【數(shù)據(jù)分析】利用 Python 分析了某化妝品企業(yè)的銷售情況，我得出的結(jié)論是？

作者：Cherich_sun
來(lái)源：公眾號(hào)「杰哥的IT之旅」ID：Jake_Internet
本文為讀者投稿

【導(dǎo)語(yǔ)】本篇文章是關(guān)于某化妝品企業(yè)的銷售分析。從分析思路思路開(kāi)始帶大家一步步的用python進(jìn)行分析，找出問(wèn)題，并提出解決方案的整個(gè)流程。

需求：希望全面了解此某妝品企業(yè)的銷售情況，幫助企業(yè)運(yùn)營(yíng)領(lǐng)導(dǎo)層了解企業(yè)整體銷售運(yùn)營(yíng)情況及商品銷售情況，為該企業(yè)的營(yíng)銷策略提供相對(duì)應(yīng)的建議和銷售策略。

業(yè)務(wù)分析流程

1、 場(chǎng)景（診斷現(xiàn)狀）

對(duì)象：用戶；銷售
關(guān)注點(diǎn)：找到影響銷售的增長(zhǎng)因素
目標(biāo)：發(fā)現(xiàn)問(wèn)題&提出解決方案

2、需求拆解

分析銷售趨勢(shì)，找到影響企業(yè)營(yíng)收增長(zhǎng)的商品或區(qū)域

按月份銷售趨勢(shì)圖（整體）
商品銷售額對(duì)比（一級(jí)、二級(jí)，找出最低、最高）
區(qū)域銷售額對(duì)比（下鉆：區(qū)、省，找出最低、最高）

探索不同商品的銷售狀況，為企業(yè)的商品銷售，提出策略建議

不同月份的各個(gè)產(chǎn)品的銷售額占比情況
產(chǎn)品相關(guān)分析

分析用戶特征、購(gòu)買頻率、留存率等

購(gòu)買頻率分布
復(fù)購(gòu)率（重復(fù)購(gòu)買用戶數(shù)量(兩天都有購(gòu)買過(guò)算重復(fù))/用戶數(shù)量）
同期群分析（按月）

3、代碼實(shí)現(xiàn)

獲取數(shù)據(jù)（excel）

為某化妝品企業(yè) 2019 年 1 月-2019 年 9 月每日訂單詳情數(shù)據(jù)和企業(yè)的商品信息數(shù)據(jù)，包括兩個(gè)數(shù)據(jù)表，銷售訂單表和商品信息表。其中銷售訂單表為每個(gè)訂單的情況明細(xì)，一個(gè)訂單對(duì)應(yīng)一次銷售、一個(gè)訂單可包含多個(gè)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/日化.xlsx',encoding='gbk')
data.head()

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(shì)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(shì)圖",color='#4A708B',fontsize=24)
plt.ylabel("訂單/(單)",fontsize=16)
plt.show()

圖表說(shuō)明：從整體來(lái)看，銷售額和訂單量從4月開(kāi)始大幅度上升，均高于均值；8月份開(kāi)始呈下降趨勢(shì)，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(hù)膚品',color='#4A708B')


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

plt.show()

圖表說(shuō)明：護(hù)膚品需求滿足大多數(shù)人，明顯高于彩妝。并且5月—8月是護(hù)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(gè)品類的銷售額對(duì)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(shuō)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?=?total_data.dropna()
total_data['所在區(qū)域']?=?total_data['所在區(qū)域'].apply(lambda?x:str(x).replace('男區(qū)','南區(qū)').replace('西?區(qū)','西區(qū)'))
groups_area=?total_data.groupby(['所在區(qū)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(shuō)明：東部地區(qū)占市場(chǎng)份額的35%左右，份額最低的是西部地區(qū)。

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(shuō)明：江蘇銷售額第一，其次是廣東??；銷售額最低的是寧夏、內(nèi)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(shuō)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(gòu)買次數(shù)分布',fontsize=16)
plt.xlabel('購(gòu)買次數(shù)')
plt.ylabel('用戶數(shù)')
plt.show()

圖表說(shuō)明：大部分用戶購(gòu)買次數(shù)在10次-35次之間，極少部分用戶購(gòu)買次數(shù)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(fù)購(gòu)率:',round(date_rebuy[date_rebuy>=2].count()/date_rebuy.count(),4))

total_data['時(shí)間標(biāo)簽']?=?total_data['訂單日期'].astype(str).str[:7]
total_data?=?total_data[total_data['時(shí)間標(biāo)簽']!='2050-06']
total_data['時(shí)間標(biāo)簽'].value_counts().sort_index()
total_data?=?total_data.sort_values(by='時(shí)間標(biāo)簽')
month_lst?=?total_data['時(shí)間標(biāo)簽'].unique()
final=pd.DataFrame()
final
#引入時(shí)間標(biāo)簽
for?i?in?range(len(month_lst)-1):
????#構(gòu)造和月份一樣長(zhǎng)的列表，方便后續(xù)格式統(tǒng)一
????count?=?[0]?*?len(month_lst)
????#篩選出當(dāng)月訂單，并按客戶昵稱分組
????target_month?=?total_data.loc[total_data['時(shí)間標(biāo)簽']==month_lst[i],:]
????target_users?=?target_month.groupby('客戶編碼')['金額'].sum().reset_index()

????#如果是第一個(gè)月份，則跳過(guò)（因?yàn)椴恍枰蜌v史數(shù)據(jù)驗(yàn)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(shí)間標(biāo)簽'].isin(month_lst[:i]),:]
????????#篩選出未在歷史訂單出現(xiàn)過(guò)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(dāng)月新增客戶數(shù)放在第一個(gè)值中
????count[0]?=?len(new_target_users)

????#以月為單位，循環(huán)遍歷，計(jì)算留存情況
????for?j,ct?in?zip(range(i?+?1,len(month_lst)),range(1,len(month_lst))):
????????#下一個(gè)月的訂單
????????next_month?=?total_data.loc[total_data['時(shí)間標(biāo)簽']?==?month_lst[j],:]
????????next_users?=?next_month.groupby('客戶編碼')['金額'].sum().reset_index()
????????#計(jì)算在該月仍然留存的客戶數(shù)量
????????isin?=?new_target_users['客戶編碼'].isin(next_users['客戶編碼']).sum()
????????count[ct]?=?isin

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

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

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

圖表說(shuō)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(jié)論與建議

1、從銷售額趨勢(shì)來(lái)看，整體是上升趨勢(shì)，但是從8月份銷售額突然下降，可能因?yàn)榈降荆柽M(jìn)一步確認(rèn)原因；

2、商品銷售額，用戶對(duì)護(hù)膚品具有強(qiáng)烈的需求，尤其是面膜，爽膚水、面霜、眼霜。較低需求的是蜜粉?？梢园迅咝枨螽a(chǎn)品，組合成禮盒等套裝活動(dòng)；

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(shuō)明用戶購(gòu)買特定產(chǎn)品具有周期性；

4、從地域來(lái)看，東部地區(qū)是消費(fèi)的主力軍，其中江蘇省、廣東省、浙江省的銷售額最大?？梢栽龃笫袌?chǎng)投放量；也可以考慮在該地區(qū)建倉(cāng)，節(jié)省物流等成本；

5、用戶：重點(diǎn)維護(hù)購(gòu)買次數(shù)在10次-35次之間的用戶群體；

6、留存率在99%，證明用戶對(duì)產(chǎn)品有一定的依賴性；

7、從同期群分析來(lái)看，新用戶明顯減少，應(yīng)考慮拉新，增加平臺(tái)新用戶（主播帶貨等）；