基于Power BI Desktop的电子产品综合数据分析案例

1、项目简介

2、数据理解

表1：2020年各省人口数量表：

• 地区：各个省份
• 人口数：2020年各个省份的人口数

表2：电子产品销售表；

• event_time：下单时间，包含其他内容，需要清洗；
• order_id：订单编号
• product_id:产品标号
• category_id :类别编号，存在空值；
• category_code :类别 ，存在空值 ；
• brand :品牌
• price :价格
• user_id :用户编号
• age :年龄
• sex :性别
• local:省份
• buy_cnt:购买数量

3、数据清洗与处理

3.1、日期列处理

1） 拆分event_time列，提取日期、小时
2）从日期列提取年、月、周几形成新列

3.2、缺失值处理

category_code列和brand列有缺失值，对于category_code，为了不影响其他维度分析，选择用‘E’填补。对于brand列，因缺失值较少，选择直接删除缺失值。

3.3、异常值处理

date列有异常值1970，且数据不多，选择筛选过滤

price和amount最小值为0，这类商品属于免费类的商品，不属于异常值。

3.4、新增列

1）新增订单金额列，订单金额（amount）=price*buy_cnt
2) 给年龄分组

4、数据分析

4.1、销售情况分析

从结果指标着手，利用多维度拆解方法，分析目前的销售现状：

1）按月份的销售趋势

八月之前都基本是处于上升状态,七月至八月上升速度达到最大,八月达到峰值,然后就开始下降。
八月前后销售额上升下降可能的原因：
活动
新增用户

2）各地区销售情况

销售额和销量在各地区的分布比列相似，排名前三的广东、上海、北京是其他地区销售额两倍以上，且其他地区间的销售额差距不明显。

3）各年龄段分析

35-40岁年龄段的订单金额低于其他年龄段，且与其他年龄段的差额大于其他各年龄段之间的差额。

4）新老用户销售情况

各地区和个年龄段的新老用户销售额占比波动不大，五月的新用户销售额占比达到最大，超过了50%，考虑可能是新用户数量增加导致。

5）销售额与销量的总体趋势