電商數據分析項目總結！

訂單數據做爲電商數據分析中的基礎分析項目，本項目就京東的訂單數據進行分析。經過數據分析和可視化深挖數據產生的緣由，掌握基礎的數據分析能力。

1.關於本項目

1.1數據來源

本次數據來源於京東2020年5月25日 你們電-冰箱的訂單數據 按照10%的隨機抽樣後進行數據脫敏最後獲得的訂單數據，共有訂單數據大約70K，數據來源於公開網絡數據。

公衆號（Datawhale）後臺回覆「202013」獲取打包的項目源碼和數據

1.2數據所包含信息

訂單中的屬性將其分紅了3類，分別是用戶屬性、訂單屬性以及商品屬性

2.數據預處理

本項目使用python對數據進行處理 使用plotly進行數據可視化

import pandas as pd
import numpy as np
import plotly_express as px
import plotly.offline as of
import plotly as py
import plotly.graph_objs as go

讀取提供的數據

df=pd.read_csv('data.csv',sep='\t', encoding="utf-8", dtype=str)

查看數據的缺失值

df.isnull().sum().sort_values(ascending=False)

user_site_city_id 38190
user_site_province_id 38033
check_account_tm 23271

經過觀察發現，這3個數據有部分缺失值，其中user_site_city_id 用戶所在城市編號，user_site_province_id 用戶所在省份的編號，check_account_tm支付時間

這部分數據的缺失是由於用戶填寫我的資料時跳過的部分，固然這不影響咱們整個數據的分析

咱們首先是將數據的類型進行轉換 同時處理缺失值和異常值

• 值得注意的是，經過觀察咱們發現冰箱最低的價格是288元，可是數據中發現了不少低於288元的訂單數據，咱們認爲這部分數據不能真實表明冰箱實際的訂單數據，可能出現了補差價或者補運費的狀況，所以這樣的數據咱們都過濾掉。
• 由於訂單的編號具備惟一性，所以對於訂單編號的重複數據，咱們認爲出現了重複訂單
• 對於缺失的省份值和缺失的數據，咱們將空白地方進行填充
• 經過觀察，咱們發現數據的列有重複，對於刪除重複的列，這裏提供一個比較有意思的作法，將數據反轉後，刪除重複的行再反轉回來。
• 實際支付的價格=商品數量*優惠後的單價

#刪除優惠前價格小於288元的
df = df[df['before_prefr_unit_price' ]>= 288]
#訂單編號具備惟一性，所以須要刪除重複的數據
df.drop_duplicates(subset=['sale_ord_id'],keep='first',inplace=True)
#填充城市和省份的缺失數據
df.user_site_city_id=df.user_site_city_id.fillna(-1)
df.user_site_province_id =df.user_site_province_id.fillna(-1)
#刪除重複的列check_account_tm 轉置列 刪除 再轉置
df=df.T.drop_duplicates().T
#實際支付的價格=商品數量*優惠後單價
df['total_actual_pay'] = df['sale_qtty'] * df['after_prefr_unit_price']

到這裏咱們就完成了數據的預處理部分

3.訂單分析

3.1訂單取消比例分析

經過數據觀察，有的訂單出現了取消，所以咱們經過餅圖查看取消和未取消的比例

order_cancel = df[df.cancel_flag==1]['sale_ord_id'].count()
order_success=df[df.cancel_flag==0]['sale_ord_id'].count()
labels = ['取消','未取消']
values = [order_cancel, order_success]
trace = [go.Pie(labels=labels, values=values)]
layout = go.Layout(
    title = dict(text='訂單比例圖',x=0.5)
)
fig = go.Figure(data = trace, layout = layout)
fig

經過餅狀圖咱們看到，大約有28.9%的訂單取消了，取消的比例多是地址填寫錯了、沒有領到優惠劵等狀況，使取消支付的比例佔有一部分的比例

3.2訂單支付比例分析

經過觀察數據咱們發現了用戶有提交了訂單，可是沒有支付的狀況

#找到全部的有效訂單
df2 = df[(df['sale_ord_valid_flag'] == 1)&(df['cancel_flag'] == 0)&('before_prefr_unit_price' != 0)]
order_payed = df2['sale_ord_id'][df2['user_actual_pay_amount'] != 0].count()
order_unpay = df2['sale_ord_id'][df2['user_actual_pay_amount'] == 0].count()
labels = ['支付','未支付']
values = [order_payed, order_unpay]
trace = [go.Pie(labels=labels, values=values)]
layout = go.Layout(
    title = dict(text='支付比例圖',x=0.5)
)
fig = go.Figure(data = trace, layout = layout)
fig

經過餅狀圖咱們能夠看到，大約有15%的用戶取消了支付，取消支付的比例小於取消訂單的比例，所以對於有訂單信息的用戶可是未支付的，有比較強的購買目的，多是因爲優惠劵或者價格等因素使其取消支付，所以針對這部分用戶多是價格比較敏感的用戶，咱們能夠推送京東優惠卡。

3.3訂單價格分佈

price_series = df2['after_prefr_unit_price']
price_series_num = price_series.count()
hist, bin_edges = np.histogram(price_series, bins=80)
hist_sum = np.cumsum(hist)
hist_per = hist_sum / price_series_num
bin_edges_plot = np.delete(bin_edges, 0)
trace = go.Scatter(
    x = bin_edges_plot,
    y = hist_per*100,
    mode = 'lines', # 折線圖
    line = dict(
        width = 2
    ) )
layout = go.Layout(
    title = dict(text='訂單的價格分佈',x=0.5),
    xaxis=dict(title='訂單價格'),
    yaxis=dict(title='百分比(%)',ticksuffix='%')
    
)
fig = go.Figure(data=trace,layout=layout)
fig

經過分佈圖能夠看到，超過80%冰箱的價格是低於4K的，查過70%的冰箱價格是低於2K的，所以冰箱用戶主力消費價格在2K如下，所以在進行冰箱廣告推廣時，能夠優先考慮價格低於2K的冰箱，這類冰箱具備較大的市場。

同時經過觀察，冰箱價格在4K之內分佈較爲均勻，超過4K之後，冰箱累計上升區間緩慢，所以咱們能夠大體認爲，當冰箱的價格超過4K，這部分冰箱價格咱們能夠認爲是偏豪華型的冰箱，具備單個冰箱利潤高，可是銷售市場佔比少。

3.4有效訂單與時間的關係

df3 = df2.copy()
df3['order_time_hms'] = df3['sale_ord_tm'].apply(lambda x: x.strftime('%H'))
pay_time_df = df3.groupby('order_time_hms')['sale_ord_id'].count()
x = pay_time_df.index
y = pay_time_df.values
trace = go.Bar(
    x = x,
    y = y,
    text=y,
    textposition='outside') 
layout = go.Layout(
    title = dict(text='不一樣時間段有效訂單分佈',x=0.5),
    xaxis=dict(title='時間',tickmode='linear'),
    yaxis=dict(title='有效訂單數')
    
)
fig = go.Figure(data=trace,layout=layout)
fig

經過觀察，0點有效訂單數出現了激增的狀況，這一部分是出現了異常訂單仍是說過了0點之後經過搶購物券使這一部分訂單增長？

同時，除了0點外，十、20點有效訂單數具備一個較高的值，說明用戶比較偏向於早上10點和晚上20點付款。早上10點付款推測緣由多是剛到公司，先逛一下京東摸摸魚，晚上20點推測緣由是晚飯後，這個時間距離睡覺還比較早，用戶刷手機的頻率增長，所以增長有效訂單數。

針對0點有效訂單數偏高的問題，咱們進行進一的分析人均有效訂單的狀況。

3.5人均有效訂單與時間的關係

order_time_df=df3.groupby('order_time_hms')['sale_ord_id'].agg({('order_num','count')}).reset_index()
user_time_df = df3.groupby('order_time_hms')['user_log_acct'].agg({('user_num','nunique')}).reset_index()
order_num_per_user = order_time_df['order_num'] / user_time_df['user_num']
trace = go.Scatter(
    x = order_num_per_user.index,
    y = order_num_per_user.values,
    mode = 'lines', # 折線圖
    line = dict(
        width = 2
    ) )
layout = go.Layout(
    title = dict(text='不一樣時間段人均訂單量的分佈',x=0.5),
    xaxis=dict(title='時間',tickmode='linear'),
    yaxis=dict(title='人均有效訂單量')
    
)
fig = go.Figure(data=trace,layout=layout)
fig

經過觀察發現，0點時候的人均有效訂單率處於較爲正常的值，甚至比1點的有效訂單率低，所以有效訂單的激增，咱們認爲很大機率是經過搶優惠劵增長而不是出現了惡意刷單。

同時咱們看到20點的人均有效訂單率也是處於較爲正常的值

3.6人均客單價和平均價在不一樣時間段的分佈

客單價=銷售額/顧客數

平均訂單價=銷售額/訂單數

0時客單價和平均訂單價在全天有個較高的值，會不會是小部分用戶的極端購物行爲產生這樣的數據呢？

所以咱們看一下0時和20時價格訂單的分佈圖

3.7 0時和20時訂單價格分佈

經過看0時和20時不一樣時間段訂單累計分佈圖咱們能夠看到

大約20%的0時用戶的訂單在2K如下，20時用戶在2K如下的訂單佔比爲75%

這說明0時的用戶並補只有一小部分的訂單價格很高，而是0時的用戶廣泛的購物具備較高的客單價。

所以咱們推測，0時用戶是否具備必定的衝動購物的狀況，而20時購物的用戶相對理智一些

也可能時用戶爲了使用優惠劵使高額的訂單大多集中在0時

3.8訂單與地區的關係

對於冰箱市場而言，哪些省份是冰箱的頭部市場呢？

經過查看不一樣省份有效訂單分佈圖咱們能夠看到，訂單的市場大多集中在一線城市或者經濟較爲發達的省份，這部分城市經濟發達，對於年輕人有較強大的吸引力，所以購置冰箱的訂單數較高。

那麼這些不一樣省份客單價是否會不一樣？其中上海客單價最高，廣東的訂單數量最多，由於廣州在外貿上具備較大的優點，所以有具備較大的實體工廠，能吸納較多的低端人才，所以出現訂單數量多而客單價不高的狀況。

與之相反的是上海做爲國家的金融中心，匯聚了較多的金融方向的從業者，所以在消費品質上有一個較大的提高。

最後咱們來看看不一樣品牌的客單價

3.9不一樣品牌客單價

經過圖中咱們能夠看到，卡薩帝穩居客單價排行第一的品牌，妥妥的豪華冰箱品牌

價格的第一梯隊品牌有 博世、西門子、松下、三星 平均價格在4K以上

價格的第二梯隊品牌有 海爾、小米、伊萊克斯、格蘭仕、美的 平均價格在2K以上 其中有很多國產品牌的身影

剩下的品牌價格都在2K如下，這部分市場消費需求大，所以各大品牌在這一區間段價格競爭比較激烈。

4.小結

本項目針對京東的冰箱訂單數據進行了分析，在分析過程當中沒用使用複雜的模型以及炫酷的圖表，而是經過普通的數據展現一步步深挖數據產生的緣由，並提出了一部分產生數據的緣由。所以在數據分析中，每每數據指標的創建對於數據的深挖具備較大的意義，同時針對異常數據提出必定的推測和假設，經過有效的數據分析進行當心求證。

5.項目源碼和數據

數據採用utf-8編碼，直接打開可能會出現亂碼的狀況，所以在讀取數據時須要指定字符編碼集

公衆號（Datawhale）後臺回覆「202013」獲取打包的項目源碼和數據