本文是对Adventure Works 的一份月度报告，记录了整个项目需求分析与实现的过程，主要任务是使用python查询数据并计算，并且连接到PowerBI实现可视化。中间加入了个人的一些思考，最终将整个分析成果展示出来。
powerbi成果：201911月线上自行车业务分析报告 powerbi
PPT成果：2019年11月线上自行车业务分析报告 ppt

案例背景：

Adventure Works Cycles是Adventure Works样本数据库所虚构的公司，2019年12月业务组组长需要向领导汇报2019年11月自行车销售情况，为精细化运营提供数据支持，能精准的定位目标客户群体。

分析目标

1、如何制定销售策略，调整产品结构，才能保持高速增长，获取更多的收益，占领更多市场份额，是公司最关心的问题。
2、报告通过对整个公司的自行车销量持续监测和分析，掌握公司自行车销售状况、走势的变化，为客户制订、调整和检查销售策略，完善产品结构提供依据。

分析过程

分析主要从以下五方面入手
1、从整体的角度：分析2019.1—2019.11自行车整体销售表现
2、从地域的角度：分析11月每个区域销售量表现、11月TOP10城市销售量表现
3、从产品的角度：分析11月类别产品销售量表现、11月细分产品销售量表现
4、热销产品：分析11月TOP10产品销量榜、11月TOP10销量增速榜
5、从用户的角度：分析11月用户年龄分布及每个年龄段产品购买喜好、11月男女用户比例及产品购买喜好。

先导入可能需要使用的库：

#导入模块
import pandas as pd
import numpy as np
import pymysql
pymysql.install_as_MySQLdb()
from sqlalchemy import create_engine

1、自行车整体销售表现

连接数据库，导入数据集：

engine = create_engine('mysql+pymysql://****@***/***')
sql_cmd='select * from dw_customer_order'
gather_customer_order=pd.read_sql_query(sql=sql_cmd,con=engine)

然后观察数据：

gather_customer_order.head()

gather_customer_order

增加create_year_month月份字段以供月维度分析时使用。

#增加create_year_month月份字段。按月维度分析时使用
gather_customer_order['create_year‘_month']=gather_customer_order.create_date.apply(lambda x:x.strftime('%Y-%m'))

由于分析的是自行车的销量，所以筛选出自行车的数据

#筛选产品类别为自行车的数据
gather_customer_order=gather_customer_order[gather_customer_order['cplb_zw'] == '自行车']

gather_customer_order

1.2自行车整体销售量表现

按月度统计出2019每个月售产品销量，顾客数，销售额

#按月统计 月售产品销量，顾客数，销售额
overall_sales_performance = gather_customer_order.groupby('create_year_month').agg({'order_num':'sum','sum_amount':'sum'}).sort_values('create_year_month').reset_index()
overall_sales_performance.head()

overall_sales_performance

计算出每个月的销量环比和销售额环比

#进行销售数量环比
order_num_diff = list((overall_sales_performance.order_num.diff()/overall_sales_performance.order_num)/-1)
order_num_diff.pop(0) #删除列表中第一个元素
order_num_diff.append(0) #将0新增到列表末尾
overall_sales_performance = pd.concat([overall_sales_performance,pd.DataFrame({'order_num_diff':order_num_diff})],axis = 1)

sum_amount_diff = list(-(overall_sales_performance.sum_amount.diff()/overall_sales_performance.sum_amount))
sum_amount_diff.pop(0)
sum_amount_diff.append(0)
overall_sales_performance = pd.concat([overall_sales_performance,pd.DataFrame({'sum_amount_diff':sum_amount_diff})],axis=1)

对获得数据整理排序

overall_sales_performance.sort_values('create_year_month',inplace=True)
overall_sales_performance = overall_sales_performance.reset_index().drop('index',1)
overall_sales_performance.head()

overall_sales_performance

然后将数据导入数据库对应的文件夹或者到处excel，以便powerbi画图，本文是将数据导入数据库对应的文件中的方法。

engine=create_engine('mysql+pymysql://root:***@127.0.0.1:3306/adventure')
overall_sales_performance.to_sql('pt_overall_sale_performance',con=engine,index=False,if_exists='append')

然后将powerbi连接我们数据库获得数据进行可视化表格制作

自行车整体销售量表现

从制作的图中，我们可以看到：2019年11月的销量和销售额都是最高的，11月销量比上一个的增长率为7.11%

二、自行车地区销售情况

gather_customer_order.head()

gather_customer_order

筛选出10月和11月的数据，以便对比各地区的增加率

#筛选10月11月自行车数据
gather_customer_order_10_11=gather_customer_order[(gather_customer_order['create_year_month']=='2019-10')|(gather_customer_order['create_year_month']=='2019-11')]

按照区域，月份对客户订单量求和，销售额求和

#按照区域，月份对客户订单量求和，销售额求和
gather_customer_order_10_11_group = gather_customer_order_10_11.groupby(['chinese_territory','create_year_month']).agg({'order_num':'sum','sum_amount':'sum'}).reset_index()
gather_customer_order_10_11_group.head()

求出各地区的环比

#求不同区域10月11月环比
order_x = pd.Series([])
amount_x = pd.Series([])
for i in region_list:
    a = gather_customer_order_10_11_group[gather_customer_order_10_11_group['chinese_territory'] == i]['order_num'].pct_change()
    b = gather_customer_order_10_11_group[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)
gather_customer_order_10_11_group['order_diff']=order_x
gather_customer_order_10_11_group['amount_diff']=amount_x
gather_customer_order_10_11_group=gather_customer_order_10_11_group.fillna(0)

gather_customer_order_10_11_group

将数据导入数据库，以便制图：

engine=create_engine('mysql+pymysql://root:***@127.0.0.1:3306/adventure')
gather_customer_order_10_11_group.to_sql('pt_bicy_november_territory',con=engine,index=False,if_exists='append')

自行车地区销售情况

从图中，我们可以看到：
1、华东的销售量远远领先其他的地域，销售了1854台单车
2、华南地区的订单增长最快，增加14.51%的订单量

2.2、2019年11月自行车销售量TOP10城市环

筛选出11月的自行车数据，找出销量top10城市

#筛选11月自行车交易数据
gather_customer_order_city_11 = gather_customer_order[gather_customer_order['create_year_month']=='2019-11']

gather_customer_order_city_11 = gather_customer_order_city_11.groupby('chinese_city').agg({'order_num':'sum'}).reset_index()
gather_customer_order_city_head=gather_customer_order_city_11.sort_values('order_num',ascending=False).head(10)
gather_customer_order_city_head

gather_customer_order_city_head

筛选出10月11月这些城市的自行车的销售数据，然后计算销量环比

#筛选销售10月11月自行车销售数据
gather_customer_order_10_11_head = gather_customer_order[(gather_customer_order['create_year_month']=='2019-10')|(gather_customer_order['create_year_month']=='2019-11')]
#筛选销售10月11月前十城市自行车销售数据
gather_customer_order_10_11_head=gather_customer_order_10_11_head.loc[gather_customer_order_10_11_head.chinese_city.apply(lambda x : x in gather_customer_order_city_head.chinese_city.tolist())]
#计算前十城市销量环比
gather_customer_order_city_10_11 = gather_customer_order_10_11_head.groupby(['chinese_city','create_year_month']).agg({'order_num':'sum','sum_amount':'sum'}).reset_index()
#计算前十城市环比
city_top_list = gather_customer_order_city_10_11.chinese_city.unique().tolist()
order_top_x = pd.Series([])
amount_top_x = pd.Series([])
for i in city_top_list:
    a = gather_customer_order_city_10_11[gather_customer_order_city_10_11['chinese_city'] == i]['order_num'].pct_change()
    b = gather_customer_order_city_10_11[gather_customer_order_city_10_11['chinese_city'] == i]['sum_amount'].pct_change()
    order_top_x = order_top_x.append(a)
    amount_top_x = amount_top_x.append(b)
gather_customer_order_city_10_11['order_diff']=order_top_x
gather_customer_order_city_10_11['amount_diff']=amount_top_x
gather_customer_order_city_10_11=gather_customer_order_city_10_11.fillna(0)

gather_customer_order_city_10_11

导入数据库
engine=create_engine('mysql+pymysql://root:***@127.0.0.1:3306/adventure')
gather_customer_order_city_10_11.to_sql('pt_bicy_november_october_city_3',con=engine,index=False,if_exists='append')

前十城市自行车11月销售情况

可见自行车在北京和上海的销量遥遥领先其他的城市，且北京和郑州的增长速度较快。

三、2019年11月自行车产品销售表现

求出每个月自行车的销量

#求每个月自行车累计销售数量
gather_customer_order_group_month = gather_customer_order.groupby('create_year_month').agg({'order_num':'sum'}).reset_index()
order_num_proportion = pd.merge(gather_customer_order,gather_customer_order_group_month,on='create_year_month')
#导入数据库
engine=create_engine('mysql+pymysql://root:***@127.0.0.1:3306/adventure')
order_num_proportion.to_sql('pt_bicycle_product_sales_month_4',con=engine,index=False,if_exists='append')

细分市场表现

可见，公路自行车一直占过半的市场，销量最佳，二旅游自行车一直占最小的市场份额。

3.2、公路/山地/旅游自行车细分市场表现

先查出自行车的种类

#查看自行车有那些产品子类
gather_customer_order['cpzl_zw'].drop_duplicates()

公路自行车细分市场销量表现

#筛选出公路自行车
gather_customer_order_road = gather_customer_order[gather_customer_order['cpzl_zw'] == '公路自行车']
#每个月公路自行车累计销售数量
gather_customer_order_road_month = 
gather_customer_order_road.groupby(by = ['create_year_month','product_name']).agg({'order_num':'sum'}).reset_index()
gather_customer_order_road_month = pd.merge(gather_customer_order_road_month,gather_customer_order_road_month_sum,on='create_year_month')

gather_customer_order_road_month

#将单车种类添加到表格中
gather_customer_order_road_month['cpzl_zw'] = '公路自行车'

山地自行车细分市场销量表现

#筛选出山地自行车
gather_customer_order_road = gather_customer_order[gather_customer_order['cpzl_zw'] == '山地自行车']
#每个月山地自行车累计销售数量
gather_customer_order_mountain_month = gather_customer_order_mountain.groupby(['product_name','create_year_month']).agg({'order_num':'sum'}).reset_index()
gather_customer_order_mountain_month_sum = gather_customer_order_mountain.groupby('create_year_month').agg({'order_num':'sum'}).reset_index()
gather_customer_order_mountain_month = pd.merge(gather_customer_order_mountain_month,gather_customer_order_mountain_month_sum,on='create_year_month')
gather_customer_order_mountain_month['cpzl_zw'] = '山地自行车'

gather_customer_order_mountain_month

旅行自行车

#筛选出旅游自行车
gather_customer_order_road = gather_customer_order[gather_customer_order['cpzl_zw'] == '旅游自行车']
#每个月公路自行车累计销售数量
gather_customer_order_tour_month = gather_customer_order_tour.groupby(['product_name','create_year_month']).agg({'order_num':'sum'}).reset_index()
gather_customer_order_tour_month_sum = gather_customer_order_tour.groupby('create_year_month').agg({'order_num':'sum'}).reset_index()
gather_customer_order_tour_month=pd.merge(gather_customer_order_tour_month,gather_customer_order_tour_month_sum,on='create_year_month')
gather_customer_order_tour_month['cpzl_zw']='旅游自行车'

gather_customer_order_tour_month

合并三表，得出各种类单车的销售详情

#将山地自行车、旅游自行车、公路自行车每月销量信息合并
gather_customer_order_month = pd.concat([gather_customer_order_road_month,gather_customer_order_mountain_month,gather_customer_order_tour_month],axis=0).reset_index(drop=True)
#各类自行车，销售量占每月自行车总销售量比率
gather_customer_order_month['order_num_proportion'] = gather_customer_order_month['order_num_x']/gather_customer_order_month['order_num_y']
#order_month_product当月产品累计销量
#sum_order_month当月自行车总销量
gather_customer_order_month.rename(columns={'order_num_x':'order_month_product','order_num_y':'sum_order_month'},inplace=True)
#导出到数据库
engine=create_engine('mysql+pymysql://root:***@127.0.0.1:3306/adventure')
gather_customer_order_month.to_sql('pt_bicycle_product_sales_order_month_4',con=engine,index=False,if_exists='replace')

计算2019年1月至11月产品累计销量

#计算2019年1月至11月自行车累计销量
gather_customer_order_month_1_11 = gather_customer_order_month[~(gather_customer_order_month['create_year_month']>'2019-11')]
gather_customer_order_month_1_11_sum = gather_customer_order_month_1_11.groupby(by = 'product_name').order_month_product.sum().reset_index()
#2019年11月自行车产品销量、环比、累计销量
#按相同字段product_name产品名，合并两张表
gather_customer_order_month_11 = pd.merge(gather_customer_order_month_11,gather_customer_order_month_1_11_sum,on='product_name')
#导出至数据库
engine=create_engine('mysql+pymysql://root:***@127.0.0.1:3306/adventure')
gather_customer_order_month_11.to_sql('pt_bicycle_product_sales_order_month_11',con=engine,index=False,if_exists='replace')

gather_customer_order_month_11

gather_customer_order_month

powerbi作图分析

细分市场表现：公路自行车

公路自行车

11月公路自行车，除Road-350-W Yellow外，其他型号的自
行车环比都呈上升趋势
Road-250 Red较10月增长14.19%，增速最快
Road-150 Red销售占比最高，约为19.57%

细分市场表现：山地自行车

山地自行车

11月山地自行车，除Mountain-200 Black外，其他型号的
自行车环比呈上升的趋势
型号Mountain-500 Silver增速最快，为19.51%
型号Mountain-200 Silver销售份额占比最大

细分市场表现：旅游自行车

旅游自行车

11月旅游自行车，除型号Touring-2000 Blue、Touring-3000
Blue外，其他型号的自行车环呈上升趋势
型号Touring-1000 Yellow较10月增速最快，为27.18%
型号Touring-1000 Blue销售份额占比最大，为32.52%

四、2019年11月热品销售分析

找出TOP10销量产品

#筛选11月数据
gather_customer_order_11 = gather_customer_order[gather_customer_order['create_year_month'] == '2019-11']
#计算产品销售数量
#按照销量降序，取TOP10产品
customer_order_11_top10 = gather_customer_order_11.groupby(by = 'product_name').order_num.count().reset_index().\
                        sort_values(by = 'order_num',ascending = False).head(10)
#TOP10销量产品信息
list(customer_order_11_top10['product_name'])

计算TOP10销量及环比

由于前面已经精算出了11月环比，所以直接调取即可

customer_order_month_10_11 = gather_customer_order_month_10_11[['create_year_month','product_name','order_month_product','cpzl_zw','order_num_diff']]
customer_order_month_10_11 = customer_order_month_10_11[customer_order_month_10_11['product_name'].\
                                                        isin(list(customer_order_11_top10['product_name']))]
#增加标签方便区分
customer_order_month_10_11['category'] = '11月TOP10销量'

5.2、11月增速TOP10产品，销售数量及环比

由于前面已经精算出了11月环比，所以直接按环比降序获得增速top10城市

#增速TOP10产品，销售数量及环比
customer_order_month_11 = gather_customer_order_month_10_11.loc[gather_customer_order_month_10_11['create_year_month'] == '2019-11'].\
                            sort_values(by = 'order_num_diff',ascending = False).head(10)
customer_order_month_11_top10_seep = gather_customer_order_month_10_11.loc[gather_customer_order_month_10_11['product_name'].\
                                                        isin(list(customer_order_month_11['product_name']))]
customer_order_month_11_top10_seep = customer_order_month_11_top10_seep[['create_year_month','product_name','order_month_product','cpzl_zw','order_num_diff']]
customer_order_month_11_top10_seep['category'] = '11月TOP10增速'

#合并top10销量和top增速表
hot_products_11 = pd.concat([customer_order_month_10_11,customer_order_month_11_top10_seep],axis = 0)
导出到数据库
engine=create_engine('mysql+pymysql://root:***@127.0.0.1:3306/adventure')
hot_products_11.to_sql('pt_hot_products_november',con=engine,index=False,if_exists='replace')

powerbi作图分析

11月热销产品分析

11月型号为Mountain-200 sliver销售量最多，为395辆，型号为Touring-1000 Yellow增速最快；较10月增长27.18%

五、用户行为分析

获取数据

#读取数据库客户信息表
engine = create_engine('mysql+pymysql://******:******@***:3306/***?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)

#读取数据库销售订单表
engine = create_engine('mysql+pymysql://******:******@***:3306/***?charset=gbk')
datafrog=engine
df_sales_orders_11 = pd.read_sql_query("select *  from ods_sales_orders where create_date>='2019-11-1' and   create_date<'2019-12-1'",con = datafrog)

合并两表方便分析

#merge
sales_customer_order_11=pd.merge(df_sales_orders_11,df_CUSTOMER,on='customer_key',how='inner')
sales_customer_order_11 = sales_customer_order_11[sales_customer_order_11['cplb_zw']=='自行车']

sales_customer_order_11

4.1、用户年龄分析

计算出用户年龄，按年龄阶段划分顾客，得到各年龄段顾客占比，并分析各年龄段顾客的偏好

#分割birthday获得出生年份
sales_customer_order_11['birth_year'] = sales_customer_order_11.birth_date.str.split('-',expand=True)[0]
sales_customer_order_11['birth_year'] = sales_customer_order_11.birth_year.fillna(0).astype(int)
#计算出生年龄
import datetime
sales_customer_order_11['customer_age'] = datetime.datetime.now().year-sales_customer_order_11['birth_year']
#将年龄划分层次
import numpy as np
bin = np.arange(29,69,5)
sales_customer_order_11['age_level'] = pd.cut(sales_customer_order_11['customer_age'],bins = bin,labels=[u'30-34', u'35-39' , u'40-44' , u'45-49' ,u'50-54' , u'55-59' ,u'60-64'])
age_level_rate = sales_customer_order_11.groupby('age_level').agg({'age_level':'count'}).rename(columns={'age_level':'age_level_count'}).reset_index()
df_customer_order_bycle=pd.merge(sales_customer_order_11,age_level_rate,on='age_level')
# 计算年龄比率
df_customer_order_bycle['age_level_rate'] = df_customer_order_bycle.age_level_count/df_customer_order_bycle.age_level.count()

4.2、用户性别
通过整理数据，得到男女顾客的数量,占比

gender_count = df_customer_order_bycle.groupby(by = 'gender').cplb_zw.count().reset_index()
df_customer_order_bycle = pd.merge(df_customer_order_bycle,gender_count,on = 'gender').rename(columns = {'cplb_zw_y':'gender_count'})
df_customer_order_bycle['gender_rate'] = 1/df_customer_order_bycle['gender_count']
df_customer_order_bycle['age_level2_rate2'] = 1/df_customer_order_bycle['age_level_count']
df_customer_order_bycle=df_customer_order_bycle.drop('age_level2_count',axis=1)
导出到数据库中
engine=create_engine('mysql+pymysql://root:***@127.0.0.1:3306/adventure')
df_customer_order_bycle.to_sql('pt_user_behavior_november',con=engine,index=False,if_exists='replace')

powerbi作图分析

用户行为-年龄

根据年龄断划分，年龄35-39岁消费人数占比最高，为
29.96%；之后随着年龄的增长，占比逐渐下降。
对应各年龄段顾客，公路自行车都是最畅销的

用户行为-性别
男性购买自行车人数比女性多10%
针对性别和细分市场的关联分析，男性和女性购买公路自
行车占比最高，购买旅游自行车占比最少

以下为分析报告

幻灯片1.PNG

幻灯片2.PNG

幻灯片3.PNG

幻灯片4.PNG

幻灯片5.PNG

幻灯片6.PNG

幻灯片7.PNG

幻灯片8.PNG

幻灯片9.PNG

幻灯片10.PNG

幻灯片11.PNG

幻灯片12.PNG

幻灯片13.PNG

幻灯片14.PNG

幻灯片15.PNG

幻灯片16.PNG

幻灯片17.PNG

幻灯片18.PNG

幻灯片19.PNG

幻灯片20.PNG

幻灯片21.PNG

幻灯片22.PNG

Adventure 2019年11月线上自行车业务分析报告

案例背景：

分析目标

分析过程

1、自行车整体销售表现

1.2自行车整体销售量表现

二、自行车地区销售情况

2.2、2019年11月自行车销售量TOP10城市环

三、2019年11月自行车产品销售表现

3.2、公路/山地/旅游自行车细分市场表现

公路自行车细分市场销量表现

山地自行车细分市场销量表现

旅行自行车

计算2019年1月至11月产品累计销量

powerbi作图分析

四、2019年11月热品销售分析

计算TOP10销量及环比

5.2、11月增速TOP10产品，销售数量及环比

五、用户行为分析

4.1、用户年龄分析

powerbi作图分析

以下为分析报告

你可能感兴趣的:(Adventure 2019年11月线上自行车业务分析报告)

Adventure 2019年11月线上自行车业务分析报告

案例背景：

分析目标

分析过程

1、自行车整体销售表现

1.2自行车整体销售量表现

二、自行车地区销售情况

2.2、2019年11月自行车销售量TOP10城市环

三、2019年11月自行车产品销售表现

3.2、公路/山地/旅游自行车细分市场表现

公路自行车细分市场销量表现

山地自行车 细分市场销量表现

旅行自行车

计算2019年1月至11月产品累计销量

powerbi作图分析

四、2019年11月热品销售分析

计算TOP10销量及环比

5.2、11月增速TOP10产品，销售数量及环比

五、用户行为分析

4.1、用户年龄分析

powerbi作图分析

以下为分析报告

你可能感兴趣的:(Adventure 2019年11月线上自行车业务分析报告)

山地自行车细分市场销量表现