数分基础（02）销售趋势分析

销售趋势分析

1. 数据集

数据集见 数分基础（01）示例数据集Global_Superstore

2. 销售趋势

分析不同时期的销售额趋势，例如按月、季度或年度，观察销售的季节性或增长模式。

3. 步骤

3.1 数据读取与预处理：

读取数据集并检查其基本信息
解析日期列、创建额外的时间维度（如月份、季度、年份等）

3.2 计算按月、季度、年度的总销售额

绘制趋势图来观察销售额的变化
观察每年中不同月份或季度的销售额分布，确定是否存在季节性影响

4. 分析工具：Python 或 Excel

5. Python

5.1 Global_Superstore2.xlsx 文件位置

放到Jupyter默认文件夹下，一般默认安装的位置在这里

5.2 读取数据集并检查其基本信息

解析日期列、创建额外的时间维度（如月份、季度、年份等）

import pandas as pd

# 读取Excel数据
file_path = 'Global_Superstore2.xlsx'
df = pd.read_excel(file_path)

# 查看数据的基本信息
df.info()

# 解析日期列，并创建年月、季度、年份等时间维度
df['Order Date'] = pd.to_datetime(df['Order Date'], dayfirst=True)
df['Year'] = df['Order Date'].dt.year
df['Month'] = df['Order Date'].dt.month
df['Quarter'] = df['Order Date'].dt.to_period('Q')

‘to_period()’是Pandas的一个方法，这里，将日期列’Order Date’中的每个日期转换为该日期所属的季度。假设 Order Date 是 “2024-08-24”，那么“to_period()”会将其转换为“2024Q3”，表示2024年的第三季度。

常见用法：
to_period(‘M’)：将日期转换为月份，例如 “2024-08”。
to_period(‘A’)：将日期转换为年份，例如 “2024”。

运行上述代码，显示数据集的基本信息如下

5.3 绘制趋势图来观察销售额的变化

import matplotlib.pyplot as plt

# 按年度分析销售额
annual_sales = df.groupby('Year')['Sales'].sum()

# 按季度分析销售额
quarterly_sales = df.groupby('Quarter')['Sales'].sum()

# 按月分析销售额
monthly_sales = df.groupby(['Year', 'Month'])['Sales'].sum().unstack() # unstack()在代码后解释

# 绘制年度销售趋势图
plt.figure(figsize=(10, 6))
annual_sales.plot(marker='o')
plt.title('Annual Sales Trend')
plt.xlabel('Year')
plt.ylabel('Total Sales')
plt.xticks(annual_sales.index, [int(year) for year in annual_sales.index])  # 设置整数年份
plt.grid(True)
plt.show()

# 绘制季度销售趋势图
plt.figure(figsize=(10, 6))
quarterly_sales.plot(marker='o', color='orange')
plt.title('Quarterly Sales Trend')
plt.xlabel('Quarter')
plt.ylabel('Total Sales')
plt.xticks(rotation=45)  # 适当旋转季度标签，以便更好地显示
plt.grid(True)
plt.show()

# 绘制月度销售趋势图
plt.figure(figsize=(10, 6))
monthly_sales.T.plot(marker='o')
plt.title('Monthly Sales Trend')
plt.xlabel('Month')
plt.ylabel('Total Sales')
plt.xticks(rotation=45)  # 适当旋转月份标签
plt.grid(True)
plt.show()

unstack()
是 Pandas 中的一个方法，用于将 DataFrame 的行索引转换为列索引。

monthly_sales = df.groupby([‘Year’, ‘Month’])[‘Sales’].sum().unstack() 首先通过 groupby([‘Year’, ‘Month’]) 将数据按年和月分组，然后计算每个分组的总销售额（sum()）。

得到的结果是一个多层索引的 Series，其中行索引是 (Year, Month)，每个组合对应一个总销售额值。

unstack() 会将其中一层行索引（默认是最内层）转换为列索引。这样，年份（Year）仍作为行索引，月份（Month）则被展开为不同的列。

假设你有以下分组后的数据

Year  Month
2023  1       500
      2       600
2024  1       700
      2       800
Name: Sales, dtype: int64

使用 unstack() 后的结果会是：

Month    1    2
Year            
2023   500  600
2024   700  800

前面d Python运行结果如下

5.4 季节性分析

分析每年中不同月份或季度的销售额分布，观察是否存在季节性影响

# 计算每个月的平均销售额（跨年度）
average_monthly_sales = df.groupby('Month')['Sales'].mean()

# 绘制平均月度销售额趋势图
plt.figure(figsize=(10, 6))
average_monthly_sales.plot(marker='o', color='green')
plt.title('Average Monthly Sales Trend')
plt.xlabel('Month')
plt.ylabel('Average Sales')
plt.grid(True)
plt.show()

# 计算每个季度的平均销售额（跨年度）
df['Quarter_Only'] = df['Order Date'].dt.quarter
average_quarterly_sales = df.groupby('Quarter_Only')['Sales'].mean()

# 绘制平均季度销售额趋势图
plt.figure(figsize=(10, 6))
average_quarterly_sales.plot(marker='o', color='purple')
plt.title('Average Quarterly Sales Trend')
plt.xlabel('Quarter')
plt.ylabel('Average Sales')
plt.grid(True)
plt.show()

运行结果如下

5.5 销售趋势

• 每年的销售额变化表明整体的销售表现逐年提升，可能市场份额在扩大

• 每年的季度销售趋势，观察到每个季度的销售表现出逐季度上升，每个第四季度的销售额都显著高于其他季度，每个一季度都较低，表明可能存在季节性销售高峰，可能与假日季节或促销活动有关。

• 每年每月的销售额波动趋势基本一致，在某些月份内出现较大的波动，例如7-8，10-11，这可能反映出市场需求的波动性，或者是季节性因素的影响。

• 平均月度、季度销售额（跨年度）
  从平均月度销售额图表中可以看出，1-4波动下降，4-12波动上升，平均季度销售额也呈现了第一季度下降，后三季度上升，第四季度和第一季度的前一半的销售额显著较高。可能存在季节性高峰期，例如假期购物季（如圣诞节、感恩节等），销售额显著增加，年终假期对销售额有显著的提升作用。

对于营销策略和库存管理具有参考作用，可以在关键的销售高峰期到来前做出资源分配决策。

6. EXCEL

在Excel中，通过数据整理、透视表、图表等基本功能也可以完成。并且Excel的透视表和图表的好处是可以快速分析和可视化。

6.1 数据读取与预处理

在Excel中打开你提供的数据文件 Global_Superstore2.xlsx。

6.2 检查数据

查看数据中的日期列（通常是“Order Date”）
添加年度列，提取年份。

添加月份列，提取月份

添加季度列，计算季度

6.3 按月、季度、年度的销售额

创建透视表
年度销售额
选择整个数据区域，点击“插入”->“透视表”。
将“Year”拖到行标签，"Sales"拖到值。生成每年总销售额的透视表，将默认的柱形图改为折线图
将“Quarter”拖到行标签，"Sales"拖到值，将生成每个季度总销售额的透视表。
在透视表中，将“Year”和“Month”都拖到行标签，将“Sales”拖到值，生成每年每月的销售额。

6.4 季节性分析

创建平均月度销售额分析，新的透视表，选择“Month”作为行标签，“Sales”作为值，并将“值字段设置”设置为“平均值”。生成每个月的平均销售额，折线图
创建平均季度销售额分析，使用“Quarter”作为行标签，“Sales”作为值，并将“值字段设置”设置为“平均值”，折线图

通过图表观察年度、季度、月度销售额的趋势，分析可能的增长模式和季节性影响。

可以在Excel中完成与Python类似的销售趋势分析和季节性分析