Добавить Автора
Источник: Публичный аккаунт «Jake's IT Journey». Идентификатор: Jake_Internet.
Оригинальная ссылка:Я использовал Python для анализа продаж косметической компании, какой вывод я сделал?
Закулисный ответ публичного аккаунта «Путешествие Цзе Гэ в ИТ»: [Косметика], чтобы получить полные данные этой статьи.
【Введение】Эта статья посвящена анализу продаж косметической компании. Начиная с анализа идей, я проведу вас шаг за шагом, чтобы проанализировать проблему с python, выяснить проблему и предложить весь процесс решения.
Спрос: я надеюсь иметь полное представление о ситуации с продажами определенной косметической компании, помочь операционному руководству компании понять общие продажи компании и продажи продукции, а также предоставить соответствующие предложения и стратегии продаж для маркетинговой стратегии компании.
процесс бизнес-анализа
1. Сценарий (диагностика статус-кво)
Объекты: пользователи; продажи
Фокус: Найдите факторы роста, влияющие на продажи.
Цель: выявить проблемы и предложить решения
2. Требовать демонтажа
Анализируйте тенденции продаж, чтобы найти продукты или области, которые влияют на рост доходов бизнеса.
График динамики продаж по месяцам (в целом)
Сравнение продаж товаров (первичный, вторичный, найти самый низкий и самый высокий)
Сравнение региональных продаж (детализация: регион, провинция, найти самый низкий и самый высокий)
Изучите состояние продаж различных товаров и сделайте стратегические предложения по продажам товаров компании.
Соотношение продаж каждого продукта в разные месяцы
Анализ, связанный с продуктом
Анализируйте характеристики пользователей, частоту покупок, коэффициент удержания и т. д.
Распределение частоты покупки
Доля повторных покупок (количество пользователей, совершивших повторные покупки (количество пользователей, совершивших покупку за два дня)/количество пользователей)
Когортный анализ (ежемесячно)
3. Реализация кода
Получить данные (Excel)
Это подробные данные о ежедневных заказах и данные о продуктах косметической компании с января 2019 года по сентябрь 2019 года, включая две таблицы данных, таблицу заказов на продажу и таблицу информации о продуктах. Таблица заказов на продажу содержит подробную информацию о каждом заказе, один заказ соответствует одной продаже, и один заказ может содержать несколько товаров.
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.family'] = 'SimHei'
import numpy as np
import warnings
warnings.filterwarnings("ignore")
data = pd.read_excel('C:/Users/cherich/Desktop/日化.xlsx',encoding='gbk')
data.head()
data_info = pd.read_excel('C:/Users/cherich/Desktop/日化.xlsx',encoding='gbk',sheet_name='商品信息表')
data_info
Очистка и обработка данных
data = data.dropna()
# 订购数量结尾有字符'个'
data['订购数量'] = data['订购数量'].apply(lambda x:str(x)[:-1] if str(x)[-1] == '个' else x)
data['订购数量'] = data['订购数量'].astype(int)
# 订购数量结尾有字符'元'
data['订购单价'] = data['订购单价'].apply(lambda x:str(x)[:-1] if str(x)[-1] == '元' else x)
data['订购单价'] = data['订购单价'].astype(int)
# 日期里有特殊字符 2019#3#11
def proess_date(df):
pos = str(df).find('#')
if pos!= -1:
df = str(df).split('#')
return df[0]+'-'+df[1]+'-'+df[2]
else:
return df
# res = proess_date(df ='2019#3#11')
data['订单日期'] = data['订单日期'].apply(proess_date)
data['订单日期'] = data['订单日期'].apply(lambda x:str(x).replace('年','-').replace('月','-') if '年' in str(x) else x )
data['订单日期'] = pd.to_datetime(data['订单日期'])`
#data.info()
data = data[data.duplicated()==False]
data['所在省份'].nunique()
data['月份'] = data['订单日期'].apply(lambda x:str(x).split('-')[1])`
data
визуализация данных
# 两张表数据合并
total_data = pd.merge(data,data_info,on='商品编号',how='left')
total_data
groups = data.groupby('月份')
x = [each[0] for each in groups]
y = [each[1].金额.sum() for each in groups]
z = [each[1].金额.count() for each in groups]
money_mean = data.金额.sum()/9
order_mean = data.金额.count()/9
plt.figure(figsize=(18, 10), dpi=80)
plt.subplot(221)
plt.plot(x, y,linewidth=2)
plt.axvspan('07', '08', color='#EE7621', alpha=0.3)
plt.axhline(money_mean, color='#EE7621', linestyle='--',linewidth=1)
plt.title("每月销售额趋势图",color='#4A708B',fontsize=24)
plt.ylabel("金额/(亿)",fontsize=16)
plt.subplot(222)
plt.plot(x, z, linewidth=2, color = '#EE7621')
plt.axvline('07', color='#4A708B', linestyle='--',linewidth=1)
plt.axhline(order_mean, color='#4A708B', linestyle='--',linewidth=1)
plt.title("每月订单量趋势图",color='#4A708B',fontsize=24)
plt.ylabel("订单/(单)",fontsize=16)
plt.show()
Описание графика: В целом продажи и объемы заказов резко выросли с апреля, оба выше среднего, в августе они показали тенденцию к снижению и находятся на среднем уровне.
groups_category= total_data.groupby(['月份','商品大类'])
category1 = []
category2 = []
for i,j in groups_category:
# print(i,j.月份.count())
if i[1]=='彩妆':
category1.append(j.金额.sum())
else:
category2.append(j.金额.sum())
labels = x
xticks = np.arange(len(labels))
width = 0.5
p = np.arange(len(labels))
fig, ax = plt.subplots(figsize=(18,8))
rects1 = ax.bar(p - width/2, category1,width, label='彩妆',color='#FFEC8B')
rects2 = ax.bar(p + width/2, category2, width, label='护肤品',color='#4A708B')
ax.set_ylabel('销售额/(亿)')
ax.set_title('每月护肤品和彩妆的销售额对比图(大类)')
ax.set_xticks(xticks)
ax.set_xticklabels(labels)
ax.legend()
plt.show()
Описание диаграммы: Спрос на средства по уходу за кожей удовлетворяет потребности большинства людей, что значительно выше, чем на декоративную косметику. А май-август — пиковый сезон средств по уходу за кожей. По сравнению с макияжем изменения не очевидны.
groups_categorys= total_data.groupby('商品小类')
x = [each[0] for each in groups_categorys]
y = [each[1].金额.sum() for each in groups_categorys]
fig = plt.figure(figsize=(18,8),dpi=80)
plt.title('各个品类的销售额对比图',color='#4A708B',fontsize=24)
plt.ylabel('销售额(元)',fontsize=15)
colors = ['#6699cc','#4A708B','#CDCD00','#DAA520','#EE7621','#FFEC8B','#CDCD00','#4A708B','#6699cc','#DAA520','#4A708B','#FFEC8B']
for i, group_name in enumerate(groups_categorys):
lin1 =plt.bar(group_name[0], group_name[1].金额.sum(),width=0.8,color=colors[i])
for rect in lin1:
height = rect.get_height()
plt.text(rect.get_x()+rect.get_width()/2, height+1, int(height),ha="center",
fontsize=12)
plt.xticks(fontsize=15)
plt.grid()
plt.show()
Описание диаграммы: На первом месте продажи масок для лица, за ними следуют кремы и тоники. Самые низкие продажи имеют пудра, тени для век.
total_data = total_data.dropna()
total_data['所在区域'] = total_data['所在区域'].apply(lambda x:str(x).replace('男区','南区').replace('西 区','西区'))
groups_area= total_data.groupby(['所在区域','商品小类'])
results = {}
for i,j in groups_area:
money = int(j.金额.sum())
if i[0] in results.keys():
results[i[0]][i[1]] = money
else:
results[i[0]] = {}
for cate in category_names:
results[i[0]][cate] = 0
results[i[0]]['口红'] = money
results= {key_data:list(values_data.values()) for key_data,values_data in results.items()}
def survey1(results, category_names):
labels = list(results.keys())
data = np.array(list(results.values()))
data_cum = data.cumsum(axis=1)
category_colors = plt.get_cmap('RdYlGn')(
np.linspace(0.15, 0.85, data.shape[1]))
fig, ax = plt.subplots(figsize=(25,8))
ax.invert_yaxis()
ax.xaxis.set_visible(False)
ax.set_xlim(0, np.sum(data, axis=1).max())
for i, (colname, color) in enumerate(zip(category_names, category_colors)):
widths = data[:, i]
starts = data_cum[:, i] - widths
ax.barh(labels, widths, left=starts, height=0.5,
label=colname, color=color)
xcenters = starts + widths / 2
r, g, b, _ = color
text_color = 'white' if r * g * b < 0.5 else 'darkgrey'
for y, (x, c) in enumerate(zip(xcenters, widths)):
ax.text(x, y, str(int(c)), ha='center', va='center',color=text_color)
ax.legend(ncol=len(category_names), bbox_to_anchor=(0, 1),
loc='lower left', fontsize='small')
return fig, ax
survey1(results, category_names)
plt.show()
Описание диаграммы: на восточный регион приходится около 35% доли рынка, а на западный регион приходится самая низкая доля.
area_names = list(total_data.商品小类.unique())
groups_priv= total_data.groupby(['所在省份','商品小类'])
results = {}
for i,j in groups_priv:
money = int(j.金额.sum())
if i[0] in results.keys():
results[i[0]][i[1]] = money
else:
results[i[0]] = {}
for cate in category_names:
results[i[0]][cate] = 0
results[i[0]]['口红'] = money
results= {key_data:list(values_data.values()) for key_data,values_data in results.items()}
def survey2(results, category_names):
labels = list(results.keys())
data = np.array(list(results.values()))
data_cum = data.cumsum(axis=1)
category_colors = plt.get_cmap('RdYlGn')(
np.linspace(0.15, 0.85, data.shape[1]))
fig, ax = plt.subplots(figsize=(25,20))
ax.invert_yaxis()
ax.xaxis.set_visible(False)
ax.set_xlim(0, np.sum(data, axis=1).max())
for i, (colname, color) in enumerate(zip(category_names, category_colors)):
widths = data[:, i]
starts = data_cum[:, i] - widths
ax.barh(labels, widths, left=starts, height=0.5,
label=colname, color=color)
xcenters = starts + widths / 2
ax.legend(ncol=len(category_names), bbox_to_anchor=(0, 1),
loc='lower left', fontsize='small')
return fig, ax
survey2(results, area_names)
plt.show()
Описание диаграммы: Цзянсу имеет самые высокие продажи, за ней следует провинция Гуандун, самые низкие продажи — Нинся, Внутренняя Монголия и Хайнань.
import numpy as np
import matplotlib.pyplot as plt
category_names = list(total_data.商品小类.unique())
groups_small_category= total_data.groupby(['月份','商品小类'])
results = {}
for i,j in groups_small_category:
money = int(j.金额.sum())
if i[0] in results.keys():
results[i[0]][i[1]] = money
else:
results[i[0]] = {}
for cate in category_names:
results[i[0]][cate] = 0
results[i[0]]['口红'] = money
results= {key_data:list(values_data.values()) for key_data,values_data in results.items()}
def survey(results, category_names):
labels = list(results.keys())
data = np.array(list(results.values()))
data_cum = data.cumsum(axis=1)
category_colors = plt.get_cmap('RdYlGn')(
np.linspace(0.15, 0.85, data.shape[1]))
fig, ax = plt.subplots(figsize=(25,8))
ax.invert_yaxis()
ax.xaxis.set_visible(False)
ax.set_xlim(0, np.sum(data, axis=1).max())
for i, (colname, color) in enumerate(zip(category_names, category_colors)):
widths = data[:, i]
starts = data_cum[:, i] - widths
ax.barh(labels, widths, left=starts, height=0.5,
label=colname, color=color)
xcenters = starts + widths / 2
# r, g, b, _ = color
# text_color = 'white' if r * g * b < 0.5 else 'darkgrey'
# for y, (x, c) in enumerate(zip(xcenters, widths)):
# ax.text(x, y, str(int(c)), ha='center', va='center')
ax.legend(ncol=len(category_names), bbox_to_anchor=(0, 1),
loc='lower left', fontsize='small')
return fig, ax
survey(results, category_names)
plt.show()
Описание диаграммы: Крем для глаз, тоник и маска для лица: апрель, май, июнь, июль и август пользуются наибольшим спросом; тональный крем, солнцезащитный крем, защитный крем, тушь для ресниц и пудра пользуются наибольшим спросом в январе, феврале и марте.
data_user_buy=total_data.groupby('客户编码')['订单编码'].count()
data_user_buy
plt.figure(figsize=(10,4),dpi=80)
plt.hist(data_user_buy,color='#FFEC8B')
plt.title('用户购买次数分布',fontsize=16)
plt.xlabel('购买次数')
plt.ylabel('用户数')
plt.show()
Описание диаграммы: большинство пользователей покупают от 10 до 35 раз, и очень небольшое число пользователей покупают более 80 раз.
date_rebuy=total_data.groupby('客户编码')['订单日期'].apply(lambda x:len(x.unique())).rename('rebuy_count')
date_rebuy
print('复购率:',round(date_rebuy[date_rebuy>=2].count()/date_rebuy.count(),4))
total_data['时间标签'] = total_data['订单日期'].astype(str).str[:7]
total_data = total_data[total_data['时间标签']!='2050-06']
total_data['时间标签'].value_counts().sort_index()
total_data = total_data.sort_values(by='时间标签')
month_lst = total_data['时间标签'].unique()
final=pd.DataFrame()
final
#引入时间标签
for i in range(len(month_lst)-1):
#构造和月份一样长的列表，方便后续格式统一
count = [0] * len(month_lst)
#筛选出当月订单，并按客户昵称分组
target_month = total_data.loc[total_data['时间标签']==month_lst[i],:]
target_users = target_month.groupby('客户编码')['金额'].sum().reset_index()
#如果是第一个月份，则跳过（因为不需要和历史数据验证是否为新增客户）
if i==0:
new_target_users = target_month.groupby('客户编码')['金额'].sum().reset_index()
else:
#如果不是，找到之前的历史订单
history = total_data.loc[total_data['时间标签'].isin(month_lst[:i]),:]
#筛选出未在历史订单出现过的新增客户
new_target_users = target_users.loc[target_users['客户编码'].isin(history['客户编码']) == False,:]
#当月新增客户数放在第一个值中
count[0] = len(new_target_users)
#以月为单位，循环遍历，计算留存情况
for j,ct in zip(range(i + 1,len(month_lst)),range(1,len(month_lst))):
#下一个月的订单
next_month = total_data.loc[total_data['时间标签'] == month_lst[j],:]
next_users = next_month.groupby('客户编码')['金额'].sum().reset_index()
#计算在该月仍然留存的客户数量
isin = new_target_users['客户编码'].isin(next_users['客户编码']).sum()
count[ct] = isin
#格式转置
result = pd.DataFrame({month_lst[i]:count}).T
#合并
final = pd.concat([final,result])
final.columns = ['当月新增','+1月','+2月','+3月','+4月','+5月','+6月','+7月','+8月']
result = final.divide(final['当月新增'],axis=0).iloc[:]
result['当月新增'] = final['当月新增']
result.round(2)
когортный анализ
Описание диаграммы: Судя по ситуации с новыми пользователями, число новых пользователей значительно уменьшалось из месяца в месяц, средний коэффициент удержания составлял 50% с января по май, а показатель удержания значительно увеличивался с июня по август.
вывод и предложение
1. С точки зрения тенденции продаж общая тенденция является восходящей, но внезапное падение продаж с августа может быть связано с межсезоньем, и причины должны быть дополнительно подтверждены;
2. Продажи товаров, пользователи имеют большой спрос на средства по уходу за кожей, особенно маски для лица, тонеры, кремы для лица и кремы для глаз. Менее требователен медовый порошок. Товары с высоким спросом могут быть объединены в подарочные коробки и другие виды упаковки;
3. Предложения по продаже продукции: крем для глаз, тоник и маска для лица: апрель, май, июнь, июль и август наиболее востребованы, тональный крем, солнцезащитный крем, солнцезащитный крем, тушь для ресниц и пудра - наибольший спрос в январе, феврале , и март. Вышеизложенное показывает, что покупка определенного продукта пользователем циклична;
4. С географической точки зрения восточный регион является основной силой потребления, из которых Цзянсу, Гуандун и Чжэцзян имеют самые большие продажи. Возможно увеличение объема рынка, также можно рассмотреть возможность создания складов в этом районе для экономии логистических и других затрат;
5. Пользователи: сосредоточьтесь на поддержании групп пользователей с покупками от 10 до 35 раз;
6. Уровень удержания составляет 99%, что доказывает наличие у пользователей определенной зависимости от продукта;
7. Из анализа когорты количество новых пользователей значительно уменьшилось, и следует учитывать новых пользователей, чтобы увеличить количество новых пользователей на платформе (анкоры приносят товары и т. д.);