电商数据分析Excel案例

一、了解电商行业

1. 了解电商
   第一代电商：以供货为主，纯卖货，没技术
   第二代电商：以推广流量为中心，刷单、直通车、报活动，不算利润，亏钱赚吆喝
   第三代电商：以消费者为中心，看懂数据，了解买家，不看销量，看利润，通过社会化媒体与买家对话

2. 行业现状
   电商大数据伴随着消费者和企业的行为实时产生，广泛分布在电子商务平台（淘宝，京东，拼多多）、社交媒体（微信）和其他第三方流量入口（抖音，快手）上。
   电子商务数据类型多种多样，既包含消费者交易信息、消费者基本信息、也包括消费者评论信息、行为信息、社交信息和地理位置信息等。这些信息的丰富，对于我们分析研究具有很重要的意义。
   但是，随着信息的丰富，我们也遇到了相应的问题：
   a. 海量数据
   b. 数据的可读性

3. 维度展示
   在本次电商案例中，我们的字段有行ID，订单ID，客户对象，订单日期，地区，地区经理，类别，子类别，销售额，数量，退回，客户名称，利润等，在这些字段下面，一共有近5000条数据。通过这些数据，我们可以设计如下一些分析维度。

   序号	维度
   1	2018年至2019年各品类商品销售额情况
   2	2018年至2019年各地区商品销量情况
   3	2018年至2019年各地区经理的利润情况
   4	2018年与2019年各地区订单变化情况
   5	2019年各地区销售经理销售情况
   6	2019年各地区销售经理退货数
   7	2019年各地区销售经理实际销售额占比
   8	2019年各地区经理销售额完成情况
   9	2019年各品类商品销售额贡献
   10	2019年各品类商品地区销售情况
   11	各品类商品的实际销量趋势
   12	2019年各地区新老客户利润占比
   13	2019年客户细分
   14	2019年各地区客户分布

二、电商数据分析

1. 全局概览
   1.1 2018年至2019年各品类商品销售额情况
   插入数据透视表，行标签为“订单日期”，列标签为“类别”，值为“销售额”，将数据展开至季度，如下表所示：
   
   通过上述透视表，我们可以选择数据，插入堆积柱状图，用可视化形式表现我们的数据，下图为2018年至2019年各品类商品的销售额情况：
   
   1.2 2018年至2019年各地区商品销量情况
   插入数据透视表，行标签为“订单日期”，列标签为“地区”，值为“销量”，得到透视表如下图所示：
   
   通过上述数据透视表结合日程表的使用，我们可以选择数据，插入簇状柱形图，用可视化的形式表现我们的数据，下图为2019年各地区商品销量情况：
   
   
   1.3 2018年至2019年各地区经理的利润情况
   插入数据透视表，行标签为“地区经理”，列标签为“年”，值为“利润”，得到透视表如下图所示：
   
   
   此时插入簇状柱形图，我们会发现各地区经理利润增减无法通过上图轻易得出。故复制数据透视表，粘贴到其他单元格，添加辅助列“利润增长/减少”，此时我们可以选择数据——地区经理和利润增长/减少两列，插入柱状图，用可视化的形式表现我们的数据，下图为2018年至2019年各地区销售经理的利润情况：
   
   
   1.4 2018年与2019年各地区订单情况
   插入数据透视表，行标签为“地区”，列标签为“年”，值为“订单ID”与“订单ID2”，得到数据表为各个地区经理从2018年到2019年的订单情况。之后，选择2019年数据，如下图所示：
   

我们可以选择数据，插入组合图，用可视化形式表现我们的数据，下图为2019年各地区订单一览图：

如要进行对比分析，可以在同一表格中复制数据透视表，得到的数据表为各个地区经理从2018年到2019年的订单情况：

我们可以选择数据，插入折线图，用可视化形式表现我们的数据，下图为2018年与2019年对比分析图：

2. 销售经理的kpi
   2.1 2019年各地区销售经理销售情况
   插入数据透视表，行标签为“地区经理”，值为“数量”、“销售额”及“利润”，筛选器为“年”，得到数据表为各个地区经理从2018年到2019年的销售额、销量与利润情况，如下表所示：
   
   针对上图数据透视表，我们可以选择数据，插入组合图，用可视化形式表现我们的数据，下图为2019年的销售额、销量及利润数据情况：
   
   2.2 2019年各地区销售经理退货数
   插入数据透视表，行标签为“地区经理”，值为“退回数”，筛选器为“退回”，选择筛选器为“是”，将年份设置为切片器，得到2019年各个地区经理的退回数量，如下图所示：
   
   选择分析，点击“字段、项目和集”，添加字段“退回均值”，退回均值为52，如下图所示：
   
   针对上述数据透视表，我们可以选择数据，插入组合图，用可视化形式表现我们的数据，如下图所示：
   
   2.3 2019年各地区销售经理实际销售额占比
   插入数据透视表，行标签为“地区经理”，值为“销售额”和“销售额占比”，插入年切片器，得到各地区经理2019年的实际销售额及其占比，如下图所示：
   
   针对上述数据透视表，我们可以选择数据，插入饼图，用可视化形式表现我们的数据，如下图所示：
   
   如果我们想要绘制出瀑布图，首先需要把数据透视表中的“行标签”和“销售额占比”两列单独复制出来，如下图所示：
   
   针对上图数据，我们可以插入瀑布图，用可视化形式表现我们的数据，如下图所示：
   
   2.4 2019年各地区经理销售额完成情况
   插入数据透视表，行标签为“地区经理”，值为“销售额”，将“年份”和“退回”为“否”放入筛选器，留下2019年的数据，假设各个地区销售经理的销售目标均如下图所示：
   
   针对上图数据，我们可以插入堆积柱状图，用可视化形式表现我们的数据，如下图所示：
   

3. 商品销售情况
   3.1 2019年各品类商品销售额贡献
   插入数据透视表，行标签为“类别”，值为“销售额”与“销售额占比”，将“年”和“退回”放入筛选器，得到数据透视表如下图所示：
   
   针对上述数据透视表，我们可以选择数据，插入饼图，用可视化形式表现我们的数据，如下图所示：
   
   3.2 2019年各品类商品地区销售情况
   插入数据透视表，行标签为“地区”、“类别”、“子类别”，值为“数量”，筛选器为“退回”，将“退回”选择“否”，得到数据透视表（篇幅过长，这里不做展示）。选择设计，将报表布局改为重复所有项目标签，去掉+号。针对数据透视表，我们可以选择数据，插入旭日图，用可视化的形式表现我们数据，如下图所示：
   
   3.3 各品类商品实际销量趋势
   插入数据透视表，行标签为“订单日期”，列为“类别”，值为“数量”，筛选器为“退回”，将“退回”选择“否”，得到数据透视表（篇幅过长，这里不做展示。注意：数据透视表必须完全展开，才能够全部显示在图表中）。我们可以选择数据，插入折线图，用可视化的形式表现我们数据，如下图所示：
   

4. 客户分布情况
   4.1 2019年各地区新老客户利润占比
   插入数据透视表，行标签为“地区”与“客户名称”，列标签为“年”，值为“利润”，筛选出2018年与2019年客户数据，采用if函数筛选出2019年新老客户，然后将2019年数据复制出来，采用数据透视表筛选出2019年新老用户利润分布情况如下图所示：
   
   针对上述数据透视表，我们可以选择数据，插入饼图，用可视化形式表现我们的数据，如下图所示：
   
   接下来，我们可以继续采用数据透视表筛选出2019年各地区新老用户利润分布，如下图所示：
   
   针对上述数据透视表，我们可以选择数据，插入百分比堆积柱状图，用可视化形式表现我们的数据，如下图所示：
   
   4.2 2019年客户细分
   插入数据透视表，行标签为“客户名称”，值为“订单ID”与“销售额”，筛选器为“年”，将“年”选为2019，得到数据透视表（篇幅过长，这里不做展示）。针对数据透视表，我们可以选择数据，插入散点图，用可视化的形式表现我们数据，如下图所示：
   
   4.3 2019年各地区客户分布
   插入数据透视表，行标签为“地区”与“客户对象”，值为“客户名称”，筛选器为“年”，将“年”选为2019，选择设计，将报表布局改为重复所有项目标签，得到2019年各地区客户分布数据透视表，如下图所示：
   
   针对上述数据透视表，我们可以选择数据，插入树状图，用可视化的形式表现我们数据，如下图所示：
   

三、总结

1. 在电商行业中，面对多指标，大量的数据，数据透视表的使用将会大大降低我们的工作量；
2. 数据透视表不仅仅可以用来汇总求和，还可以用来计数，求平均值、最大值、最小值、乘积、方差等；
3. 切片器的使用，将会让我们的数据展示的更加有条理；
4. 在面对大量数据的时候，数据透视表与图形的结合，将会大大提升数据的可读性。