数据分析之——电商复盘案例

最新推荐文章于 2023-05-27 10:00:44 发布
最新推荐文章于 2023-05-27 10:00:44 发布
阅读量3.1k 收藏 11
点赞数 1
分类专栏： pandas python mysql 文章标签： 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liushuang99/article/details/111242669
版权
python 同时被 3 个专栏收录
10 篇文章 1 订阅
订阅专栏
mysql
10 篇文章 1 订阅
订阅专栏
pandas
4 篇文章 1 订阅
订阅专栏

文章目录

数据分析之——电商复盘案例

内容摘要

  • 项目背景
  • 项目目的
  • 分析思路
  • python数据分析实现

一、项目背景

  • 这是某电商平台某次促销的真实数据

  • 数据样式：

    • 表1：商品信息表
      “sale_name”:“商品名”,
      “sale_price”:“售卖价”,
      “tag_price”:“吊牌价”,
      “discout”:“折扣率”,
      “stocks”:“库存量”,
      “stocks_value”:“货值”,
      “cost_price”:“成本价”,
      “profit_rate”:“利润率”,
      “skus”:“SKU”
    • 表2：商品热度表
      “sale_name”:“商品名”,
      “uvs”:“UV数”,
      “collections”:“收藏数”,
      “carts”:“加购物车数”
    • 表3：用户销售明细表
      “user_id”:“用户id”,
      “buy_date”:“购买日期”,
      “sale_name”:“商品名”,
      “buy_cons”:“购买数量”,
      “buy_price”:“购买单价”,
      “cost_price”:“购买金额”,
      “is_tui”:“是否退货”,
      “tui_cons”:“退货件数”,
      “tui_price”:“退货金额”

    二、项目目的

    • 1、总体运营指标
    • 2、从价格区间找出表现不好的产品，优化商品结构
    • 3、从折扣区间来找出表现不好的产品，优化商品结构

    三、分析思路

    • 主要分析方法：ABC分析法
    • ABC分析的理论基础：社会上任何复杂事物，都存在着“关键的少数和一般的多数”这样一种规律。事物越是复杂，这一规律便越是显著。如果将有限的力量主要(重点)用于解决这具有决定性影响的少数事物上，和将有限力量平均分摊在全部事物上。两者比较，当然是前者可以取得较好的成效，而后者成效较差。ABC分析便是在这一思想的指导下，通过分析，将“关键的少数”找出来，并确定与之适应的管理方法，这便形成了要进行重点管理的A类事物。这就能够以“一倍的努力取得7—8倍的效果”。
    • 本次通过ABC分析法，评估每次促销活动的结果，并根据情况优化商品结构，以便让自己的商品卖的更好。

    四、python数据分析实现

    • 1、数据整理
#导入函数库
import pandas as pd
import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

#连接数据库，提取数据
import sqlalchemy
engine = sqlalchemy.create_engine('mysql+pymysql://XXXXXXXX/XXXXXX')

# 读取数据
# 1、商品信息表
sql_cmd = "select * from sales_info1"
# 执行sql语句，获取数据
dt1 = pd.read_sql(sql=sql_cmd, con=engine)
dt1.rename(columns={"sale_name":"商品名",
                    "sale_price":"售卖价",
                    "tag_price":"吊牌价",
                    "discout":"折扣率",
                    "stocks":"库存量",
                    "stocks_value":"货值",
                    "cost_price":"成本价",
                    "profit_rate":"利润率",
                    "skus":"SKU"},
          inplace=True)
# 2、商品热度表
sql_cmd = "select * from sales_info2"
# 执行sql语句，获取数据
dt2 = pd.read_sql(sql=sql_cmd, con=engine)
dt2.rename(columns={"sale_name":"商品名",
                    "uvs":"UV数",
                    "collections":"收藏数",
                    "carts":"加购物车数"},
          inplace=True)
#3、用户销售明细表
sql_cmd = "select * from sales_info3"
# 执行sql语句，获取数据
dt3 = pd.read_sql(sql=sql_cmd, con=engine)
dt3.rename(columns={"user_id":"用户id",
                    "buy_date":"购买日期",
                    "sale_name":"商品名",
                    "buy_cons":"购买数量",
                    "buy_price":"购买单价",
                    "cost_price":"购买金额",
                    "is_tui":"是否退货",
                    "tui_cons":"退货件数",
                    "tui_price":"退货金额"},
          inplace=True)
#将退货数据进行处理          
dt3['是否退货']=dt3["是否退货"].map({"是":1,"否":0})

表1
表1
表2
在这里插入图片描述
表3
在这里插入图片描述

#合并三张表

#合并商品信息表和商品热度表数据
dt_product = dt1.merge(dt2,how="left",on="商品名")

#合并商品信息表和商品热度表数据和用户销售明细表
#需要对用户销售明细表根据商品id进行groupby
product_sales = dt3.groupby("商品名").agg({"购买数量":"sum",
                                                 "购买金额":"sum",
                                                 "退货件数":"sum",
                                                 "退货金额":"sum",
                                                 "购买单价":"mean",
                                                 "用户id":pd.Series.nunique}).reset_index()
product_sales.rename(columns={"购买数量":"商品销售数量",
                              "购买金额":"商品销售金额",
                              "是否退货":"商品退货数量",
                              "退货金额":"商品退货金额",
                              "购买单价":"商品销售单价",
                              "用户id":"购买用户数量"},inplace=True)

# 合并商品信息
dt_product_sales = dt_product.merge(product_sales,how="left",on="商品名")
dt_product_sales.head()

在这里插入图片描述

  • 2、总体运营指标
    总体运营部分，主要关注销售额、售卖比、UV、转化率等指标，其他指标作为辅助指标。销售额用来和预期目标做对比，售卖比用来看商品流转情况。
#1、GMV：销售额，包含退货的金额
gmv = dt_product_sales["商品销售金额"].sum()
#3747167.0
#2、实际销售额=GMV - 退货金额
return_sales = dt_product_sales["商品退货金额"].sum()
return_money = gmv - return_sales
#2607587.0
#3、销量：累计销售量（含拒退）
all_sales = dt_product_sales["商品销售数量"].sum()
#12017
#4、客单价：GMV / 客户数，客单价与毛利率息息相关，一般客单价越高，毛利率越高。
custom_price = gmv / dt_product_sales["购买用户数量"].sum()
#493.56783456269756
# 5、UV：商品所在页面的独立访问数
uv_cons = dt_product_sales["UV数"].sum()
#1176103
# 6、转化率：客户数 / UV。
uv_rate = dt_product_sales["购买用户数量"].sum() / dt_product_sales["UV数"].sum()
#0.006455216932530569
# 7、折扣率：GMV / 吊牌总额（吊牌总额 = 吊牌价 * 销量），在日常工作中，吊牌额是必不可少的。
tags_sales = np.sum(dt_product_sales["吊牌价"] * dt_product_sales["商品销售数量"])
discount_rate= gmv / tags_sales 
#0.4179229541452886
# 8、备货值：吊牌价 * 库存数。
goods_value = dt_product_sales["货值"].sum()
#18916395
# 9、售卖比：又称售罄率，GMV / 备货值。
sales_rate = gmv / goods_value
#0.19809096817866195
# 10、收藏数：收藏某款商品的用户数量。
coll_cons = dt_product_sales["收藏数"].sum()
#6224
# 11、加购数：加购物车人数。
add_shop_cons = dt_product_sales["加购物车数"].sum()
#18690
# 12、SKU数：促销活动中的最小品类单元（一般指货号）。
sku_cons = dt_product_sales["SKU"].sum()
#125
# 13、SPU数：促销活动中的SPU计数（一般指款号）。
spu_cons = len(dt_product_sales["商品名"].unique())
#80
# 14、拒退量：拒收和退货的总数量。退货件数
reject_cons = dt_product_sales["退货件数"].sum()
#3643
# 15、拒退额：拒收和退货的总金额。
reject_money = dt_product_sales["商品退货金额"].sum()
#1139580.0

# 汇总统计
sales_state_dangqi = pd.DataFrame(
    {"GMV":[gmv,],"实际销售额":[return_money,],"销量":[all_sales,],"客单价":[custom_price,],
     "UV数":[uv_cons,],"UV转化率":[uv_rate,],"折扣率":[discount_rate,],"货值":[goods_value,],
     "售卖比":[sales_rate,],"收藏数":[coll_cons,],"加购数":[add_shop_cons,],"sku数":[sku_cons,],
     "spu数":[spu_cons,],"拒退量":[reject_cons,],"拒退额":[reject_money,],}, 
    ) #index=["今年双11",]

# 去年的数据是已经统计好了的，这里用来做展示，不需要计算（写死的内容）
sales_state_tongqi = pd.DataFrame(
    {"GMV":[2261093,],"实际销售额":[1464936.517,],"销量":[7654,],"客单价":[609.34567,],
     "UV数":[904694,],"UV转化率":[0.0053366,],"折扣率":[0.46,],"货值":[12610930,],
     "售卖比":[0.1161,],"收藏数":[4263,],"加购数":[15838,],"sku数":[82,],
     "spu数":[67,],"拒退量":[2000,],"拒退额":[651188.57,],}, 
    ) #index=["去年双11",]

#sales_state = pd.concat([sales_state_dangqi, sales_state_tangqi])
sales_state_dangqi_s = pd.DataFrame(sales_state_dangqi.stack()).reset_index().iloc[:,[1,2]]
sales_state_dangqi_s.columns = ["指标","今年双11"]
sales_state_tongqi_s = pd.DataFrame(sales_state_tongqi.stack()).reset_index().iloc[:,[1,2]]
sales_state_tongqi_s.columns = ["指标","去年双11"]
sales_state = pd.merge(sales_state_dangqi_s, sales_state_tongqi_s,on="指标")
sales_state["同比"] = (sales_state["今年双11"] - sales_state["去年双11"]) / sales_state["去年双11"]
sales_state

在这里插入图片描述

  • 3、从价格区间找出表现不好的产品，优化商品结构
    我们需要做的是，深入探究不同区间的数据，以此来优化后期的促销结构。首先我们需要找到在本次促销中此区间的销售源数据，源数据要求显示具体的款号、销售额、销量等信息。第二步，计算出每个款的转化率、折扣率等数据。
# 划分价格区间段
#设置切分区域
listBins = [0,200, 400, 100000]
#设置切分后对应标签
listLabels = ['1_200','200_400','400及以上']
#利用pd.cut进行数据离散化切分，注意分组标签和分组数要一致
dt_product_sales['价格分组'] = pd.cut(dt_product_sales['售卖价'], bins=listBins, labels=listLabels, include_lowest=True)

在这里插入图片描述

# 货值、商品销售金额、商品销售数量、UV数、购买用户数量、收藏数、加购物车数、货值占比、销售占比、客单价、转化率
dt_product_sales_info = dt_product_sales.groupby("价格分组").agg({
                                        "货值":"sum",
                                        "商品销售金额":"sum",
                                        "商品销售数量":"sum",
                                        "UV数":"sum",
                                        "购买用户数量":"sum",
                                        "收藏数":"sum",
                                        "加购物车数":"sum"
                                        }).reset_index()
dt_product_sales_info["货值占比"]=dt_product_sales_info["货值"]/dt_product_sales_info["货值"].sum()
dt_product_sales_info["销售占比"]=dt_product_sales_info["商品销售金额"]/dt_product_sales_info["商品销售金额"].sum()
dt_product_sales_info["客单价"]=dt_product_sales_info["商品销售金额"]/dt_product_sales_info["购买用户数量"]
dt_product_sales_info["转化率"]=dt_product_sales_info["购买用户数量"]/dt_product_sales_info["UV数"]

在这里插入图片描述
可以看出400以上为主要商品销售金额来源，故对此进行ABC分析

# 取出400及以上价格区间的数据内容
product_400 = dt_product_sales[dt_product_sales["价格分组"]=='400及以上']

# 转换率=客户数 / UV
product_400['转换率'] = product_400["购买用户数量"]/product_400["UV数"]
# 备货值=吊牌价 * 库存数
product_400["备货值"] = product_400["吊牌价"]*product_400["库存量"]
# 售卖比=又称售罄率，GMV / 备货值
product_400["售卖比"] = product_400["商品销售金额"]/product_400["备货值"]

#结果展示
product_400[["商品名","商品销售金额","商品销售数量","商品销售单价","购买用户数量","UV数",'转换率',"库存量","备货值","售卖比"]]

在这里插入图片描述

  • 优化方案：
    • 转化率大于0.7%的商品，暂时保留，用于下次促销活动；
    • 转化率小于0.7%的商品，但是售卖比大于36%的商品予以保留参加下次促销活动，
    • 转化率小于0.7%的商品，并且售卖比小于36%的商品进行清仓处理。
# 挑选合格的商品：
# 1、保留商品：转化率大于0.7%的商品予以保留
stay_stocks571 = product_400[product_400["转换率"]>0.007]
# 2、保留商品：找出转化率小于0.7% 但是 售卖比大于36%的部分予以保留
stay_stocks573 = product_400[(product_400["售卖比"]>=0.36)&(product_400["转换率"]<0.007)]
# 3、清仓处理商品，找出转化率小于0.7%并且售卖比小于36%的部分
stay_stocks574 = product_400[(product_400["售卖比"]<0.36)&(product_400["转换率"]<0.007)]
  • 4、从折扣区间来找出表现不好的产品，优化商品结构
# 划分价格区间段
#设置切分区域
listBins = [0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5, 0.55, 0.6, 0.65, 0.7, 1]
#设置切分后对应标签
listLabels = ['0.15_0.2','0.2_0.25','0.25_0.3','0.3_0.35','0.35_0.4','0.4_0.45','0.45_0.5','0.5_0.55','0.55_0.6','0.6_0.65','0.65_0.7','0.7_1']
#利用pd.cut进行数据离散化切分，注意分组标签和分组数要一致
dt_product_sales['折扣区间'] = pd.cut(dt_product['折扣率'], bins=listBins, labels=listLabels, include_lowest=True)
dt_product_sales.head()

在这里插入图片描述

#对折扣区间进行groupby
# 商品名、售卖价、吊牌价、折扣率、库存量、货值、成本价、利润率、SKU、UV数、收藏数、加购物车数、商品销售数量、商品销售金额、退货件数、商品退货金额、商品销售单价、购买用户数量、价格分组、折扣区间
dt_product_discount_info = dt_product_sales.groupby("折扣区间").agg({
                                        "货值":"sum",
                                        "商品销售金额":"sum",
                                        "商品销售数量":"sum",
                                        "UV数":"sum",
                                        "购买用户数量":"sum",
                                        "收藏数":"sum",
                                        "加购物车数":"sum"
                                        }).reset_index()
dt_product_discount_info["货值占比"]=dt_product_discount_info["货值"]/dt_product_discount_info["货值"].sum()
dt_product_discount_info["销售占比"]=dt_product_discount_info["商品销售金额"]/dt_product_discount_info["商品销售金额"].sum()
dt_product_discount_info["客单价"]=dt_product_discount_info["商品销售金额"]/dt_product_discount_info["购买用户数量"]
dt_product_discount_info["转化率"]=dt_product_discount_info["购买用户数量"]/dt_product_discount_info["UV数"]

在这里插入图片描述
可以看出0.35-0.4折扣区间为主要商品销售金额来源，故对此进行ABC分析

# 取出0.35-0.4价格区间的数据内容
product_354 = dt_product_sales[dt_product_sales["折扣区间"]=='0.35_0.4']
# 转换率=客户数 / UV
product_354['转换率'] = product_354["购买用户数量"]/product_354["UV数"]
# 备货值=吊牌价 * 库存数
product_354["备货值"] = product_354["吊牌价"]*product_354["库存量"]
# 售卖比=又称售罄率，GMV / 备货值
product_354["售卖比"] = product_354["商品销售金额"]/product_354["备货值"]
#结果展示
product_354[["商品名","商品销售金额","商品销售数量","商品销售单价","购买用户数量","UV数","库存量","备货值","折扣率","售卖比",'转换率']]
  • 优化方案：
    • 折扣率**大于37%**的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留，其余进行清仓处理；
    • 折扣率**小于37%**的部分找出售卖比大于36.5%且转化率大于0.7%的部分予以保留，其余进行清仓处理。
# 挑选合格的商品：
# 1、保留商品：折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留
stay_stocks1 = product_354[(product_354["折扣率"]>0.37)&(product_354["售卖比"]>0.365)&(product_354["转换率"]>0.007)]
# 2、清仓处理商品，不满足条件的：折扣率大于37%的部分找出售卖比小于36.5%或转化率小于0.7%的商品
# 取反即可
stay_stocks2 = product_354[(product_354["折扣率"]>=0.37)&((product_354["售卖比"]<=0.365)|(product_354["转换率"]<=0.007))]
# 3、保留商品：在折扣率小于37%的部分找出售卖比大于36.5%且转化率大于0.7%的部分予以保留
stay_stocks3 = product_354[(product_354["折扣率"]<=0.37)&(product_354["转换率"]>0.007)&(product_354["售卖比"]>0.365)] 
# 4、清仓处理商品，不满足此条件的：在折扣率小于37%的部分找出售卖比小于36.5%或转化率小于0.7%的部分
# 取反即可
stay_stocks4 = product_354[((product_354["折扣率"]<0.37) & ((product_354["售卖比"]<0.365)|(product_354["转换率"]<0.007)))]
LS96
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
某品牌电商促销活动运营分析
zk98690的博客
08-10 583
分析流程： 1、总体运营指标 总体运营部分，主要关注销售额、售卖比、UV、转化率等指标，其他指标作为辅助指标。销售额用来和预期目标做对比，售卖比用来看商品流转情况。 2、从价格区间找出表现不好的产品，进行保留或清仓处理，优化商品结构 3、从折扣区间来找出表现不好的产品，进行保留或清仓处理，优化商品结构 4、流量布局 分析目的：     评估促销活动的结果，并根据情况优化商品结构， 数据集： 该数据集文件包含三张字表，分别是商品明细表、商品热度情况、用户销售明细表。
python数据分析复盘——数据分析相关库之Pandas
02-25
Pandas是Python第三方库，提供高性能易用数据类型和分析工具Pandas基于NumPy实现，常与NumPy和Matplotlib一同使用Series类型可以由如下类型创建：1.Python列表2.标量值3.Python字典4.ndarray5.其他函数，range()等...
电商促销项目复盘
qq_41133851的博客
03-29 504
分析流程： 1、总体运营指标 2、从价格区间找出表现不好的产品，优化商品结构 3、从折扣区间来找出表现不好的产品，优化商品结构 import pandas as pd import numpy as np import warnings warnings.filterwarnings('ignore') 此次分析的目标：     评估每次促销活动的结果，并根据情况优化商品结构，以便让自己的商品卖的更好。 1、读取各部分数据集 import sqlalchemy
电商直播结束后为什么要复盘
vzan2022的博客
07-18 1196
一场直播总会有一些好的地方，比如在某个时间段说了什么或做了什么使用户活跃激增，那么直播团队可以把这个举动记录下来，在之后的直播继续保持这样的做法。第三，列出直播犯下的错误。在直播中，犯错总是不可避免的，那么就要找出这些错误，逐点列举出来并提出解决方案，重复犯错的地方一定要重点标注，避免下次再犯。在电商直播结束之后，直播团队最好是立刻进行复盘，因为犯错的地方和解决方案的印象会比较深刻，也是为了避免第二天遗忘重点内容。在复盘结束之前，先跟上一次直播复盘的结果对比一下，看看是否有了进步，没有的话就想想如何解决。.
拼多多电商API接口详情
Anzexi123的博客
06-28 1388
拼多多电商API接口详情
电商促销复盘项目
weixin_43743043的博客
05-24 497
电商促销复盘项目 一、项目概述 有一个专门做特卖的网站（特卖一般是指在特定的时间段里，以优惠的价格出售指定的商品）。本文是对部分特卖商品在2019年双11销售情况的复盘，通过jupyter notebook，使用python的pandas和numpy包完成分析，通过分析结果，优化商品结构，让商品实现更好的销售情况。 二、数据查看 1、数据预览 数据集为一份Excel表格，包含三张表：商品信息表、商品热度表、用户销售明细表。 包含如下字段： 1、商品信息表：商品名、售卖价、吊牌价、折扣率、库存量、货
数据分析实战——电商复盘分析
yclwq的博客
07-29 1416
此次分析的目标： 评估每次促销活动的结果，并根据情况优化商品结构，以便让自己的商品卖得更好。因此，明确此次分析的一个主要流程，其具体指标如图所示： 1、总体运营指标 2、从价格区间找出表现不好的产品，优化商品结构 3、从折扣区间来找出表现不好的产品，优化商品结构 import pandas as pd import numpy as np import warnings warnings.filterwarnings('ignore') 1、读取各部分数据集 import sqlalchemy
直播电商的复盘与数据分析.pptx
最新发布
10-26
“直播电商的复盘与数据分析” 直播电商的复盘与数据分析是指对直播电商活动的数据进行收集、分析和解释，以了解直播电商的实际效果，找出问题，并进行有针对性的优化。直播数据分析可以分为四类：用户画像数据指标...
电商数据分析-电商数据分析导论-数据分析在电商中的应用.pdf
12-24
《电商数据分析导论》这本书详细阐述了数据分析在电商领域的应用，旨在帮助电商运营者通过数据驱动决策，提高经营效率和盈利能力。以下是对书中的主要内容的深入解析： 首先，数据分析是电商运营的关键，它能帮助...
2021隔离妆前品牌纽西之谜电商复盘方案.pdf
05-25
【纽西之谜电商复盘方案】主要涵盖了品牌在电商领域的运营策略、产品结构、市场表现和用户行为分析。以下是对这些知识点的详细说明： 1. **产品结构与季节性影响**：纽西之谜主要销售隔离/妆前产品和涂抹面膜，其中...
电商行业报告：复盘亚马逊从优秀到卓越的24年
03-26
吉姆·柯林斯 2001 年完成了一本经典的企业研究书籍《从优秀到卓越》，试图寻找卓越的企业是如何实现跨越的。而那时的亚马逊正经历互联网泡沫破灭，亏损扩大，分析师看空。当时的亚马逊仅仅成立 7 年，上市 5 年，并非柯林斯样本中的卓越企业，但从 2001 年至今，亚马逊股票表现以及各项特征都基本符合吉姆柯林斯对卓越企业的定义。 巨轮的特点是什么，你一次性给他一个很大的力并不会马上快速转动，而不断的朝一个方向小股力量推进，长期积蓄力量之后会越转越快。 亚马逊围绕品类扩张的两个并购，Zappos（鞋类）和 Quidsi（母婴类）都采用了同样的套路，当它们逐步成长为细分领域龙头的时候，对亚马逊的品
ABC 分析法（帕累托分析法、2/8分析法）
weixin_48591974的博客
12-02 5311
ABC 分析法（帕累托分析法、2/8分析法）
面试复盘（数据分析）
happylls666的博客
01-15 1106
数据分析面试复盘
实战【某电商数据分析复盘】
早八人的上课笔记收录哈哈哈
05-27 254
某电商数据分析复盘
【模拟共享单车租借平台~python】
m0_66318554的博客
07-27 2174
或 每日一言： 持续更新中… 欢迎关注微信公众号【程序人生6】，一起探讨学习哦！！！
运营，如何用数据说话？（以电商活动复盘为例）
神策数据
06-27 1081
在人人都在谈运营和大数据的时代，每个人都会对运营说：“一定要用数据说话，做到精细化运营”，但到底该如何做呢？首先，我们来看看数据精细化运营需要满足的四大前提：1.及时获取...
（电商）唯品会双十一促销活动复盘——数据分析
weixin_46960971的博客
03-10 2559
(电商)唯品会双十一促销活动复盘——数据分析 项目背景：     唯品会是一个专门做特卖的网站，什么是特卖呢。特卖一般是指在特定的时间段里，以优惠的价格出售指定的商品，一般以商城或者专卖店为多。该模式在线下早已存在（比如商场促销、街边的尾货甩卖），在国外成熟的大商场内也有针对滞销商品的打折特卖，如奥特莱斯。特卖一般是商家清库存，不过也有一些专门生产商品做特卖的商家。     特卖行业也是有个真实存在的产业链，只是因为快速分销渠道
【数据仓库】【第四章】熟悉业务数据
weixin_43589563的博客
11-10 1070
熟悉业务数据 熟悉业务数据，业务数据都存储在mysql中，也就是熟悉这些表； 熟悉业务数据的方法 （1）宏观看整个数据库：有哪些表 （2）熟悉每张表的表结构：看一个表，和其大致有关联的表，要关注每个字段是什么，还要关注每行代表什么 （3）结合具体业务过程，分析每张表的数据是如何变化的 1.3.3 表关系梳理 （1）收藏和加购业务 收藏\加购\领用优惠券业务是一样的，用户和商品都是多对多的关系，通过收藏表和加购表关联起来 （2）订单相关业务表 （3）支付业务 （4）退单业务 （5）退款业务
数据分析面试复盘（一）
2023好运来的博客
03-29 939
面试复盘持续更新
直播电商数据分析：优化直播效果，洞悉用户需求【40字】
直播电商的成功离不开对直播数据的分析和复盘，以及对数据进行深入挖掘和分析来更好地优化直播效果。直播数据能够直观地反映直播的实际情况，通过分析直播数据，可以找出存在的问题并进行有针对性的优化，提升直播...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值