物流行业数据分析

物流行业数据分析

Excel适合处理低量级数据，当数据量过高，Excel只能展现部分数据，不利于后续的数据分析，此时使用Python进行数据分析更加方便，有效。

首先，这里仅仅只有一个工作表，数据一共有订单号，订单行，销售时间（下单时间），交货时间（签收时间），货品交货状态（晚交货或按时交货），货品，用户的反馈情况（质量合格，返修或拒货），销售区域（华北，华南，马来西亚），数量以及销售金额等10列数据。粗略的看一下数据，我们就可以发现，在订单号和数量这两列存在部分行为空值，在销售金额这一列数据的单位不统一并且存在逗号，并且订单行这一列数据对我们分析物流行业没有帮助，这些问题都需要在数据预处理阶段进行处理！

认识完数据之后，我们认识一下我们需要解决的问题，具体如下所示：

1.物流配送服务是否存在问题？

2.是否存在尚有潜力的销售区域？

3.商品本身是否存在质量问题？

为了解决这些问题并得出相应的结论，接下来我们就进行数据分析阶段！

一、数据预处理

前面已经提到数据中存在的问题，那么针对问题我们就要进行相应的处理，比如删除数据中存在的重复值，并且处理缺失值（删除或填充），以及格式的调整（销售金额单位不统一），同时我们还需要对异常值进行处理（比如，销售金额存在并且等于0的属于异常值）。首先，我们加载数据并查看数据的基本信息，具体代码如下所示:

1、数据清洗

先使用info()函数查看数据信息

data=pd.read_csv('data_wuliu.csv',encoding='gbk')
data.info()

通过info()可以看出，该物流数据共有1161条数据，每条数据有10列，其中：

1、订单号、货品交货状况和数量存在缺失值，但是确实量不大，可以删除

2、订单行对数据分析无关紧要，可以考虑删除

3、销售金额的类型是object类型（万元|元，逗号问题)，数据类型需要转换成int|float类型的

具体操作如下：

① 重复值、缺失值、格式调整

删除重复记录

# 删除重复数据
# 遇到重复数据保留第一行(keep='first')，并且在原数据上修改(inplace=True)
data.drop_duplicates(keep='first', inplace=True)
data.info()

删除缺失值

# 删除缺失值
# 按行删除(axis=0),只要一条数据中存在NA则删除(how='any') 在原数据上修改
data.dropna(axis=0, how='any', inplace=True)
data.info

删除订单列

考虑到订单列对分析数据无关紧要，将订单列删除

# 删除订单行
# 按列删除(axis=1) 并在在原数据上修改(inplace=True)
data.drop(columns=['订单行'], axis=1, inplace=True)
data.info()

更新索引

# 前面进行了数据删除，需要更新索引
data.reset_index(drop=True,inplace=True)
data.info()

清洗数据

从图中可以看出，销售金额中含有 “，”，空格，且单位不一致，对此，编写自定义过滤函数，将逗号和空格删除，并统一单位

# 修改金额格式
# 编写自定义过滤函数,删除逗号，转成float，如果是万元，则乘以10000，否则不处理
def data_deal(number):
    if (number.find('万元')) != -1:  # 找到带有万元的,取出数字,去掉逗号,转成float,*10000
        number_new = float(number[:number.find('万元')].replace(',', '')) * 10000
    else:  # 找到带有元的,删除元,删除逗号,转成float
        number_new = float(number.replace('元', '').replace(',', ''))
    return number_new

data['销售金额'] =data['销售金额'].map(data_deal)
data

② 异常值处理

从上图可以看出，存在销售金额为0的情况，为异常值，将其删除，同时该数据的中位数远小于平均数，即销售金额和数量存在严重右偏现象，属于正常现象，无需处理。删除代码如下：

# 销售金额=0的情况,采用删除方法,因为数据量较小
data = data[data['销售金额']!=0]
data.describe()
# 虽然销售金额和数量存在严重右偏现象,但是此现象在电商领域极为普遍,即2/8很正常，因此无需处理

2、数据规整

在前面已经提到，我么需要分析配送服务是否存在问题，我么是需要从月份的角度进行分析，例如，这个月的配送服务有多少的满意度；分析是否存在尚有潜力的销售区域，我们也是根据月份去绘制本月的销售量，然后该月份与销售量的关系，如果本月销售量低，那么则销售潜力有待增加。具体数据规整的代码如下所示：

data['销售时间']=pd.to_datetime(data['销售时间'])
data['月份']=data['销售时间'].apply(lambda x:x.month)

二、 数据分析

1、配送服务是否存在问题

从三个维度展开分析，具体分析如下：

① 月份维度

data['货品交货状况']=data['货品交货状况'].str.strip() 
data1=data.groupby(['月份','货品交货状况']).size().unstack() 
data1['按时交货率']=data1['按时交货']/(data1['按时交货']+data1['晚交货'])

结论：从按时交货率来看，第四季度低于第三季度，猜测气候原因可能会影响配送

② 销售区域维度

data2=data.groupby(['销售区域','货品交货状况']).size().unstack() 
data2['按时交货率']=data2['按时交货']/(data2['按时交货']+data2['晚交货'])

结论：西北地区存在突出的延时交货问题，急需解决

③ 货品维度

data3=data.groupby(['货品','货品交货状况']).size().unstack() 
data3['按时交货率']=data3['按时交货']/(data3['按时交货']+data3['晚交货'])

结论：货品4晚交货情况非常严重，其余货品交货情况较好

④ 货品和销售区域结合

data4=data.groupby(['货品','销售区域','货品交货状况']).size().unstack() 
data4['按时交货率']=data4['按时交货']/(data4['按时交货']+data4['晚交货'])

结论：货品4送往西北地区的晚交货情况严重，货品2送往马来西亚晚交货情况非常严重

2、是否存在尚有潜力的销售区域

① 月份维度

data5=data.groupby(['月份','货品'])['数量'].sum().unstack()
data5.plot(kind='line')
plt.show()

结论：货品2在10月份和12月份销量猛增，原因猜测：公司加大营销力度或者开发了新的市场

② 销售区域维度

data6=data.groupby(['销售区域','货品'])['数量'].sum().unstack()

结论：从销售区域看，每种货品销售区域为1-3个，货品1有三个销售区域，货品2有两个销售区域，其余货品均有一个销售区域

③ 月份和销售区域

data7=data.groupby(['月份','销售区域','货品'])['数量'].sum().unstack()

结论：货品2在10、12月份销量猛增，原因主要发生在原有销售区域；货品2在7、8、9、11月份销售数量还有很大提升空间，可以适当加大营销力度；货品2在8月份在两个销售区域的销量均有提升，在马来西亚地区的涨幅更大，可以尝试继续在马来西亚增大营销力度

3、商品是否存在质量问题

data['货品用户反馈']=data['货品用户反馈'].str.strip()
data8=data.groupby(['货品','销售区域'])['货品用户反馈'].value_counts().unstack()
data8['合格率']=data8['质量合格']/data8.sum(axis=1)
data8['返修率']=data8['返修']/data8.sum(axis=1)
data8['拒货率']=data8['拒货']/data8.sum(axis=1)

结论：货品3、6、5合格率均较高，返修率比较低，说明质量还可以；货品1、2、4合格率较低，返修率较高，质量存在一定问题，需要改善，建议扩大抽检范围，增大质检力度；货品2在马来西亚的拒货率最高，同时在马来西亚的按时交货率也非常低，猜测：马来西亚人对送货的时效性要求较高，如果没有按时到货，往往考虑退货，建议加快运输；虑到货品2主要在华东地区销量大，可以考虑增大在华东的投资，适当减少马来西亚的投入

三、总结

1. 货品4—>西北，货品2—>马来西亚两条路线存在较大问题，急需提升时效
2. 货品2在华东地区还有较大市场空间，适合加大投入，同时货品2在马来西亚配送时效长，用户拒收率高，从成本角度考虑，应该减少投入
3. 货品1、2、4质量存在问题，建议扩大抽检范围，增大质检力度

参考

https://blog.csdn.net/qq_51447436/article/details/125885288

https://blog.csdn.net/qq_53311560/article/details/123108983

https://blog.csdn.net/weixin_46271306/article/details/130529302