Python電商數(shù)據(jù)分析實戰(zhàn)案例
導讀： 今天給大家?guī)硪粋€電商數(shù)據(jù)分析案例。我整理了下，以筆記的形式分享給到大家。案例背景大致是某電商連續(xù)幾年的總體銷售額都在上漲，但近年增速放緩，需要尋求有效的增漲點，以提升市場競爭力。因為篇幅較長，因此本次案例分析共分為上下兩篇。文章較長，建議收藏～
電商分析基礎知識
在正式開始之前，云朵君為大家準備了一些常見的基礎的電商分析基礎知識，對于數(shù)據(jù)分析小白較為友好，電商分析大佬可酌情查看，若有寫得不好的地方，還望大佬糾正，共同進步！
此處參考自知乎：電商數(shù)據(jù)分析指標[1]
電商分析指標
一、 流量指標
瀏覽量(PV)：用戶訪問頁面的總數(shù)。
訪客數(shù)(UV)：獨立訪客。一臺電腦為一個獨立訪問人數(shù)?？煞譃樾略L用戶和回訪用戶。
當前在線人數(shù)：指15分鐘內(nèi)在線的UV數(shù)。
平均在線時間：指平均每個UV訪問網(wǎng)頁停留的時間長度。停留時間 = 訪客打開網(wǎng)站第一個頁面的時間點 – 打開網(wǎng)站最后一個頁面的時間點。
平均訪問量：用戶每次瀏覽的平均頁面值。
日均流量：平均每天的流量。
跳出率：只瀏覽了一個頁面就離開的訪問次數(shù)除以該頁面的全部訪問次數(shù)。分為：首頁跳出率、關鍵頁面跳出率、具體產(chǎn)品頁面跳出率等。這個指標可以反映出一個頁面內(nèi)容的受歡迎程度。如果跳出率高，說明該頁面需要調整和優(yōu)化。跳出率高不可怕，可怕的是不知道用戶跳出的原因。
二、轉化指標
有了流量之后，我們希望用戶按照設計好的要求進行動作，比如希望用戶注冊、收藏、下單、付款、參加我們的營銷活動等等。這些動作就是轉化。
轉化率：指進行了相關動作的訪問量占總訪問量的比例。轉化率是電商營運的核心指標，也是用來判斷營銷效果的指標。
注冊轉化率：注冊用戶數(shù)/新訪用戶數(shù)。
客服轉化率：咨詢客服人員的用戶數(shù)/總訪問數(shù)。
收藏轉化率：即將產(chǎn)品添加到收藏或關注的用戶數(shù)/該產(chǎn)品的總訪問數(shù)。
添加轉化率：將產(chǎn)品添加到購物車的用戶數(shù)/該產(chǎn)品的總訪問數(shù)。
成交轉化率：成交用戶數(shù)/總訪問數(shù)。成交轉化率又可細分為渠道轉化率、事件轉化率、品牌轉化率等。
三、營運指標
成交指標：成交金額、成交數(shù)量、成交用戶數(shù)
訂單指標：訂單金額、訂單數(shù)量、訂單用戶數(shù)、有效訂單、無效訂單
退貨指標：退貨金額、退貨數(shù)量、退貨用戶數(shù)、金額退貨率、數(shù)量退貨率、訂單退貨率
效率指標：客單價、件單價、連帶率、動銷率
采購指標：采購金額、采購數(shù)量
庫存指標：庫存金額、庫存數(shù)量、庫存天數(shù)、庫存周轉率、售罄率
供應鏈指標：送貨金額、送貨數(shù)量、訂單滿足率、訂單響應時長、平均送貨時間
四、會員指標
傳統(tǒng)零售業(yè)和電商的會員概念上有一些不同。傳統(tǒng)零售業(yè)中，用戶需要消費到一定的金額數(shù)目才有資格成為會員，所以傳統(tǒng)零售的會員一定是顧客。而電商中，一般用戶只要注冊成功便成為會員。二是時效性的差異，大部分傳統(tǒng)零售的會員管理有失效的規(guī)定，即如果會員不能在一定期限內(nèi)消費達到某一金額就將會失去會員的資格。而電商中的會員則沒有這種限制，只是對不同消費金額的用戶設定了不同的等級。
注冊會員數(shù)：指曾經(jīng)在網(wǎng)站上注冊過的會員總數(shù)。一般來說這個定義沒有太大的意義，因為存在有只注冊不買的用戶和買過東西但已經(jīng)長時間不使用的用戶，所以把這個指標定義為一年中有購買記錄的會員更準確。
活躍會員數(shù)： 指在一段時期內(nèi)有過消費或登錄行為的會員總數(shù)。
活躍會員比率： 活躍會員數(shù)占總會員數(shù)的比例。
會員復購率： 指在某時期內(nèi)產(chǎn)生了第二次或以上購買會員數(shù)占總購買會員的總數(shù)。
平局購買次數(shù)： 某時期內(nèi)每個會員平均購買的次數(shù)。
會員回購率： 指上一期末活躍會員在下一期時間內(nèi)有購買行為的會員比率。
會員留存率： 某時間節(jié)點的會員在某特定時間周期內(nèi)登錄或消費過的會員比率。電商一般使用消費數(shù)據(jù)，游戲、社交領域則使用登錄數(shù)據(jù)。
五、財務指標
新客成本：公司花了100萬獲得了10000個新客戶，則新客成本為100元/人。新客成本一般根據(jù)渠道計算，這樣也可以區(qū)分不同的渠道質量。
單人成本： 營銷成本/訪客數(shù)。這里的訪客不區(qū)分是否是新訪客、是否購買、是否注冊等。
單筆訂單成本： 營銷成本/產(chǎn)生的訂單數(shù)
費銷比： 營銷成本/訂單金額。它的倒數(shù)就是ROI。
核心指標是什么
對于不同行業(yè)、不同性質、不同階段的公司來說，關注的指標也是不一樣的，所以所謂核心指標也并非一成不變的。
對于一個新電商來說，積累數(shù)據(jù)，找準營運方向是最重要的，所以這一階段最關注的的指標就是流量指標，包括了：訪客數(shù)、訪客來源、注冊用戶數(shù)、瀏覽量、瀏覽深度、產(chǎn)品的瀏覽量排行、產(chǎn)品的跳出率、顧客評價指數(shù)等等。
對于已經(jīng)營運了一段時間的電商來說，通過數(shù)據(jù)分析提高銷量就成為最重要的目標。這個階段最關注的的指標主要包括流量和銷售指標：訪客數(shù)、瀏覽量、轉化率、新增會員數(shù)、會員流失率、客單價、動銷率、庫存天數(shù)、ROI、銷售額等。
對于具有了一定規(guī)模的電商來說，利用數(shù)據(jù)提升整體營運水平就很關鍵。他們的重點指標就是訪客數(shù)、瀏覽量、轉化率、復購率、流失率、留存率、客單價、利潤率、ROI、新客成本、庫存天數(shù)、訂單滿足率、銷售額等。
電商案例分析
接下來進入我們今天案例分析的主題。
總體思路
1、了解行業(yè)與公司現(xiàn)狀
行業(yè)現(xiàn)狀與趨勢，如涉及哪些業(yè)務 公司在市場中地位
2、溝通明確需求
頭腦風暴，挖掘需求或瓶頸 多次溝通，最有價值的分析
3、最后用數(shù)據(jù)進行驗證
導入相關模塊
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import datetime
sns.set()
pd.set_option('float_format', lambda x: '%.2f' % x)
#顯示中文
plt.rcParams['font.family'] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus']=False
宏觀市場分析
產(chǎn)品生命周期(product life cycle)，簡稱PLC，是產(chǎn)品的市場壽命，即一種新產(chǎn)品從開始進入市場到被市場淘汰的整個過程。
費農(nóng)認為：產(chǎn)品生命是指市上的的營銷生命，產(chǎn)品和人的生命一樣，要經(jīng)歷形成、成長、成熟、衰退這樣的周期。就產(chǎn)品而言，也就是要經(jīng)歷一個起步、成長、成熟、衰退的階段。
1、起步期
企業(yè)規(guī)?？赡芎苄?，關于該行業(yè)的企業(yè)如何發(fā)展有不同看法，產(chǎn)品類型、特點、性能和目標市場不斷發(fā)展變化。市場中充滿各種新發(fā)明的產(chǎn)品或服務，管理層采取戰(zhàn)略支持產(chǎn)品上市。產(chǎn)品設計尚未成熟，行業(yè)產(chǎn)品的開發(fā)相對緩慢，利潤率較低，市場增長率較高。
策略：跟蹤對手、參與或觀望。
2、成長期
該行業(yè)已經(jīng)形成并快速發(fā)展，大多數(shù)企業(yè)因高增長率而在行業(yè)中繼續(xù)存在。管理層需確保充分擴大產(chǎn)量達到目標市場份額。需大量資金達到高增長率和擴產(chǎn)計劃，現(xiàn)金短缺。利用專利或者降低成本來設置進入壁壘(內(nèi)在規(guī)模經(jīng)濟)，阻止競爭者進入行業(yè)。
策略：增加投入、增加市場占有率、阻止新進入者。
3、成熟期
增長率降到較正常水平，相對穩(wěn)定，各年銷售量變動和利潤增長幅度較小，競爭更激烈。后期一些企業(yè)因投資回報率不滿意而退出行業(yè)，一小部分企業(yè)主導行業(yè)，需監(jiān)控潛在兼并機會(啤酒行業(yè))、探索新市場(中國拖拉機出口)、研發(fā)新技術、開發(fā)具有不同特色功能的新產(chǎn)品。戰(zhàn)略管理至關重要
策略：提高效率、成本控制、進入和控制市場細分。兼并擴張，研發(fā)新品。
4、衰退期
行業(yè)生產(chǎn)力過剩，技術被模仿后出現(xiàn)的替代品充斥市場，市場增長率嚴重下降，產(chǎn)品品種減少，行業(yè)活動水平隨各公司從該行業(yè)退出而下降，該行業(yè)可能不復存在或被并入另一行業(yè)。行業(yè)的存在期比任何單一產(chǎn)品都要長。充分運用戰(zhàn)略管理很重要
策略：及時退出。
數(shù)據(jù)準備
本次案例數(shù)據(jù)量較多，下面按照分類通過思維導圖的方式將其展示出來。
一級市場容量分析
數(shù)據(jù)讀取
wxtz=pd.read_excel('./baier/電商案例數(shù)據(jù)/驅蟲劑市場/電蚊香套裝市場近三年交易額.xlsx')
ff=pd.read_excel('./baier/電商案例數(shù)據(jù)/驅蟲劑市場/防霉防蛀片市場近三年交易額.xlsx')
mssc=pd.read_excel('./baier/電商案例數(shù)據(jù)/驅蟲劑市場/滅鼠殺蟲劑市場近三年交易額.xlsx')
wx=pd.read_excel('./baier/電商案例數(shù)據(jù)/驅蟲劑市場/盤香滅蟑香蚊香盤市場近三年交易額.xlsx')
jrp=pd.read_excel('./baier/電商案例數(shù)據(jù)/驅蟲劑市場/蚊香加熱器市場近三年交易額.xlsx')
wxp=pd.read_excel('./baier/電商案例數(shù)據(jù)/驅蟲劑市場/蚊香片市場近三年交易額.xlsx')
wxy=pd.read_excel('./baier/電商案例數(shù)據(jù)/驅蟲劑市場/蚊香液市場近三年交易額.xlsx')
橫向合并
將二級市場到交易額按照月份匯總到一起，形成一級市場到交易數(shù)據(jù)，用來分析整個一級市場（宏觀市場）到市場容量走勢
table = wxy
for i in [wxp,wxtz,ff,mssc,wx,jrp]:
table = pd.merge(table,i,how='inner',on='時間')
table.columns=['時間','電蚊香套裝','防霉防蛀片','滅鼠殺蟲劑','盤香滅蟑香蚊香盤','蚊香加熱器','蚊香片','蚊香液']
table.head()
查看一級市場趨勢
一般后續(xù)分析要按照時間維度進行各種匯總分析，最好把時間字段設置為該表的索引。
table.set_index('時間',inplace=True)
table['一級市場銷售總額']=table.sum(axis=1)
table.head()
# table.一級市場銷售總額.plot()
以時間索引為橫軸，一級市場銷售總額為縱軸，繪制折線圖，查看一級市場銷售趨勢。由圖中可以看出，銷售總額趨勢是周期性增長的。
回歸算法預測銷售額
這里有兩點需要注意：
一般作宏觀市場容量分析，一般要求5年。 發(fā)現(xiàn)年度數(shù)據(jù)不規(guī)整，2018年11月、12月缺失，2015年只有11月、12月。 接下來用回歸分別對18年11月、12月數(shù)據(jù)做出簡單的預測。
先預測18年11月的銷售額，提取2015-2017年11月的銷售額。
table_02 = pd.concat([table['2015-11'],table['2016-11'],table['2017-11']],axis=0)
table_02
對二級市場作回歸分析（上表每個字段作一次）。
from sklearn.linear_model import LinearRegression
y_11 = []
x_train=np.array([2015,2016,2017]).reshape(-1,1)
for i in table_02.columns:
y_train=table_02[i].values
clf = LinearRegression()
clf.fit(x_train,y_train)
y_pred = clf.predict(np.array([[2018]]).round(1))
y_11.append(round(y_pred[0],2))
y_11
[5543203.83,
776627.04,
38692.61,
6678677.55,
71752495.99,
1801318.82,
193874.39,
86784890.23]
將上面得到的結果追加到15年到17年數(shù)據(jù)表中去。
date = datetime.datetime.strptime('2018-11-1','%Y-%m-%d')
y_11 = pd.Series(y_11,index=['電蚊香套裝','防霉防蛀片','滅鼠殺蟲劑','盤香滅蟑香蚊香盤',
'蚊香加熱器','蚊香片','蚊香液','一級市場銷售總額']
,name=date)
table_02.loc[date,:]=y_11
table_02
同理，預測2018年12月各個殺蟲劑銷量。
從預測結果可以看到，2018年11月和12月的市場銷售總額，會比前三年還要進一步增加。
二級市場容量分析
將原始數(shù)據(jù)及預測得到的銷售數(shù)據(jù)合并，再繼續(xù)分析。
table_04 = pd.concat([table,table_02,table_03],axis=0)
# 根據(jù)索引排序
table_04 = table_04.drop_duplicates(
).sort_index(ascending=False).iloc[:-2,:]
table_04.head()
統(tǒng)計2016、2017和2018年一級市場年銷售總額。并繪制折線圖。
# table_04.resample('Y')['一級市場銷售總額'].sum().plot()
t4 = table_04.resample('Y')['一級市場銷售總額'].sum()
時間
2016-12-31 917966079.69
2017-12-31 1395872729.27
2018-12-31 1699011039.03
Freq: A-DEC, Name: 一級市場銷售總額,
dtype: float64
由上圖可以看出，2018年相對于2017年全年銷售總額增速有所降緩。進一步分析二級市場的容量，探尋市場增長點。
table_05 = table_04.resample('Y').sum()
table_05
繪制各個驅蟲劑三年內(nèi)年消費總額折線圖。
從結果可以看到：
二級市場里面，滅鼠殺蟲劑市場銷售額市場最大，增長幅度穩(wěn)定 接下來對細分市場作分析，集中在滅鼠殺蟲市場內(nèi)，也是由于需求方產(chǎn)品線所處對二級市場。 滅蚊市場占比較大，增加產(chǎn)品多樣性可以考慮滅蚊產(chǎn)品。
二級市場的占比分析
將所有殺蟲劑年銷售額除以一級市場銷售總額，得到每種殺蟲劑市場占比。
a=[]
for i in table_05.columns:
a.append(table_05[i]/table_05.一級市場銷售總額)
table_06=pd.DataFrame(a,index=table_05.columns)
table_06.T
將上面得到的二級市場占比，進行可視化分析，得到如下圖所示的各殺蟲劑銷售總額占比。
從結果可以看到：
滅鼠殺蟲劑市場一直以來占領一級市場一級市場60%以上的市場份額。 其次是蚊香液產(chǎn)品，占據(jù)20%以上份額。
二級市場增量分析
將各個殺蟲劑每年年銷售總額做差分并除以上一年年銷售總額得到年增幅。
incre_01=(table_05.iloc[1,:]-table_05.iloc[0,:])/table_05.iloc[0,:]
incre_02=(table_05.iloc[2,:]-table_05.iloc[1,:])/table_05.iloc[1,:]
incre=pd.DataFrame([incre_01,incre_02],index=['16-17年增幅',"17-18年增幅"])
incre
將上述得到的數(shù)據(jù)進行可視化。
由上面分析得到如下幾點：
一級市場容量的增幅確實是在放緩，放緩幅度較大。 二級市場容量有所放緩，幅度較小。
競爭分析
本節(jié)使用行業(yè)排名top100品牌數(shù)據(jù)，包括品牌、行業(yè)排名、交易指數(shù)、交易增長幅度、支付寶轉化指數(shù)等幾個重要字段。
brand=pd.read_excel('./baier/電商案例數(shù)據(jù)/top100品牌數(shù)據(jù).xlsx')
brand.head()
這里我們只需要品牌和交易指數(shù)兩個字段。
brand=brand[['品牌','交易指數(shù)']]
brand.set_index('品牌',drop=True,inplace=True)
brand.head()
并將行業(yè)排名TOP10的品牌繪制餅圖，查看各個品牌市場占比情況。
微觀市場-競爭分析
mm=pd.read_excel('./baier/電商案例數(shù)據(jù)/滅鼠殺蟲劑細分市場/螨.xlsx')
ms=pd.read_excel('./baier/電商案例數(shù)據(jù)/滅鼠殺蟲劑細分市場/滅鼠.xlsx')
sc=pd.read_excel('./baier/電商案例數(shù)據(jù)/滅鼠殺蟲劑細分市場/殺蟲.xlsx')
sz=pd.read_excel('./baier/電商案例數(shù)據(jù)/滅鼠殺蟲劑細分市場/虱子.xlsx')
zl=pd.read_excel('./baier/電商案例數(shù)據(jù)/滅鼠殺蟲劑細分市場/蟑螂.xlsx')
t_01=sz[["類別","預估銷售額"]]
t_02=zl[["類別","預估銷售額"]]
t_03=mm[["類別","預估銷售額"]]
t_04=ms[["類別","預估銷售額"]]
t_05=sc[["類別","預估銷售額"]]
微觀市場容量分析
將滅鼠殺蟲劑細分市場各個類別數(shù)據(jù)進行合并，并按照類別聚類，對預估銷售額進行求和。得到如下圖所示的各殺蟲劑類別--預估銷售總額條形圖。
t = pd.concat([t_01,t_02,t_03,t_04,t_05])
t.set_index('類別',drop=True,inplace=True)
(t.groupby('類別').sum()).plot(kind='barh',
color=cmap[1],ax=ax)
從條形圖中可以獲得不少有價值的信息：
在二級市場內(nèi)，滅鼠產(chǎn)品的預估銷售額是最大。 其次是才是滅蟑產(chǎn)品，目前拜耳的在驅蟲劑市場的產(chǎn)品主要集中在滅蟑和殺蟲。 可以考慮滅鼠和除螨的產(chǎn)品線。
三級市場占比分析
將各個類別的產(chǎn)品除以總銷售額，得到每個產(chǎn)品的銷售額占比情況，并繪制橫向條形圖。
t.groupby('類別').sum().sum(axis=0)
t = pd.concat([t_01,t_02,t_03,t_04,t_05])
(t.groupby('類別').sum()/t.groupby('類別').sum().sum(axis=0)
).plot(kind='barh',color=cmap[1],ax=ax)
從結果可以看到：
拜耳主營業(yè)務市場，滅鼠和滅蟑產(chǎn)品占市場份額60%左右。
如果要介入滅鼠產(chǎn)品，以較低價引流產(chǎn)品為主，要以什么價格區(qū)間的滅鼠產(chǎn)品比較合適。
引流產(chǎn)品價格定位
通過對數(shù)據(jù)表進行描述性統(tǒng)計，得到每個價格區(qū)間預告銷售額大小。
ms_02 = ms.loc[:,['類別','寶貝ID','售價','預估銷售額']]
ms_02.describe()
價格數(shù)據(jù)離散化，設置0,50,100,150,200,250,300七個切割點，將售價切分為六個價格區(qū)間。
bins_01 = [0,50,100,150,200,250,300]
labels = ['0-50','50-100','100-150','150-200','200-250','250-300']
ms_02['價格區(qū)間']=pd.cut(ms_02['售價'],bins=bins_01,labels=labels)
ms_02.head()
以價格區(qū)間聚合，對預估銷售額進行求和，得到如下結果?？梢悦黠@看到，價格區(qū)間在0-50時，預估銷售總額是最高的，且是排名第二的50-100價格區(qū)間總預估銷售額的近5倍。
ms_02.groupby('價格區(qū)間')['預估銷售額'].sum().sort_values(ascending=False)
價格區(qū)間
0-50 15162086.51
50-100 3335060.19
100-150 2758086.29
200-250 2743758.00
150-200 629813.00
250-300 237740.00
Name: 預估銷售額, dtype: float64
如果拜耳想介入滅鼠產(chǎn)品，引流產(chǎn)品定位在0-50之間合適，但是哪個細分區(qū)間比較合理？
細化價格區(qū)間，將0-50價格區(qū)間繼續(xù)以0,10,20,30,40,50即每10元為一個區(qū)間，劃分產(chǎn)品售價，得到如下結果。
bins_02=[0,10,20,30,40,50]
labels_02=["0-10","10-20","20-30","30-40","40-50"]
ms_02['價格區(qū)間']=pd.cut(ms_02['售價'],bins=bins_02,labels=labels_02)
ms_02.head()
同樣聚合求和并排序，得到如下結果，其中10-20及20-30價格區(qū)間總預告銷售額相對較高。
ms_02.groupby('價格區(qū)間')['預估銷售額'].sum().sort_values(ascending=False)
價格區(qū)間
10-20 8102634.14
20-30 4969620.92
30-40 1240874.19
40-50 707568.49
0-10 141388.77
Name: 預估銷售額, dtype: float64
如果想做0-50塊之間滅鼠引流產(chǎn)品，10-30元以內(nèi)比較合適，市場比較受歡迎，不容易虧損。
競爭分析
誰是我們的競爭對手？他們的策略是什么？和他們相比我們的優(yōu)勢和劣勢在哪兒？這些是我們必須經(jīng)常面對的問題，競爭對手無處不在。作為一名數(shù)據(jù)分析師，我們又要如何幫助公司制定競爭策略？不能正確識別自己的競爭對手會造成各種被動，既浪費資源，還浪費寶貴的發(fā)展時機。
本次競爭分析將從兩個方面著手，一是銷售競爭分析，其中包括拜耳、科凌蟲控和安速家居銷售分析。二是產(chǎn)品結構分析，這一部分將在本次案例分析下篇中繼續(xù)展開，本篇不涉及。
銷售分析
本次使用的數(shù)據(jù)是競爭數(shù)據(jù)中商品銷售數(shù)據(jù)內(nèi)的三家公司近30天銷售數(shù)據(jù)。
安速家居 =pd.read_excel('./baier/電商案例數(shù)據(jù)/競爭數(shù)據(jù)/商品銷售數(shù)據(jù)/安速家居近30天銷售數(shù)據(jù).xlsx')
科凌蟲控 =pd.read_excel('./baier/電商案例數(shù)據(jù)/競爭數(shù)據(jù)/商品銷售數(shù)據(jù)/科凌蟲控旗艦店近30天銷售數(shù)據(jù).xlsx')
拜耳銷售分析
查看下本次數(shù)據(jù)都包含哪些字段。
拜耳 = pd.read_excel('./baier/電商案例數(shù)據(jù)/拜耳店鋪數(shù)據(jù)/拜耳近30天銷售數(shù)據(jù).xlsx')
拜耳.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15 entries, 0 to 14
Data columns (total 16 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 序號 15 non-null int64
1 店鋪名稱 15 non-null object
2 商品名稱 15 non-null object
3 商品ID 15 non-null int64
4 主圖鏈接 15 non-null object
5 商品鏈接 15 non-null object
6 商品原價 15 non-null float64
7 商品售價 15 non-null float64
8 30天銷售量 15 non-null int64
9 總銷量 15 non-null int64
10 類目 15 non-null object
11 物理形態(tài) 11 non-null object
12 型號 15 non-null object
13 凈含量 13 non-null object
14 使用對象 15 non-null object
15 銷售額 15 non-null float64
dtypes: float64(3), int64(4), object(9)
memory usage: 2.0+ KB
使用切片截取本次分析所需要的字段信息。
baier = 拜耳[["商品ID",'使用對象',"商品售價","30天銷售量","銷售額"]]
baier.head()
根據(jù)商品ID聚合，并對銷售額求和，按照總銷售額排序后繪制條形圖如下所示。從結果中可以看出，爆款產(chǎn)品527604730327的銷售額遠遠超過其他任何一個產(chǎn)品。
cmap = [low_c,high_c]
(baier.groupby('商品ID')['銷售額'].sum().sort_values(ascending=False)
).plot(kind='barh',color=cmap[1],ax=ax)
為了查看拜耳產(chǎn)品分不同使用對象的總銷售額，對使用對象聚合并所有字段求和，其中主要看30天銷售量和銷售額兩個字段即可。其余兩個字段聚合求和得到的結果并沒有意義。
baier.groupby('使用對象').sum().sort_values('銷售額',ascending=False)
從上面結果可以得到如下信息：
滅蟑產(chǎn)品占拜耳的銷售額最大的比重 其次是滅蟻等
科凌蟲控銷售分析
接下來分析科凌蟲控銷售數(shù)據(jù)。其數(shù)據(jù)與拜耳銷售數(shù)據(jù)字段相同，在這里就不做展示。
同樣切片截取需要的字段來分析。并以商品ID聚合，對其他字段求和，得到每種商品的銷售數(shù)據(jù)。
keling = 科凌蟲控[["商品ID",'適用對象',"商品售價","30天銷售量","30天銷售額"]]
keling.groupby('商品ID').sum().sort_values('30天銷售額',ascending=False)
同樣統(tǒng)計各個使用對象30天內(nèi)銷售總量及總額數(shù)據(jù)。
keling.groupby('適用對象')['30天銷售量','30天銷售額'].sum().sort_values('30天銷售額',ascending=False)
得到如下主要信息。
熱門產(chǎn)品（滅蟑）銷售額與拜耳的差距不大 科凌的產(chǎn)品類目覆蓋了二級市場里面主要的類目
安速家居銷售分析
按照上面拜耳及科凌蟲控銷售數(shù)據(jù)分析方法，同樣用以分析安速家居銷售分析數(shù)據(jù)。
ansu = 安速家居[["商品ID",'適用對象',"商品售價","30天銷售量","30天銷售額"]]
ansu.head()
ansu.groupby('商品ID')['30天銷售量','30天銷售額'].sum().sort_values('30天銷售額',ascending=False)
ansu.groupby('適用對象')['30天銷售量','30天銷售額'].sum().sort_values('30天銷售額',ascending=False)
得到如下主要信息。
熱銷產(chǎn)品的銷售額不及拜耳與科凌 安速的產(chǎn)品類目廣，基本覆蓋了拜耳和科凌主營產(chǎn)品類目 拜耳熱銷產(chǎn)品主要集中在滅蟑，主要競爭對手（科凌、安速）在主營業(yè)務上構成競爭 主要競爭對手的產(chǎn)品多樣化比拜耳做的更好 拜耳滅蟑產(chǎn)品只要競爭對手科凌，殺蟲滅蟻產(chǎn)品主要挑戰(zhàn)來源于安速
寫在最后
到目前為止，本次案例算是完成了分析任務的一般。從剛開始介紹了一些簡單的電商案例分析基礎知識，并從宏觀市場及微觀市場分析幾家電商的銷售數(shù)據(jù)。其中微觀市場分析并未結束，將在接下來的下篇中分享給到大家。其主要內(nèi)容包括如下：
參考資料
電商數(shù)據(jù)分析指標: https://zhuanlan.zhihu.com/p/50754573
