以受到⽤户欢迎的要点——可针对性的对这⼏个购买渠道做埋点以及⽤户⾏为路径分析、页⾯评估
2.⽤户购买次数分析：复购率和⼈均购买次数极低，平台主要为“⼀次性买卖”
提⾼品牌影响⼒，培养⽤户忠实度，同时进⼀步挖掘已有客户的购买⼒
3. 使⽤RFM模型进⾏⽤户价值分类：针对不同客户体，分别针对性的采取运营措施
重要价值⽤户：对其投⼊耕作资源，提供vip服务、个性化服务，保持其黏性的同时⼜继续引导其消费
潜⼒客户：这类客户需要对其深⼊挖掘，对其销售⼀些价值更⾼的产品，并要求其评论，根据评论内容出其诉求和痛点，吸引他们重要深耕⽤户：给其不定时发送促销活动提醒和优惠券活动等
新⽤户：组织社活动，在内不定时提供⼩样免费试⽤或抽奖活动，以及拉新进达到⼀定数量即可获取⼤额优惠券等，提⾼⽤户兴趣，创建品牌知名度
重要换回⽤户：精准营销，根据⽤户画像等为⽤户提供其可能会关注或感兴趣的商品，通过续关店铺或出产更新更吸引⼈的产品赢回他们
⼀般⽤户：可以采⽤每⽇店铺打卡获取积分，积分可兑换热门产品⼩样或店铺内抽奖，让其持续不断关注到店铺
重要挽回⽤户：重点回访，针对性提问⽤户不再购买的可能性原因，并在此基础上重新向客户营销，如回答服务态度⽅⾯，安抚；如回答产品质量⽅⾯，则回答已改进，请重新试⽤并寄去⼩样等
流失客户：尝试恢复其兴趣，如⽆果，则不再浪费时间
三、分析框架
1. 销量分析：购买时间，商品类别，购买渠道，转化率
转化率 ：转化流程为订单创建 -> 订单付款 -> 订单成交（未被退款）
2.⽤户购买次数分析：⽤户购买次数分布（频次图）、⼈均购买次数（⽀付并未退款）、复购率（复购率=购买次数在2次及以上的⼈数/有购买⾏为的⼈数）
3. 使⽤RFM模型进⾏⽤户价值分类
四、数据清洗
深一点妈妈今天是你的import pandas as pd
import matplotlib.pyplot as plt
# 对数据进⾏初步了解
data = pd.read_excel('/home/kesci/input/dssj9032/order2019.xlsx')
data.info()
data.sample(10)
观察可知，仅chanelID列存在缺失值，说明有⼈是未经过渠道推荐直接进到平台上下单的。该缺失值不影响分析结果，故暂不作处理
购买渠道存在⽆意义空格，对其进⾏去除：
data['platfromType'] = [i.replace(' ','') for i in data['platfromType']]
从订单付款时间⾥提取出⽇期，⽅便后续对销售额进⾏计算：
data['payDate'] = data['payTime'].dt.date
data['payDate'] = pd.to_datetime(data['payDate'])
# 同时增加“天数”列，⽤于后续辅助计算“R”指标
data['days'] = (pd.to_datetime('today') - data['payDate']).dt.days
五、数据分析
五一放假通知格式范文1. 销量分析
所有交易都是以最终获利来进⾏计算的，因此考虑到退款情况的前提下，对⽬前已有的订单按照订单⽀付时间为分组条件，对买家实际⽀付⾦额进⾏求和。由于数据时间跨度较⼤，故以⽉为单位进⾏统计
data_not_chargeback = data[data.chargeback=='否']
df = data_upby(pd.Grouper(key='payDate',freq='M'))['payment'].sum()
x =[f'{y}年{m}⽉' for y,m in zip(ar, h)]
plt.figure(figsize=(16,9),dpi=160)
plt.plot(range(len(x)), df)
<(0,df.max(),f'总销售额情况为{round(df.sum(),2)}元',fontsize=20)
江苏限电令最新消息for x,y in zip(range(len(x)),df.values):
<(x, y+7000,int(y),ha='center')  #给数据点添加标签
plt.ylabel('销售额')
plt.xlabel('时间')
plt.title('销售额每⽉⾛势',fontsize=25)
plt.show()
从“销售额每⽉⾛势”图可得出以下⼏个信息：
1. 在2019-01-01⾄2020-05-28这段时间，销售最⾼额出现在“双⼗⼀”活动所在⽉——11⽉，销售额达1064万，占2019年度销
售总额的10.08%
2. 19年1⽉⾄2⽉出现⼤幅度下降，到了3⽉开始迅速上升，5⽉冲上⼩⾼峰，随后⼀直处于⾼峰时期，到10⽉份有⼀定回落，随后双
11双12所在⽉迎来全年⾼峰时刻，进⼊2020年后则由于疫情影响，迅速跌⼊⾕底并持续低迷，直⾄5⽉份仅434元销售额
# 根据商品类别进⾏销量统计，出实际交易卖的最好的前⼗种商品
hot_10 = pd.DataFrame({
'销量':data['payment'].value_counts(),
'实际成交销量':data_not_chargeback['payment'].value_counts()
}).sort_values(by='销量', ascending=False)
hot_10['总销量占⽐(%)'] = hot_10['销量'].apply(lambda x : round((x/hot_10['销量'].sum())*100,2))
hot_10['实际销售额'] = data_upby(by='orderAmount')['payment'].sum()
hot_10['销售额占⽐(%)']=hot_10['实际销售额'].apply(lambda x : round((x/hot_10['实际销售额'].sum())*100,2))
print(f'{"-"*20}热卖前10{"-"*20}')
print(hot_10.head(10))
# 根据购买渠道进⾏销量统计
saleChannel = data_upby(pd.Grouper(key='platfromType'))['payment'].sum()
x_ = list(saleChannel.index)
plt.figure(figsize=(16,9),dpi=160)
plt.bar(range(len(x_)), height=saleChannel, width=0.5)
for x,y in zip(range(len(x_)),saleChannel.values):
see you again歌词
<(x, y+8000,int(y),ha='center')  #给数据点添加标签
plt.ylabel('销售额')耸的拼音和组词
plt.xlabel('购买渠道')
plt.title('各购买渠道销售情况',fontsize=25)
plt.show()
从上图可以看出：⽤户主要是通过WechatMP平台和APP进⾏购买的，其次是⽹页版，再
次是阿⾥平台，商店和wap是最低
现查看chargeback字段值的分布数量：
import seaborn as sns
print(data['chargeback'].value_counts())

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。