Adventure销售数据分析

一、项目介绍:

1.1、公司业务简介：

Adventure Works Cycle主要生产和销售金属和复合材料自行车，并在国内各个市场销售。公司前期通过分销商模式达成收入目标。在2019年为进一步扩大市场和销售额，实行利用公司网站进行销售的新模式。

1.2、分析背景与目的：

2019年12月需向领导汇报2019年11月自行车销售情况。通过撰写数据分析报告从整体上，掌握整个公司的自行车销售状况、销售走势的变化；从细节上，通过多维度分析，为日常运营提供数据支持，并制定相应销售策略，调整产品结构。

二、数据字典与维度

2.1、数据字典：

2.1数据字典.png

通过python工具对ODS基础层数据进行加工，并加载到DW汇总层

2.2、关键数据维度：

2.2数据维度

三、分析思路与流程

3.1、分析思路：

3.1分析思路.png

3.2、主要分析流程：

数据分析主要流程

3.2.1导入模块并读取数据

（1）导入模块

import numpy as np
import pandas as pd
import pymysql
pymysql.install_as_MySQLdb()
from sqlalchemy import create_engine

（2）连接mysql获取表格信息

#读取dw层数据
#创建数据库引擎
engine =create_engine('mysql://fgdata:[email protected]:3306/adventure_ods?charset=gbk')
datafrog =engine
gather_customer_order=pd.read_sql_query('select * from dw_customer_order',con=datafrog)

#读取ods层数据
#创建数据库引擎
engine = create_engine('mysql://fgdata:[email protected]:3306/adventure_ods?charset=gbk')
datafrog=engine
df_CUSTOMER = pd.read_sql_query("select customer_key,birth_date,gender,marital_status from ods_customer where create_date < '2019-12-1'",con = datafrog)

3.2.2数据概况分析

查看数据源类型:
gather_customer_order.info()

数据概况分析1

合计227263条数据，不存在缺失值数据。

查看数据源类型:
df.CUSTOMER.info()

数据概况分析2

合计1062585条数据，不存在缺失值数据。

3.2.3单变量分析（关键数据处理）

（1）利用create_date字段增加create_year_month月份字段，供月维度分析时使用

gather_customer_order['create_date'] =pd.to_datetime(gather_customer_order['create_date'])
gather_customer_order['create_year_month']=gather_customer_order['create_date'].astype('str').str[0:7]

（2）groupby()分组聚合每月销量与销售额,重置索引并降序

grouped_month=gather_customer_order.groupby('create_year_month')
overall_sales_performance =grouped_month[['order_num','sum_amount']].agg({'order_num':sum,'sum_amount':sum})
overall_sales_performance =overall_sales_performance.reset_index()
overall_sales_performance =overall_sales_performance.sort_values(by='create_year_month',ascending =False)

（3）diff()函数实现数值型变量多月销售额环比计算

#新增一列sum_amount_diff，实现数值型变量多月自行车销售金额环比
#求每月自行车销售金额环比
sum_amount_diff = list((overall_sales_performance.sum_amount.diff()/overall_sales_performance.sum_amount)-1)
sum_amount_diff.pop(0)
sum_amount_diff.append(0)
#将环比转化为DataFrame并合并
sum_amount_diff= pd.DataFrame(sum_amount_diff)
overall_sales_performance= pd.concat([overall_sales_performance,pd.DataFrame(sum_amount_diff)],axis=1)
#改列名，否则显示列名是0
overall_sales_performance =overall_sales_performance.rename(columns ={0:'sum_amount_diff'})
overall_sales_performance.head()

（4）pct_change()函数实现分类型变量单月销量环比计算

#不同区域10月11月的环比，实现分类变量单月销量环比计算
#1、获得去重区域的列表region_list
region_list=list(gather_customer_order_10_11_group.chinese_territory.unique())
#2、利用for循环区域列表，结合loc定位符合区域，利用pct_change()函数实现环比效果，形成新的Series
order_x =pd.Series([])
amount_x =pd.Series([])
for i in region_list:
    a =gather_customer_order_10_11_group.loc[gather_customer_order_10_11_group['chinese_territory']==i]['order_num'].pct_change()
    b=gather_customer_order_10_11_group.loc[gather_customer_order_10_11_group['chinese_territory']==i]['sum_amount'].pct_change()
    order_x=order_x.append(a)
    amount_x = amount_x.append(b)
#3、赋予新的Series的变量名
gather_customer_order_10_11_group['order_diff']=order_x
gather_customer_order_10_11_group['amount_diff']=amount_x
#4、由0替换NaN值
gather_customer_order_10_11_group['order_diff']=gather_customer_order_10_11_group['order_diff'].fillna(value =0)
gather_customer_order_10_11_group['amount_diff']=gather_customer_order_10_11_group['amount_diff'].fillna(value =0)
gather_customer_order_10_11_group.head()

（5）cut()函数实现用户年龄分层

#利用customer_age字段，进行年龄分层，划分层次为"30-34","35-39","40-44","45-49","50-54","55-59","60-64"
bins =[30,34,39,44,49,54,59,64]
group_names=["30-34","35-39","40-44","45-49","50-54","55-59","60-64"]
sales_customer_order_11['age_level']= pd.cut(sales_customer_order_11['customer_age'],bins=bins,labels =group_names)

3.2.4可视化分析（利用PowerBI作图）

（1）整体销售情况分析

2019年1月至11月销量走势图

由图可知，近11个月，11月自行车销量最多，为3316辆;较10月增长7.1%

2019年1月至11月销售金额走势图

由上图可知，近11个月，11月自行车销售金额最高，为6190万元;较10月增长8.7%；
因此，从整体来看，自行车的销售金额与销售数量趋势一致，均在11月达到顶峰。
（2）地域销售情况分析

2019年11月各区域销售量环比增速图

由上图可知，11月华东地区自行车销量在8个地区中最多，为871辆，远高于其他地区销量，销售主场区域；较10月，华南地区增速为15%，增速最快

2019年11月各城市销售量环比增速图

Top10城市市场份额占比图

由上图表可知，在10月与11月自行车销售市场中，Top10城市市场份额总占比13.48%，其中尽管北京市和上海市市场份额占比排名前列，但相较于其他城市份额占比不超于1.5%,可见自行车销量在各城市间销量分布均匀。此外，郑州市11月份环比增速急剧，达到48%，存在一定的潜力，可考虑提前备货给郑州市。
（注：城市市场份额=城市销售量/总销售量）
（3）产品销量情况分析

自行车类别销量分布图.png

自行车类别销量情况表

由上可知，从2019年1-11月份，公路自行车在各产品类别中占比最高，且每月占比均超过50%，11月销量和1-11月累计销量分别为1788辆和18182辆，远超山地自行车和公路自行车，是自行车类别中的主打产品。

公路自行车销量分布图

公路自行车销量情况表

由上图表可知，2019年1-11月份，Road-250 Red和Road-750 Black 在公路自行车中占比较高，其中Road-250 Red 在11月份中销量占比最高，约为19.57%，且较10月增速14.19%，增速最快。此外，在11月公路自行车中，除Road-350-W Yellow外，其他型号的自行车环比都呈现上升趋势。

山地自行车销量分布图

山路自行车销量情况表

由上图表可知，2019年1-11月份，Mountain-200 Black和Mountain-200 Sliver 在山地自行车中占比较高，其中Mountain-200 Sliver 在11月份中销量占比最高，约为36.31%；Mountain-500 Sliver 较10月增速19.51%，增速最快。此外，在11月公路自行车中，除Mountain-200 Black外，其他型号的自行车环比都呈现上升趋势。

旅游自行车销量分布图

旅游自行车销量情况表

由上图表可知，2019年1-11月份，Touring-1000 Blue和Mountain-1000 Yellow 在旅游自行车中占比较高，其中Touring-1000 Blue 在11月份中销量占比最高，约为32.67%；Mountain-1000 Yellow 较10月增速28.43%，增速最快。此外，在11月旅游自行车中，除Touring-2000 Blue和Touring-3000 Blue外，其他型号的自行车环比都呈现上升趋势。
（4）热销产品分析

11月Top10产品销量走势图

11月Top10产品销量表.png

由上图表可知，2019年11月1，型号为Road—150 Red、Road—550-W Yellow、Mountan-200 Sliver、Mountan-200 Black销量较高，其中Road—150 Red销量最高，较10月增长25.24%。

11月Top10产品销量增速走势图

11月Top10产品销量增速表

由上图表可知，2019年11月，型号为Touring—1000 Blue、Road—250 Red、Road—150 Red、Road-550-W Yellow增速较快，其中Touring—1000 Blue增速最快，较10月增长47.06%。
（5）用户行为分析

2019年11月全国用户网络年龄分布图

用户不同年龄段产品消费结构图

由上图可知，年龄段35-39岁消费人数占比最高，为29%；之后随着年龄的增长，占比逐渐下降。针对年龄（大于30岁）的消费群分析，发现购买公路自行车占比最大，山地自行车占比最小。

全国男女消费比例图

男女产品消费结构图

由上图表可知，全国女性购买自行车人数多于男性，多约10%。通过男女消费群分析，发现用户购买公路自行车占比最高，购买旅游自行车占比最少。