写点什么

利用 Python 分析了某化妆品企业的销售情况,我得出的结论是?

用户头像
JackTian
关注
发布于: 2021 年 02 月 02 日
利用 Python 分析了某化妆品企业的销售情况,我得出的结论是?

作者:Cherich_sun

来源:公众号「杰哥的 IT 之旅」ID:Jake_Internet

本文为读者投稿


【导语】本篇文章是关于某化妆品企业的销售分析。从分析思路思路开始带大家一步步的用 python 进行分析,找出问题,并提出解决方案的整个流程。

需求:希望全面了解此某妆品企业的销售情况,帮助企业运营领导层了解企业整体销售运营情况及商品销售情况,为该企业的营销策略提供相对应的建议和销售策略。

业务分析流程

1、 场景(诊断现状)

对象:用户;销售

关注点:找到影响销售的增长因素

目标:发现问题 &提出解决方案

2、需求拆解

分析销售趋势,找到影响企业营收增长的商品或区域

按月份销售趋势图(整体)

商品销售额对比(一级、二级,找出最低、最高)

区域销售额对比(下钻:区、省,找出最低、最高)

探索不同商品的销售状况,为企业的商品销售,提出策略建议

不同月份的各个产品的销售额占比情况

产品相关分析

分析用户特征、购买频率、留存率等

购买频率分布

复购率(重复购买用户数量(两天都有购买过算重复)/用户数量)

同期群分析(按月)

3、代码实现


获取数据(excel)


为某化妆品企业 2019 年 1 月-2019 年 9 月每日订单详情数据和企业的商品信息数据,包括两个数据表,销售订单表和商品信息表。其中销售订单表为每个订单的情况明细,一个订单对应一次销售、一个订单可包含多个商品。

import pandas as pdimport matplotlib.pyplot as pltimport matplotlib as mplmpl.rcParams['font.family'] = 'SimHei'import numpy as npimport warningswarnings.filterwarnings("ignore")data = pd.read_excel('C:/Users/cherich/Desktop/日化.xlsx',encoding='gbk')data.head()
复制代码



data_info = pd.read_excel('C:/Users/cherich/Desktop/日化.xlsx',encoding='gbk',sheet_name='商品信息表')data_info
复制代码


数据清洗和加工

data = data.dropna()# 订购数量结尾有字符'个'
data['订购数量'] = data['订购数量'].apply(lambda x:str(x)[:-1] if str(x)[-1] == '个' else x)data['订购数量'] = data['订购数量'].astype(int)
# 订购数量结尾有字符'元'data['订购单价'] = data['订购单价'].apply(lambda x:str(x)[:-1] if str(x)[-1] == '元' else x)data['订购单价'] = data['订购单价'].astype(int)# 日期里有特殊字符 2019#3#11def proess_date(df): pos = str(df).find('#') if pos!= -1: df = str(df).split('#') return df[0]+'-'+df[1]+'-'+df[2] else: return df
# res = proess_date(df ='2019#3#11')data['订单日期'] = data['订单日期'].apply(proess_date)data['订单日期'] = data['订单日期'].apply(lambda x:str(x).replace('年','-').replace('月','-') if '年' in str(x) else x )data['订单日期'] = pd.to_datetime(data['订单日期']) #data.info()
data = data[data.duplicated()==False]data['所在省份'].nunique()data['月份'] = data['订单日期'].apply(lambda x:str(x).split('-')[1])data
复制代码


数据可视化

# 两张表数据合并total_data = pd.merge(data,data_info,on='商品编号',how='left')total_data
复制代码



groups = data.groupby('月份')x = [each[0] for each in groups]y = [each[1].金额.sum() for each in groups]z = [each[1].金额.count() for each in groups]money_mean = data.金额.sum()/9order_mean = data.金额.count()/9
plt.figure(figsize=(18, 10), dpi=80)plt.subplot(221)plt.plot(x, y,linewidth=2)plt.axvspan('07', '08', color='#EE7621', alpha=0.3)plt.axhline(money_mean, color='#EE7621', linestyle='--',linewidth=1)plt.title("每月销售额趋势图",color='#4A708B',fontsize=24)plt.ylabel("金额/(亿)",fontsize=16)
plt.subplot(222)plt.plot(x, z, linewidth=2, color = '#EE7621')plt.axvline('07', color='#4A708B', linestyle='--',linewidth=1)plt.axhline(order_mean, color='#4A708B', linestyle='--',linewidth=1)plt.title("每月订单量趋势图",color='#4A708B',fontsize=24)plt.ylabel("订单/(单)",fontsize=16)plt.show()
复制代码


图表说明:从整体来看,销售额和订单量从 4 月开始大幅度上升,均高于均值;8 月份开始呈下降趋势,处于均值水平。

groups_category= total_data.groupby(['月份','商品大类'])category1 = []category2 = []for i,j in groups_category:#     print(i,j.月份.count())    if i[1]=='彩妆':        category1.append(j.金额.sum())    else:        category2.append(j.金额.sum())labels = xxticks = np.arange(len(labels))width = 0.5p = np.arange(len(labels))fig, ax = plt.subplots(figsize=(18,8))rects1 = ax.bar(p - width/2, category1,width, label='彩妆',color='#FFEC8B')rects2 = ax.bar(p + width/2, category2, width, label='护肤品',color='#4A708B')

ax.set_ylabel('销售额/(亿)')ax.set_title('每月护肤品和彩妆的销售额对比图(大类)')ax.set_xticks(xticks)ax.set_xticklabels(labels)ax.legend()
plt.show()
复制代码


图表说明:护肤品需求满足大多数人,明显高于彩妆。并且 5 月—8 月是护肤品需求旺季。相比彩妆的变化不明显。

groups_categorys= total_data.groupby('商品小类')x = [each[0] for each in groups_categorys]y = [each[1].金额.sum() for each in groups_categorys]
fig = plt.figure(figsize=(18,8),dpi=80)plt.title('各个品类的销售额对比图',color='#4A708B',fontsize=24)plt.ylabel('销售额(元)',fontsize=15)colors = ['#6699cc','#4A708B','#CDCD00','#DAA520','#EE7621','#FFEC8B','#CDCD00','#4A708B','#6699cc','#DAA520','#4A708B','#FFEC8B']for i, group_name in enumerate(groups_categorys): lin1 =plt.bar(group_name[0], group_name[1].金额.sum(),width=0.8,color=colors[i]) for rect in lin1: height = rect.get_height() plt.text(rect.get_x()+rect.get_width()/2, height+1, int(height),ha="center", fontsize=12)
plt.xticks(fontsize=15)plt.grid()plt.show()
复制代码


图表说明:面膜的销售额第一,其次是面霜、爽肤水。销售额最低的是蜜粉,眼影。

total_data = total_data.dropna()total_data['所在区域'] = total_data['所在区域'].apply(lambda x:str(x).replace('男区','南区').replace('西 区','西区'))groups_area= total_data.groupby(['所在区域','商品小类'])results = {} for i,j  in groups_area:     money = int(j.金额.sum())    if i[0] in results.keys():        results[i[0]][i[1]] = money         else:        results[i[0]] = {}           for cate in category_names:            results[i[0]][cate] = 0        results[i[0]]['口红'] = money
results= {key_data:list(values_data.values()) for key_data,values_data in results.items()}
def survey1(results, category_names): labels = list(results.keys()) data = np.array(list(results.values()))
data_cum = data.cumsum(axis=1) category_colors = plt.get_cmap('RdYlGn')( np.linspace(0.15, 0.85, data.shape[1])) fig, ax = plt.subplots(figsize=(25,8)) ax.invert_yaxis() ax.xaxis.set_visible(False) ax.set_xlim(0, np.sum(data, axis=1).max())
for i, (colname, color) in enumerate(zip(category_names, category_colors)): widths = data[:, i] starts = data_cum[:, i] - widths ax.barh(labels, widths, left=starts, height=0.5, label=colname, color=color) xcenters = starts + widths / 2
r, g, b, _ = color text_color = 'white' if r * g * b < 0.5 else 'darkgrey' for y, (x, c) in enumerate(zip(xcenters, widths)): ax.text(x, y, str(int(c)), ha='center', va='center',color=text_color) ax.legend(ncol=len(category_names), bbox_to_anchor=(0, 1), loc='lower left', fontsize='small')
return fig, axsurvey1(results, category_names)plt.show()
复制代码


图表说明:东部地区占市场份额的 35%左右,份额最低的是西部地区。

area_names = list(total_data.商品小类.unique())groups_priv= total_data.groupby(['所在省份','商品小类'])results = {} for i,j  in groups_priv:     money = int(j.金额.sum())    if i[0] in results.keys():        results[i[0]][i[1]] = money         else:        results[i[0]] = {}           for cate in category_names:            results[i[0]][cate] = 0        results[i[0]]['口红'] = money
results= {key_data:list(values_data.values()) for key_data,values_data in results.items()}
def survey2(results, category_names): labels = list(results.keys()) data = np.array(list(results.values()))
data_cum = data.cumsum(axis=1) category_colors = plt.get_cmap('RdYlGn')( np.linspace(0.15, 0.85, data.shape[1])) fig, ax = plt.subplots(figsize=(25,20)) ax.invert_yaxis() ax.xaxis.set_visible(False) ax.set_xlim(0, np.sum(data, axis=1).max())
for i, (colname, color) in enumerate(zip(category_names, category_colors)): widths = data[:, i] starts = data_cum[:, i] - widths ax.barh(labels, widths, left=starts, height=0.5, label=colname, color=color) xcenters = starts + widths / 2
ax.legend(ncol=len(category_names), bbox_to_anchor=(0, 1), loc='lower left', fontsize='small')
return fig, axsurvey2(results, area_names)plt.show()
复制代码


图表说明:江苏销售额第一,其次是广东省;销售额最低的是宁夏、内蒙、海南

import numpy as npimport matplotlib.pyplot as pltcategory_names = list(total_data.商品小类.unique())groups_small_category= total_data.groupby(['月份','商品小类'])results = {} for i,j  in groups_small_category:     money = int(j.金额.sum())    if i[0] in results.keys():        results[i[0]][i[1]] = money         else:        results[i[0]] = {}           for cate in category_names:            results[i[0]][cate] = 0        results[i[0]]['口红'] = money
results= {key_data:list(values_data.values()) for key_data,values_data in results.items()}def survey(results, category_names): labels = list(results.keys()) data = np.array(list(results.values()))
data_cum = data.cumsum(axis=1) category_colors = plt.get_cmap('RdYlGn')( np.linspace(0.15, 0.85, data.shape[1]))
fig, ax = plt.subplots(figsize=(25,8)) ax.invert_yaxis() ax.xaxis.set_visible(False) ax.set_xlim(0, np.sum(data, axis=1).max())
for i, (colname, color) in enumerate(zip(category_names, category_colors)): widths = data[:, i] starts = data_cum[:, i] - widths ax.barh(labels, widths, left=starts, height=0.5, label=colname, color=color) xcenters = starts + widths / 2
# r, g, b, _ = color# text_color = 'white' if r * g * b < 0.5 else 'darkgrey'# for y, (x, c) in enumerate(zip(xcenters, widths)):# ax.text(x, y, str(int(c)), ha='center', va='center') ax.legend(ncol=len(category_names), bbox_to_anchor=(0, 1), loc='lower left', fontsize='small')
return fig, axsurvey(results, category_names)
plt.show()
复制代码


图表说明:眼霜、爽肤水、面膜:4,5,6,7,8 月份需求量最大;粉底、防晒霜、隔离霜、睫毛膏、蜜粉 1,2,3 月份需求量最大。

data_user_buy=total_data.groupby('客户编码')['订单编码'].count()data_user_buyplt.figure(figsize=(10,4),dpi=80)plt.hist(data_user_buy,color='#FFEC8B')
plt.title('用户购买次数分布',fontsize=16)plt.xlabel('购买次数')plt.ylabel('用户数')plt.show()
复制代码


图表说明:大部分用户购买次数在 10 次-35 次之间,极少部分用户购买次数 80 次以上

date_rebuy=total_data.groupby('客户编码')['订单日期'].apply(lambda x:len(x.unique())).rename('rebuy_count')date_rebuyprint('复购率:',round(date_rebuy[date_rebuy>=2].count()/date_rebuy.count(),4))
复制代码



total_data['时间标签'] = total_data['订单日期'].astype(str).str[:7]total_data = total_data[total_data['时间标签']!='2050-06']total_data['时间标签'].value_counts().sort_index()total_data = total_data.sort_values(by='时间标签')month_lst = total_data['时间标签'].unique()final=pd.DataFrame()final#引入时间标签for i in range(len(month_lst)-1):    #构造和月份一样长的列表,方便后续格式统一    count = [0] * len(month_lst)    #筛选出当月订单,并按客户昵称分组    target_month = total_data.loc[total_data['时间标签']==month_lst[i],:]    target_users = target_month.groupby('客户编码')['金额'].sum().reset_index()
#如果是第一个月份,则跳过(因为不需要和历史数据验证是否为新增客户) if i==0: new_target_users = target_month.groupby('客户编码')['金额'].sum().reset_index() else: #如果不是,找到之前的历史订单 history = total_data.loc[total_data['时间标签'].isin(month_lst[:i]),:] #筛选出未在历史订单出现过的新增客户 new_target_users = target_users.loc[target_users['客户编码'].isin(history['客户编码']) == False,:]
#当月新增客户数放在第一个值中 count[0] = len(new_target_users)
#以月为单位,循环遍历,计算留存情况 for j,ct in zip(range(i + 1,len(month_lst)),range(1,len(month_lst))): #下一个月的订单 next_month = total_data.loc[total_data['时间标签'] == month_lst[j],:] next_users = next_month.groupby('客户编码')['金额'].sum().reset_index() #计算在该月仍然留存的客户数量 isin = new_target_users['客户编码'].isin(next_users['客户编码']).sum() count[ct] = isin
#格式转置 result = pd.DataFrame({month_lst[i]:count}).T
#合并 final = pd.concat([final,result])
final.columns = ['当月新增','+1月','+2月','+3月','+4月','+5月','+6月','+7月','+8月']result = final.divide(final['当月新增'],axis=0).iloc[:]result['当月新增'] = final['当月新增']result.round(2)
复制代码


图表说明:由新增用户情况看,新用户逐月明显减少;留存率在 1 月-5 月平均在 50%,6 月-8 月留存率上升明显。

结论与建议


1、从销售额趋势来看,整体是上升趋势,但是从 8 月份销售额突然下降,可能因为到淡季,需进一步确认原因;


2、商品销售额,用户对护肤品具有强烈的需求,尤其是面膜,爽肤水、面霜、眼霜。较低需求的是蜜粉。可以把高需求产品,组合成礼盒等套装活动;


3、商品销售建议:眼霜、爽肤水、面膜:4,5,6,7,8 月需求最大;粉底、防晒霜、隔离霜、睫毛膏、蜜粉 1,2,3 月需求最大。以上说明用户购买特定产品具有周期性;


4、从地域来看,东部地区是消费的主力军,其中江苏省、广东省、浙江省的销售额最大。可以增大市场投放量;也可以考虑在该地区建仓,节省物流等成本;


5、用户:重点维护购买次数在 10 次-35 次之间的用户群体;


6、留存率在 99%,证明用户对产品有一定的依赖性;


7、从同期群分析来看,新用户明显减少,应考虑拉新,增加平台新用户(主播带货等);


原创不易,码字不易。 觉得这篇文章对你有点用的话,麻烦你为本文点个赞留言转发 一下,因为这将是我输出更多优质文章的动力,感谢!


同时,也欢迎关注我的个人原创公众号:杰哥的 IT 之旅



发布于: 2021 年 02 月 02 日阅读数: 919
用户头像

JackTian

关注

公众号:杰哥的IT之旅 微信:Hc220088 2018.09.21 加入

一名奋斗在一线城市的 Linux 中级运维工程师。 擅长 Linux、运维、GitHub 等方向领域; 爱好写作,听歌,喜欢交朋友,走过路过的朋友,也可以通过我的签名添加我的微信,畅聊你我之间的故事。

评论

发布
暂无评论
利用 Python 分析了某化妆品企业的销售情况,我得出的结论是?