前言

本篇文章是關于某化妝品企業的銷售分析，從分析思路開始帶大家一步步地用python進行分析，找出問題，并提出解決方案的整個流程，

以下文章來源于杰哥的IT之旅

作者：Cherich_sun

需求：希望全面了解此某妝品企業的銷售情況，幫助企業運營領導層了解企業整體銷售運營情況及商品銷售情況，為該企業的營銷策略提供相對應的建議和銷售策略，

業務分析流程

1、場景（診斷現狀）

物件：用戶；銷售
關注點：找到影響銷售的增長因素
目標：發現問題&提出解決方案

2、需求拆解

分析銷售趨勢，找到影響企業營收增長的商品或區域

按月份銷售趨勢圖（整體）
商品銷售額對比（一級、二級，找出最低、最高）
區域銷售額對比（下鉆：區、省，找出最低、最高）

探索不同商品的銷售狀況，為企業的商品銷售，提出策略建議

不同月份的各個產品的銷售額占比情況
產品相關分析

分析用戶特征、購買頻率、留存率等

購買頻率分布
復購率（重復購買用戶數量(兩天都有購買過算重復)/用戶數量）
同期群分析（按月）

3、代碼實作

獲取資料（excel）

為某化妝品企業 2019 年 1 月-2019 年 9 月每日訂單詳情資料和企業的商品資訊資料，包括兩個資料表，銷售訂單表和商品資訊表，其中銷售訂單表為每個訂單的情況明細，一個訂單對應一次銷售、一個訂單可包含多個商品，

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.family'] = 'SimHei'
import numpy as np
import warnings
warnings.filterwarnings("ignore")
data = pd.read_excel('C:/Users/cherich/Desktop/榷訓.xlsx',encoding='gbk')
data.head()

data_info = pd.read_excel('C:/Users/cherich/Desktop/榷訓.xlsx',encoding='gbk',sheet_name='商品資訊表')
data_info

資料清洗和加工

data =https://www.cnblogs.com/hhh188764/archive/2021/02/06/ data.dropna()
# 訂購數量結尾有字符'個'

data['訂購數量'] = data['訂購數量'].apply(lambda x:str(x)[:-1] if str(x)[-1] == '個' else x)
data['訂購數量'] = data['訂購數量'].astype(int)

# 訂購數量結尾有字符'元'
data['訂購單價'] = data['訂購單價'].apply(lambda x:str(x)[:-1] if str(x)[-1] == '元' else x)
data['訂購單價'] = data['訂購單價'].astype(int)
# 日期里有特殊字符 2019#3#11
def 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['訂單日期'] = data['訂單日期'].apply(proess_date)
data['訂單日期'] = data['訂單日期'].apply(lambda x:str(x).replace('年','-').replace('月','-') if '年' in str(x) else x )
data['訂單日期'] = pd.to_datetime(data['訂單日期']) 
#data.info()

data = data[data.duplicated()==False]
data['所在省份'].nunique()
data['月份'] = data['訂單日期'].apply(lambda x:str(x).split('-')[1])
data

資料可視化

# 兩張表資料合并
total_data = https://www.cnblogs.com/hhh188764/archive/2021/02/06/pd.merge(data,data_info,on='商品編號',how='left')
total_data

groups = data.groupby('月份')
x = [each[0] for each in groups]
y = [each[1].金額.sum() for each in groups]
z = [each[1].金額.count() for each in groups]
money_mean = data.金額.sum()/9
order_mean = data.金額.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("每月銷售額趨勢圖",color='#4A708B',fontsize=24)
plt.ylabel("金額/(億)",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("每月訂單量趨勢圖",color='#4A708B',fontsize=24)
plt.ylabel("訂單/(單)",fontsize=16)
plt.show()

圖表說明：從整體來看，銷售額和訂單量從4月開始大幅度上升，均高于均值；8月份開始呈下降趨勢，處于均值水平，

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


ax.set_ylabel('銷售額/(億)')
ax.set_title('每月護膚品和彩妝的銷售額對比圖(大類)')
ax.set_xticks(xticks)
ax.set_xticklabels(labels)
ax.legend()

plt.show()

圖表說明：護膚品需求滿足大多數人，明顯高于彩妝，并且5月—8月是護膚品需求旺季，相比彩妝的變化不明顯，

groups_categorys= total_data.groupby('商品小類')
x = [each[0] for each in groups_categorys]
y = [each[1].金額.sum() for each in groups_categorys]

fig = plt.figure(figsize=(18,8),dpi=80)
plt.title('各個品類的銷售額對比圖',color='#4A708B',fontsize=24)
plt.ylabel('銷售額(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].金額.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()

圖表說明：面膜的銷售額第一，其次是面霜、爽膚水，銷售額最低的是蜜粉，眼影，

total_data =https://www.cnblogs.com/hhh188764/archive/2021/02/06/ total_data.dropna()
total_data['所在區域'] = total_data['所在區域'].apply(lambda x:str(x).replace('男區','南區').replace('西 區','西區'))
groups_area= total_data.groupby(['所在區域','商品小類'])
results = {} 
for i,j  in groups_area: 
    money = int(j.金額.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]]['口紅'] = 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, ax
survey1(results, category_names)
plt.show()

圖表說明：東部地區占市場份額的35%左右，份額最低的是西部地區，

area_names = list(total_data.商品小類.unique())
groups_priv= total_data.groupby(['所在省份','商品小類'])
results = {} 
for i,j  in groups_priv: 
    money = int(j.金額.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]]['口紅'] = 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, ax
survey2(results, area_names)
plt.show()

圖表說明：江蘇銷售額第一，其次是廣東省；銷售額最低的是寧夏、內蒙、海南

import numpy as np
import matplotlib.pyplot as plt
category_names = list(total_data.商品小類.unique())
groups_small_category= total_data.groupby(['月份','商品小類'])
results = {} 
for i,j  in groups_small_category: 
    money = int(j.金額.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]]['口紅'] = 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, ax
survey(results, category_names)

plt.show()

圖表說明：眼霜、爽膚水、面膜：4，5，6，7，8月份需求量最大；粉底、防曬霜、隔離霜、睫毛膏、蜜粉1，2，3月份需求量最大，

data_user_buy=total_data.groupby('客戶編碼')['訂單編碼'].count()
data_user_buy
plt.figure(figsize=(10,4),dpi=80)
plt.hist(data_user_buy,color='#FFEC8B')

plt.title('用戶購買次數分布',fontsize=16)
plt.xlabel('購買次數')
plt.ylabel('用戶數')
plt.show()

圖表說明：大部分用戶購買次數在10次-35次之間，極少部分用戶購買次數80次以上

date_rebuy=total_data.groupby('客戶編碼')['訂單日期'].apply(lambda x:len(x.unique())).rename('rebuy_count')
date_rebuy
print('復購率:',round(date_rebuy[date_rebuy>=2].count()/date_rebuy.count(),4))

total_data['時間標簽'] = total_data['訂單日期'].astype(str).str[:7]
total_data = total_data[total_data['時間標簽']!='2050-06']
total_data['時間標簽'].value_counts().sort_index()
total_data = total_data.sort_values(by='時間標簽')
month_lst = total_data['時間標簽'].unique()
final=pd.DataFrame()
final
#引入時間標簽
for i in range(len(month_lst)-1):
    #構造和月份一樣長的串列，方便后續格式統一
    count = [0] * len(month_lst)
    #篩選出當月訂單，并按客戶昵稱分組
    target_month = total_data.loc[total_data['時間標簽']==month_lst[i],:]
    target_users = target_month.groupby('客戶編碼')['金額'].sum().reset_index()

    #如果是第一個月份，則跳過（因為不需要和歷史資料驗證是否為新增客戶）
    if i==0:
        new_target_users = target_month.groupby('客戶編碼')['金額'].sum().reset_index()
    else:
        #如果不是，找到之前的歷史訂單
        history = total_data.loc[total_data['時間標簽'].isin(month_lst[:i]),:]
        #篩選出未在歷史訂單出現過的新增客戶
        new_target_users = target_users.loc[target_users['客戶編碼'].isin(history['客戶編碼']) == False,:]

    #當月新增客戶數放在第一個值中
    count[0] = len(new_target_users)

    #以月為單位，回圈遍歷，計算留存情況
    for j,ct in zip(range(i + 1,len(month_lst)),range(1,len(month_lst))):
        #下一個月的訂單
        next_month = total_data.loc[total_data['時間標簽'] == month_lst[j],:]
        next_users = next_month.groupby('客戶編碼')['金額'].sum().reset_index()
        #計算在該月仍然留存的客戶數量
        isin = new_target_users['客戶編碼'].isin(next_users['客戶編碼']).sum()
        count[ct] = isin

    #格式轉置
    result = pd.DataFrame({month_lst[i]:count}).T

    #合并
    final = pd.concat([final,result])

final.columns = ['當月新增','+1月','+2月','+3月','+4月','+5月','+6月','+7月','+8月']
result = final.divide(final['當月新增'],axis=0).iloc[:]
result['當月新增'] = final['當月新增']
result.round(2)

同期群分析

圖表說明：由新增用戶情況看，新用戶逐月明顯減少；留存率在1月-5月平均在50%，6月-8月留存率上升明顯，

結論與建議

1、從銷售額趨勢來看，整體是上升趨勢，但是從8月份銷售額突然下降，可能因為到淡季，需進一步確認原因；

2、商品銷售額，用戶對護膚品具有強烈的需求，尤其是面膜，爽膚水、面霜、眼霜，較低需求的是蜜粉，可以把高需求產品，組合成禮盒等套裝活動；

3、商品銷售建議：眼霜、爽膚水、面膜：4，5，6，7，8月需求最大；粉底、防曬霜、隔離霜、睫毛膏、蜜粉1，2，3月需求最大，以上說明用戶購買特定產品具有周期性；

4、從地域來看，東部地區是消費的主力軍，其中江蘇省、廣東省、浙江省的銷售額最大，可以增大市場投放量；也可以考慮在該地區建倉，節省物流等成本；

5、用戶：重點維護購買次數在10次-35次之間的用戶群體；

6、留存率在99%，證明用戶對產品有一定的依賴性；

7、從同期群分析來看，新用戶明顯減少，應考慮拉新，增加平臺新用戶（主播帶貨等）；

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/257333.html

標籤：其他

上一篇：C/C++編程日記：制作一個簡單的記憶體外掛

下一篇：SpringBoot引入openfeign 報錯:spring-cloud-starter-openfeign:unknown

用Python全面分析某化妝品企業銷售情況，可視化圖顯示資料

前言

業務分析流程

1、 場景（診斷現狀）

2、需求拆解

3、代碼實作

結論與建議

1、場景（診斷現狀）