可視化案例-單車銷售情況分析

單車銷售可視化案例總結(jié)
老師指路->http://www.reibang.com/u/1f32f227da5f
使用工具：Anaconda-jupyter、Excel专钉、powerBI

用戶消費行為的分析報告
數(shù)據(jù)為用戶在一家單車網(wǎng)站上的消費記錄

import pandas as pd  
import numpy as np 
columns=['user_id','order_dt','order_products','order_amount']
df=pd.read_table('bicycle_master.txt',names=columns, sep='\s+')
#\s+ 可容納多個換行符

user_id：用戶ID
order_dt:購買日期
order_products：購買產(chǎn)品數(shù)
order_amount：購買金額

df.head()#查看前五條記錄

顯示記錄

df.describe()#查看數(shù)據(jù)描述統(tǒng)計

數(shù)據(jù)描述

分析：
大部分訂單只消費了少量商品（平均2.4）坛芽，有一定值干擾
用戶的消費金額比較穩(wěn)定碱蒙，平均消費35元琳袄，中位數(shù)在25元，有一定極值的干擾

df['order_dt']=pd.to_datetime(df.order_dt,format="%Y%m%d")
df['month']=df.order_dt.values.astype('datetime64[M]')
#天數(shù)全部變?yōu)?1
#df['year']=df.order_dt.values.astype('datetime64[Y]')
#df['year']#日期全部轉(zhuǎn)化為年份

日期轉(zhuǎn)換

對 order_dt 列（取values）甩牺，轉(zhuǎn)換類型為datetime64[M]，默認(rèn)就會是每月的第一天了累奈。設(shè)置為[Y]就是每年的1月1日贬派，然后生成新的一列 month/year

1.進(jìn)行用戶消費趨勢的分析（按月）

每月的消費總金額
每月的消費次數(shù)
每月的產(chǎn)品購買量
每月的消費人數(shù)

每月的消費總金額

grouped_month=df.groupby('month')#按月分組
order_month_amount=grouped_month.order_amount.sum()
#求每月消費總金額
order_month_amount.head()

每月消費總金額

grouped_month_info = grouped_month[['order_amount','user_id','order_products']].agg({'order_amount':sum, 'user_id': 'count', 'order_products':sum})

每月的消費次數(shù)、產(chǎn)品購買量费尽、消費人數(shù)

求每月的消費總金額（求和）赠群，消費總次數(shù)（計數(shù)），購買產(chǎn)品數(shù)（求和）旱幼，共有18個月信息

月消費統(tǒng)計1

月消費統(tǒng)計2

grouped_month_info.rename(columns = {'order_amount':'消費金額', 'user_id': '消費次數(shù)', 'order_products': '產(chǎn)品購買量'}, inplace=True)
grouped_month_info

月消費統(tǒng)計-更名

求消費人數(shù)查描，將消費次數(shù)做去重處理
重置索引
將month字段轉(zhuǎn)換為字符型

grouped_month_info['消費人次'] = grouped_month['user_id'].unique().map(len)
#去重，去除一人購物多次情況
grouped_month_info = grouped_month_info.reset_index()
#重置索引
grouped_month_info['month'] = grouped_month_info['month'].astype(str)
#將month 轉(zhuǎn)換為字符型

將處理過的數(shù)據(jù)柏卤，導(dǎo)入到Excel表格中

grouped_month_info.to_excel(r'.\月銷售額冬三、銷售次數(shù)、產(chǎn)品購買量缘缚、消費人數(shù).xlsx')

月消費

將Excel數(shù)據(jù)導(dǎo)入到powerBI勾笆，可視化數(shù)據(jù)

每月消費統(tǒng)計-月銷售額

分析：
由上圖可知，消費總金額在前三個月達(dá)到最高峰桥滨，后續(xù)消費較為穩(wěn)定窝爪，有輕微下降趨勢
產(chǎn)品購買量在前三個月達(dá)到最高峰弛车，后續(xù)消費較為穩(wěn)定，有輕微下降趨勢
前三個月消費人數(shù)在10000筆左右蒲每，后續(xù)月份的平均消費人數(shù)則在2500人

2.用戶個體消費分析

用戶消費金額纷跛，消費次數(shù)的描述統(tǒng)計
用戶消費金額和消費次數(shù)的散點圖
用戶消費金額的分布圖
用戶消費次數(shù)的分布圖
用戶累計消費金額占比（百分之多少的用戶占了百分之多少的消費額）

可視化結(jié)果：

用戶個體消費分析

分析：
1、從直方圖可知邀杏，用戶消費金額贫奠，絕大部分呈現(xiàn)集中趨勢，小部分異常值干擾了判斷望蜡，可以使用過濾操作排除異常

使用切比雪夫定理過濾掉異常值唤崭，因為切比雪夫定理說明，95%的數(shù)據(jù)都分布在5個標(biāo)準(zhǔn)差之內(nèi)脖律，剩下5%的極值就不要了

2谢肾、按照用戶消費金額進(jìn)行升序排序，由圖可以知道50%的用戶僅貢獻(xiàn)了11%的消費額度状您，而排名前5000的用戶就貢獻(xiàn)了60%的消費額度

3.用戶消費行為

用戶第一次消費（首購）
用戶最后一次消費
新老客戶消費比
- 多少用戶僅消費一次
- 每月新客占比
用戶分層
- RFM模型
- 新勒叠、老、活躍膏孟、回流眯分、流失
用戶購買周期（按訂單）
- 用戶消費周期描述
- 用戶消費周期分布
用戶生命周期（按第一次和最后一次消費） -用戶生命周期描述
- 用戶生命周期分布

可視化結(jié)果：

用戶消費行為分析

分析：
1、（左下圖）斷崖式下跌很正常：可以理解用戶流失比例基本一致柒桑，一開始用戶迅猛增長數(shù)量比較多流失的也比較多弊决，后面沒有用戶用戶最后一次購買的分布比第一次分布廣
大部分最后一次購買，集中在前三個月魁淳，說明很多用戶購買了一次后就不再進(jìn)行購買
隨著時間的遞增飘诗，最后一次購買數(shù)量也在遞增，消費呈現(xiàn)流失上升的狀況（這也是正常界逛，隨著時間的增長昆稿，可能運營沒跟上，或者用戶忠誠度下降了）
2息拜、 R ：消費時間 F：消費金額 M：消費頻次
從RFM 分層可知溉潭，大部分用戶是重要保持客戶，但是這是由于極值的影響少欺，所以 RFM 的劃分標(biāo)準(zhǔn)應(yīng)該以業(yè)務(wù)為準(zhǔn)喳瓣，也可以通過切比雪夫去除極值后求均值，并且 RFM 的各個劃分標(biāo)準(zhǔn)可以都不一樣

盡量用小部分的用戶覆蓋大部分的額度
不要為了數(shù)據(jù)好看劃分等級
用戶生命周期-新客赞别，活躍畏陕，回流，流失（一段時間不消費仿滔，或者不活躍）

4.復(fù)購率和回購率分析

復(fù)購率
- 自然月內(nèi)惠毁，購買多次的用戶占比(即犹芹，購買了兩次以上)
回購率
- 曾經(jīng)購買過的用戶在某一時期的再次購買的占比（可能是在三個月內(nèi)）

可視化結(jié)果：

復(fù)購率回購率

分析：
復(fù)購率穩(wěn)定在20%左右，前一個月因為有大量新用戶涌入仁讨，而這批用戶只購買了一次羽莺，所以導(dǎo)致復(fù)購率降低

總結(jié)

1 熟悉業(yè)務(wù)知識
2 pandas 函數(shù)使用
3 powerBI使用