• Black Friday案例分析

    一、背景介绍：

    黑色星期五是美国感恩节后一天，圣诞节前的一次大采购活动，当天一般美国商场会推出大量的打折优惠、促销活动。商家期望通过以这一天开始的圣诞大采购为这一年获得最多的盈利。

    二、分析目的：

    本次的分析数据来自于Kaggle提供的某电商黑色星期五的销售记录， 将围绕产品和用户两大方面展开叙述，为电商平台制定策略提供分析及建议。

    三、分析过程：

    三、主要分析框架

    分析主要框架：

    • 准备工作（观察数据集）
    • 整体消费情况（销售额、销量、消费人数、客单价等）
    • 用户画像分析（探究最有价值的用户类型：从性别、年龄、婚姻、职业四个角度分析）
    • 城市业绩分析(城市分布 、居住年限分布)
    • 产品分析（探究最有价值的产品/产品类别：销售额Top10的产品/产品类别、销量Top10的产品/产品类别）
    • 最大贡献用户价值分析（价值Top10用户清单，二八法则验证）

     

    1. import matplotlib.pyplot as plt
    2. import numpy as np
    3. import pandas as pd
    4.  
    5. # print 显示不全问题
    6. np.set_printoptions(threshold=np.inf)
    7. pd.set_option('display.width', 300)  # 设置字符显示宽度
    8. pd.set_option('display.max_rows', None)  # 设置显示最大行
    9. pd.set_option('display.max_rows', 10)  # 设置显示最大行
    10. pd.set_option('display.max_columns', None)  # 设置显示最大列，None为显示所有列
    11.  
    12. plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
    13. plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    14. # ==数据集内容==
    15. # User_ID：用户ID
    16. # Product_ID：产品ID
    17. # Gender：性别
    18. # Age：年龄
    19. # Occupation：职业
    20. # City_Category：城市（A,B,C）
    21. # Stay_In_Current_City_Years：居住时长
    22. # Marital_Status：婚姻状况
    23. # Product_Category_1：产品类别1,是一级分类
    24. # Product_Category_2：产品类别2,是二级分类
    25. # Product_Category_3：产品类别3,是三级分类
    26. # Purchase：金额（美元）
    27. """
    28. """
    29. # 数据集导入
    30. df = pd.read_csv("BlackFriday.csv")
    31. # 数据初步了解
    32. print(df.head())
    33. df.info()
    34. # 通过查看数据，发现Product_Category_2与Product_Category_3缺失数据较多。
    35. # Product_Category_2：缺失31%的数据
    36. # Product_Category_3：缺失69%的数据
    37. # 查看数据缺失情况
    38. # print((df.shape[0]-df.count(axis=0))/df.shape[0])
    39.  
    40. """
    41. 2、整体消费情况
    42. """
    43. df['Purchase'].sum()
    44. # （1）销售额: 总的消费金额是50亿美元
    45. df['Product_ID'].count()
    46. # （2）销量: 总的销量是537577件
    47. df['Purchase'].sum() / df['Product_ID'].count()
    48. # （3）单件产品平均销售额: 平均每件商品的单件是9333美元
    49. df['Product_ID'].drop_duplicates(keep='first').count()
    50. # （4）商品种类统计: 总共有3623件不同的商品参加黑五活动
    51. df['User_ID'].drop_duplicates(keep='first').count()
    52. # （5）消费人数统计: 总共有5891位用户参加黑五活动
    53. df['Purchase'].sum() / df['User_ID'].drop_duplicates(keep='first').count()
    54. # （6）客单价: 平均客单价为851751美元
    55. """
    56. 小结：
    57. 从销售记录来看，参加黑五活动的大客户居多，平均客单价高达85万美元，累计贡献50亿美元的销售额。
    58. 对于电商行业，抓住忠实用户并促进他们消费，可以带来巨大的利润。
    59. """
    60.  
    61. """
    62. 3、用户画像分析
    63. """
    64.  
    65. # （1）性别因素: 不同性别的消费金额，消费数量及平均消费额情况
    66. # 对性别分类，求个性别消费金额【1】及各性别人数【2】
    67. df_gender_purchase = df.groupby("Gender").agg({"Purchase": "sum", "User_ID": pd.Series.nunique}).reset_index().rename(
    68.     columns={"Purchase": "Purchase_amount", "User_ID": "gender_user_count"})
    69. # 计算各性别的消费金额占比【3】
    70. df_gender_purchase["gender_purchase_prop"] = df_gender_purchase.apply(lambda x: x[1] / df["Purchase"].sum(), axis=1)
    71. # 金额/人数，男女性别分别人均消费【4】
    72. df_gender_purchase["gender_customer_price"] = df_gender_purchase.apply(lambda x: x[1] / x[2], axis=1)
    73. # 男女人数/总人数求得男女人数的占比【5】
    74. df_gender_purchase["gender_count_prop"] = df_gender_purchase.apply(lambda x: x[2] / df["User_ID"].nunique(), axis=1)
    75. # 不同性别的用户占比
    76. df_gender_purchase["gender_count_prop5"] = df_gender_purchase.apply(
    77.     lambda x: x[2] / df.drop_duplicates(subset=["User_ID"], keep="first")["User_ID"].count(), axis=1)
    78. print(df_gender_purchase)
    79.  
    80. # 在黑色星期五的活动中，男性是占据了71%的用户，贡献了将近76%的销售额，且客单价还是较高于女性，可重点针对男性进行推销
    81. # 绘制性别占比饼状图
    82. plt.figure(figsize=(15, 10))
    83. plt.pie(df_gender_purchase.gender_user_count, labels=['女性', '男性'], colors=['#FF69B4', '#87CEFA'], autopct='%1.1f%%',
    84.         explode=[0.05, 0.01])
    85. # 标题
    86. plt.title('不同性别用户数占比')
    87. # plt.show()
    88.  
    89. """
    90. 上述可以发现，黑五活动中：
    91. 男性用户量明显高于女性，占比达71%，女性仅28%，男性为女性的2.5倍；
    92. 男性用户的销售额占比76%，为女性23%的3.3倍；
    93. 男性客单价也高于女性，为女性的1.3倍
    94. 由此可见黑五活动很可能是针对男性为主要销售对象
    95. """
    96.  
    97. """
    98. 3）不同职业的消费金额，消费数量及平均消费额情况
    99. """
    100. # 对职业分组，求不同职业的消费总额，以及人数【1】【2】
    101. df_Occupation_purchase = df.groupby("Occupation").agg(
    102.     {"Purchase": "sum", "User_ID": pd.Series.nunique}).reset_index().rename(
    103.     columns={"Purchase": "Purchase_amount", "User_ID": "Occupation_user_count"})
    104. # 职业别消费总额 / 销售总额，求得各职业的消费额占比【3】
    105. df_Occupation_purchase["Occupation_purchase_prop"] = df_Occupation_purchase.apply(lambda x: x[1] / df["Purchase"].sum(),
    106.                                                                                   axis=1)
    107. # 职业消费总额 / 职业消费人数，求得职业人均消费【4】
    108. df_Occupation_purchase["Occupation_customer_price"] = df_Occupation_purchase.apply(lambda x: x[1] / x[2], axis=1)
    109. # 职业的消费人数 / 总消费人数，求得职业消费人数占比
    110. df_Occupation_purchase["Occupation_count_prop"] = df_Occupation_purchase.apply(lambda x: x[2] / df["User_ID"].nunique(),
    111.                                                                                axis=1)
    112. # 根据职业消费人数进行倒序排列
    113. df_Occupation_purchase.sort_values(by="Occupation_user_count", ascending=False, inplace=True)
    114. print(df_Occupation_purchase)
    115. """
    116. 销量前20%的职业为“4”，“0”，“7”，“1”，这四类职业贡献了约45%的销量及销售额。这些职业是后续重点关注的对象
    117. """
    118. # 绘制不同岗位与用户数量条形图
    119. plt.figure(figsize=(15, 10))
    120. plt.barh(list(df_Occupation_purchase['Occupation']), df_Occupation_purchase['Occupation_user_count'], color='#87CEFA')
    121. plt.yticks(df_Occupation_purchase['Occupation'])
    122. # 横纵坐标标签
    123. plt.xlabel('用户数量')
    124. plt.ylabel('岗位类别')
    125. # plt.show()
    126.  
    127. """
    128. 4）不同婚姻状态的消费金额，消费数量及平均消费额情况
    129. """
    130. # 对结婚情况分类，求个状态的消费金额【1】及个状态人数【2】
    131. df_Marital_purchase = df.groupby("Marital_Status").agg(
    132.     {"Purchase": "sum", "User_ID": pd.Series.nunique}).reset_index().rename(
    133.     columns={"Purchase": "Purchase_amount", "User_ID": "Marital_user_count"})
    134. # 用个状态消费金额 / 总消费金额，求得个状态的消费占比【3】
    135. df_Marital_purchase["Marital_purchase_prop"] = df_Marital_purchase.apply(lambda x: x[1] / df["Purchase"].sum(), axis=1)
    136. # 各状态消费金额/个状态人数，求得各状态人均消费情况【4】
    137. df_Marital_purchase["Marital_customer_price"] = df_Marital_purchase.apply(lambda x: x[1] / x[2], axis=1)
    138. # 各状态人数 / 总人数，求得个状态人数占比【5】
    139. df_Marital_purchase["Marital_count_prop"] = df_Marital_purchase.apply(lambda x: x[2] / df["User_ID"].nunique(), axis=1)
    140. print(df_Marital_purchase)
    141. # ?未结婚的人贡献销售额及销量均比结婚后的人贡献的高约20%
    142.  
    143.  
    144. """
    145. 3. 产品销售情况分析
    146. """
    147. # 1）销售额Top10的产品情况、
    148. # 根据产品分组，求各产品被购买的次数，销售总额，同时根据销售总额降序排列，选取Top10，只选取"Product_ID","Purchase_amount"两列，
    149. df_amount10 = df.groupby("Product_ID").agg({"User_ID": "count", "Purchase": "sum"}).rename(
    150.     columns={"Purchase": "Purchase_amount", "User_ID": "User_count"}).reset_index().sort_values(by=["Purchase_amount"],
    151.                                                                                                 ascending=False)[
    152.     ["Product_ID", "Purchase_amount"]].head(10)
    153. print(df_amount10)
    154.  
    155. # 2）销量Top10的产品情况
    156. # 根据产品分组，求各产品被购买的次数，销售总额，同时根据销售总额降序排列，选取Top10，只选取"Product_ID","User_count"两列，
    157. df_count10 = df.groupby("Product_ID").agg({"User_ID": "count", "Purchase": "sum"}).rename(
    158.     columns={"Purchase": "Purchase_amount", "User_ID": "User_count"}).reset_index().sort_values(by=["User_count"],
    159.                                                                                                 ascending=False)[
    160.     ["Product_ID", "User_count"]].head(10)
    161. df_count10
    162.  
    163. # 3）销售量&销售额均在Top10的产品情况
    164. # 将销量Top10余销售总额Top10内连接，进而获取销量与销售额都在Top10的产品
    165. pd.merge(df_amount10, df_count10, left_on="Product_ID", right_on="Product_ID", how="inner")
    166.  
    167. # 4) 销售额在Last10的产品情 况
    168. df_amount_last10 = df.groupby("Product_ID").agg({"User_ID": "count", "Purchase": "sum"}).rename(
    169.     columns={"Purchase": "Purchase_amount", "User_ID": "User_count"}).reset_index().sort_values(by=["Purchase_amount"],
    170.                                                                                                 ascending=False)[
    171.     ["Product_ID", "Purchase_amount"]].tail(10)
    172. df_amount_last10["Purchase_amount_Prop"] = df_amount_last10.apply(lambda x: x[1] / df["Purchase"].sum(), axis=1)
    173. df_amount_last10
    174.  
    175. # 5）产品一级子类销售情况
    176. # 根据产品类别一级分类进行分组，求得各产品的购买数量以及销售总额，并根据Purchase_amount排序，取Top10，只选取"Product_Category_1"子类,与"Purchase_amount"子类总销售金额列
    177. df_amount = df.groupby("Product_Category_1").agg({"User_ID": "count", "Purchase": "sum"}).rename(
    178.     columns={"Purchase": "Purchase_amount", "User_ID": "User_count"}).reset_index().sort_values(by=["Purchase_amount"],
    179.                                                                                                 ascending=False)[
    180.     ["Product_Category_1", "Purchase_amount"]]
    181. # 一级分类的销售总额 / 所有产品的销售总额，求得各一级分类的销售额占比
    182. df_amount["Category_Prop"] = df_amount.apply(lambda x: x[1] / df["Purchase"].sum(), axis=1)
    183. df_amount
    184.  
    185. # 6、最大贡献用户价值分析 （1）用户名单Top10
    186. # 以User_ID分组，计算消费金额，降序排列
    187. df_amount_user = df.groupby('User_ID').agg({'Purchase': 'sum'}).rename(
    188.     columns={'Purchase': 'Purchase_amount'}).reset_index().sort_values(by=['Purchase_amount'], ascending=False)[
    189.     ['User_ID', 'Purchase_amount']]
    190. # 计算不同User_ID的消费额占比
    191. df_amount_user['User_purchase_prop'] = df_amount_user.apply(lambda x: x[1] / df['Purchase'].sum(), axis=1)
    192. df_amount_user.head(10)

    结论与建议：

    1、用户的角度
    结论：职业代号为4、0、7，年龄在26-35岁的未婚男性属于高消费人群，是该电商平台的忠实用户。
    建议：

    • 重点关注高价值用户，进行更精细化的营销，后续为这些高价值用户提供更多的高价值消费品；
    • 针对其他用户，可以多推荐一些热销的爆款产品，引导用户点击购买。
       

    2、产品的角度

    • 结论：
    • 黑五活动期间，产品类别（一级分类）为1、5、8的产品，销量和销售额都是top3，这3类产品总销量达到75%，贡献了73%的销售额；
    • 销售额排名末三位的产品类别为17、12、13，累计贡献的销售额不到0.3%；
    • 销量排名末三位的产品类别14、17、19，总销量仅占0.4%左右。
      建议：
    • 对于销售额top10的产品和销售量top10的产品，可利用爆款产品陈列位置为其他产品引流，比如与其他产品做捆绑销售，带动其他产品的销量。最受用户欢迎的产品类别是1、5、8，在这些产品的页面推荐一些其他产品，引导用户去点击购买；
    • 还要具体分析下产品类别14、17、19在销量排行榜上位居末三位的原因，如果它们是一些已经淘汰过时的产品，又或者是被替代品占领了市场，可以考虑是否要下架，减少相关渠道的广告等。

    3、城市的角度

    • 结论：B城市贡献的销售额最高，而C城市的消费人数最多。
      建议：
    • 最受欢迎的产品类别是1、5、8，仓库管理需按照畅销产品的分类、名单安排库存，对于消费旺盛的B城市提前备货，节省调度；同时监控库存，防止断货。
    • 对于C城市，可以开展更大力度的折扣活动，提升销量以增加销售额。


     

  • 相关阅读:
    C++ 逻辑运算符
    【Linux初阶】认识冯诺依曼结构
    Java游戏服务器开发之概念扫盲
    一不小心晋级“CCF国际AIOps挑战赛”决赛？
    Spring MVC统一异常处理的3种方式（附带实例）
    JDK动态代理实现原理以及手写实现JDK动态代理
    《golang设计模式》第二部分·结构型模式-06-享元模式（Flyweight）
    Binary Number Encoding and Arithmetic
    加速迈入云原生时代，国产数据库行业要变天
    tiup cluster template
  • 原文地址：https://blog.csdn.net/qq_22473611/article/details/126334276