日用品电商销售数据分析

分析报告结论：

1.日用品办公文具的整体销售情况数据持续上升可观，但是对于用户个体的销售金额和商品购买量及次数都集中在区间的低段水平，所以对于此类交易群体，可在丰富日用品产品线例如针对儿童，年轻群体（学生），办公群体等人群设计产品，同时增加促销优惠活动等方式提高转换率和购买率。大部分用户的消费总额和购买总量也都集中刚在低段，为此，产品设计部门可以对商品进行多元文化价值的赋予，可按不同群体喜好丰富日用品办公产品的设计，增强其社交价值属性，提高目标用户的价值需求。

2.根据回归方程，用户购买量与消费金额呈线性关系，线性回归方程为y = -941+447x  (其中y：消费金额/元；x：消费数量/个)，市场销售部门据此方程设定销售KPI，针对部门的KPI可以粗略的得出需要售出多少数量的日用品办公文具，然后根据销量目标进一步采取营销策略。

3.市场销售部门需要调整各地区的销售策略，并结合利润率情况重点关注利润较高的商品，保证商品货源充足，对于销售利润较低的商品进行调整，市场销售部门还应根据各省市的情况具体分析盈利出现亏损的商品原因并进行针对性地改进，缩减成本，降低损失。

4.根据用户RFM价值模型，用户运营部门对不同的用户价值的用户采取精准策略，对重要发展用户想办法提高消费频率；对重要保持用户需要主动发短信联系。将高质量客户设定为“会员”类型，开设会员服务，专门为高质量会员用户优化购物体验，比如专线接听、特殊优惠等等，注重对用户的忠诚度的培养，比如打卡签到，积分制度，老用户打折制度会员升级制度。

说明：本文是利用Python进行数据分析实战。

目录：

一、分析背景和目的

二、理解数据

三、明确问题

四、分析思路

五、数据清洗

六、构建模型及可视化

七、提出建议

一、分析背景和目的

日用品商品涉及生活的方方面面，是日常生活中接触较多却易被忽视的物品，那么日用品的销售情况如何呢。本文将从商家的日用品销售数据出发，从商铺的角度出发，利用Python进行数据分析，探寻日用品的整体销售和盈利情况，以及该商品的不同价值消费用户分层情况。根据分析结论给出调整策略，促进业务的发展，提升业务的销售额和盈利，为公司创造价值。

二、理解数据

1.导入数据库

#导入数据分析三剑客及pyecharts库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pyecharts.charts import Bar,WordCloud,Pie

plt.rcParams['font.sans-serif']=['SimHei']  #设置字体为黑体
plt.rcParams['axes.unicode_minus']=False    #显示符号
%matplotlib inline

2.导入数据源

#导入数据源
data=pd.read_excel(r"D:\数据分析\某日用品电商销售数据.xlsx") 
#输出数据
data.head()

3.查看原始数据信息

#查看原始数据信息
data.info()

 >>>可以看到的有这些数据：订单IFD、订单日期、邮寄方式、国家、地区、省/自治区、细分、客户名称、类别、子类别、制造商、产品名称、数量、销售额、利润及其数据类型等，并且可以看出个别字段存在空值缺失值。

三、明确问题

1.商品的整体及个体的销售情况？

2.利润分布如何？如何提升日用品的销售利润？

3.哪些用户是价值用户，该如何进行维护？

四、分析思路

 

五、数据清洗

数据清洗按以下流程进行：

1.选择子集

根据分析需要，选取以下字段进行数据分析。

#选择子集-选取需要的字段
data=data.loc[:,['订单ID','订单日期','地区','省/自治区','客户名称','类别','子类别','产品名称','数量','销售额','利润']] 
data.head()

2.列名重命名

所有字段名称均为中文名，字段名称清晰明了，故此项不进行。

3.删除重复值

由于数据存在重复值，所以删除重复值，否者影响数据结果的准确度。

#查看重复值并删除
print(data.duplicated().sum())
data.drop_duplicates().tail(5)

4.缺失值处理

#查看缺失值
data.isnull().sum()  

#删除缺失值并确认无缺失值
data=data.dropna()
data.isnull().sum() 

5.一致化处理

观察数据，本数据集均比较一致，订单日期已经是可进行分析的日期格式，但不够细化，为便于分析，对订单日期按年份和月份进行拆解，故在数据表后面增加年份和月份两列。

#新增'年份'和'月份'时间列
data['年份'] = data['订单日期'].dt.year
data['月份'] = data['订单日期'].dt.strftime('%Y%m')
data