电商数据初分析

时间：2023-03-15 21:02:01 | 来源：电子商务

时间：2023-03-15 21:02:01 来源：电子商务

1、选择数据集

选择数据集：淘宝和天猫购买婴儿用品的信息，表1购买商品字段，表2婴儿信息。

数据集来源：阿里巴巴天池 https://tianchi.aliyun.com/dataset/dataDetail?dataId=45

表1数据集有29972条信息记录，共有7个字段，分别为：

• user_id：用户id
• auction_id：物品编号，即具体的商品编号
• cat_id：商品种类id， 以奶粉种类分类为例，则可分为1段/2段/3段/4段/孕妈奶粉/特殊配方奶粉/有机奶粉/羊奶粉（参考京东分类）
• cat1：商品种类id（商品一级分类）以母婴用品分类为例，则可分为妈妈专区/婴童寝居/奶粉/营养辅食/尿裤湿巾/喂养用品/洗护用品/童车童床/童装/童鞋（参考京东分类）
• property：商品属性，以奶粉为例，属性包括规格/包装单位/奶源地等信息
• buy_mount：购买数量
• day：购买时间

表2数据集有954条信息记录，共有3个字段，分别为：

• user_id：用户id
• birthday：出生日期
• gender：性别（0女性；1男性；2未知性别）

2、分析思路梳理

通过这两张表格，我们想了解以下信息：

（1）整体的销售情况

• 年度销售情况
• 哪一类商品最受欢迎（销量最多）？
• 同类商品，哪个子类更受欢迎（销量最多）？
• 用户更喜欢在哪个时间段下单？即计算用户下单次数最多的时间
• 哪类商品分别在什么时间下单最多？

（2）购买数量最多的用户和购买次数最多的用户，找出高价值用户和忠诚度高的用户

• 哪些用户回购次数多？
• 哪些用户购买数量多？

（3）用户偏好

• 不同性别的用户购买偏好？
• 不同年龄的用户购买偏好？

3、数据清洗

（1）选择子集

表1中property商品属性这一列为商品信息，里面信息多但与本次分析内容不相关，我们选择隐藏该列：

（2）列名重命名

分别对标1表2的列名进行重命名

（3）删除重复值

在购物场景i中用户可以多次重复购买，因此不对表1数据集进行去重；

表2中对用户id进行去重，没有发现重复值。

（4）缺失值处理

用ctrl+G定位表1、表2均没有发现空值。

（5）一致化处理

• 设置日期格式

将表1、表2中的购买时间和出生日期按照yyyy-m-d类型设置时出现如下结果：

通过百度查找，需要进行分列处理，选择日期格式即可：

• vlookup函数联结表2 和表1

表2的列比较少，因此可以考虑用vlookup函数，通过统一的用户id将表1中的购买信息与表2相结合，丰富表2数据：

剩余列依次类推，在购买时间列时，却出现数字：

百度查询后，才发现是该列没有设置成日期格式导致，设置成yyyy-m-d日期格式后即恢复正常。

• 计算用户年龄

运用DATEDIF函数根据“出生日期”和“购买日期”计算出用户购买时的年龄：

计算后发现有错误值：

检查发现，原因是出生日期晚于购买时间导致，总共有143条错误数据。因为购买物品为母婴用品，可以推断是用户在孕期购买所致，可将这一部分数据剔除，单独生成一张表3，后续对用户孕期购买情况进行分析。

（6）数据排序

对表1中购买数量列进行降序处理，可以看到用户2288344467在2014年11月13日购买了10000个编号为39769942518的物品，大手笔：

（7）异常值处理

对表2的年龄进行筛选，发现有一个用户购买年龄为28，因母婴用品使用年龄一般在1-12岁内，因此判断为异常值，对这一条数据进行删除。

数据清洗后，表1数据集有29972条信息记录，表2数据集有811条信息记录。

4、数据分析

（1）整体的销售情况

表1收录了2012年第三、四季度、2013、2014全年和2015年第一季度数据，购买总数为76250。

销量最多的商品

在表1数据透视表中选择商品种类（二类）作为列，物品编号作为行，将购买数量之和降序排列，得出类别为50018831的物品编号为39768842518销量为10000，销量最多；

哪一类商品最受欢迎（销量最多）？

在表1数据透视表中选择商品种类（二类）和购买数量，得出50018831销量为12657，销量最多；

同类商品，哪个子类更受欢迎（销量最多）？

在表1数据透视表中选择商品种类（一类）作为列，商品种类（二类）作为行，将购买数量之和降序排列，得出在6个一类中：

一类50014815中的子类50018831销量为12657，销量最多；

一类28中的子类50011993销量为3609，销量最多；

一类50008168中的子类50007016销量为2759，销量最多；

一类38中的子类211122销量为2058，销量最多；

一类122650008中的子类50012359销量为593，销量最多；

一类50022520中的子类50023591销量为487，销量最多；

此外，一类28中的多个二类商品购买数量远高于其他类别，说明这些商品为用户频繁购买系列，可重点关注。

用户更喜欢在哪个时间段下单？

在表1数据透视表中选择商品购买时间作为行，将购买时间计数项降序排列，得出用户在11月份购买次数最多，达到3753次，其次是12月份，推断11月和12月为“双十一”、“双十二”活动所致。最低购买月份在2月份，可推断2月份为春节期间，快递停发所致。

哪类商品分别在什么时间下单最多？

在表1数据透视表中选择购买时间作为列，商品种类（二类）作为行，将购买数量之和降序排列，得出：

用户在11月份购买50018831最多，达10906个；

用户在1月份购买50011993最多，1721个；

用户在12月份购买50012788最多，2827个；

用户在9月份购买5000716最多，2750个；

通过表格可发现用户更喜欢在下半年购买这几类商品，不知是否与商品的使用属性有关系。

（2）找出购买数量/次数最多的用户，定位高价值/忠诚度高的用户

哪些用户回购次数多？

在表1数据透视表中选择用户id作为行，用户id计数进行降序排列，得出：

id为814316568的用户下单次数最多，为4次。通过表格发现用户的下单次数多为1次，复购率不高。

哪些用户购买数量多？

在表1数据透视表中选择用户id作为行，商品种类（二类）作为列，购买数量求和进行降序排列，得出：

id为2288344467的用户下单购买数量最多，为10000，用户117730165、173701616、1945590674、32141414购买数量也都在1000以上，属于高价值用户，后续需要重点关注。

（3）用户偏好

不同性别的用户购买偏好？

在表2数据透视表中选择性别作为列（0女性；1男性；2未知性别），商品种类（二类）作为行，购买数量求和进行降序排列，得出：

在购买总数上，女性是男性的1.82倍，尤其在种类50018831商品上，女性购买数量远高于男性，是其12倍。

不同年龄的用户购买偏好？

在表2数据透视表中选择年龄作为列，商品种类（二类）作为行，购买数量求和进行降序排列，得出：

在购买总数上，0-3岁用户（并非购买人实际年龄）占购买总数的80%，其中

0-3岁的用户购买较多的种类为50018831、50013636、211122、50006602、50018825这5类。

（4）孕期购买情况

在表3的143条数据进行数据透视，选择商品种类（二类）作为行，购买数量求和进行降序排列，得出用户购买总量为235，喜欢购买的种类分别为250822、50011993、50006602、50012456、50006032，推测这几类商品为初生婴儿用品或者孕期营养品。

5、总结

• 11月份为销售高峰期，2月份为全年销售低谷；
• id为2288344467的用户商品种类（二类）50018831为销量最多商品，但是基本上由2288344467用户购买；该用户很有可能为经销商或者批发商，为高价值用户，可重点持续关注，防止流失；
• 大多数用户的下单次数为1次，复购率不高；
• 0-3岁用户（并非购买人实际年龄）占购买总数的80%，为婴儿用品购买主力，其中女童用品更受欢迎。