作者:FineBI
发布时间:2023.8.31
浏览次数:10,342 次浏览
数据分析是现代企业中非常重要的一部分,它可以帮助企业更好地理解自己的业务和客户,并为企业的决策提供数据支持。在学习数据分析的过程中,实战案例是非常有用的。下面是从帆软数据分析作品库网站中选取的20个实战数据分析案例,提供了丰富的数据和工具,可以帮助你进行实操练习。
详见文章《最全集合!数据分析一般用什么软件?》
帆软数据分析作品库收录多达300+数据分析案例,涵盖50余个场景的数据分析可视化报告,均来自帆软BI数据分析大赛作品,涉及数分/商分/经分等多个领域的业务,为您提供丰富分数据分析的学习参考材料。
以下20个数据分析案例均来自 帆软数据分析作品库 ,希望对您有所帮助:
数据来源于巴西Olist(2016年8月-2018年8月)电商数据平台的数据。本次数据分析作品只筛选了2017-2018年的数据来进行分析。 数据来源链接:https://www.kaggle.com/jainaashish/orders-merged
分析目的:分析该数据可以看出近两年的销售业绩变化,卖家的经营状况,客户的区域分布,客户的购买偏好等,以便改善现有的状况,提升业绩。
3.2.1提出问题
3.2.1分析框架
3.2.3数据清洗整理
本作品分析数据来源于巴西电商平台的orders-merged交易数据,由于分析需要,在分析过程中只保留了2017-2018年(8月)的数据,相关字段描述如下:
序号 | 原始字段 | 字段类型 | 描述 | 作品是否使用 |
1 | product_id | 字符型 | 产品ID | 是 |
2 | seller_id | 字符型 | 卖家ID | 是 |
3 | order_id | 字符型 | 订单ID | 是 |
4 | customer_id | 字符型 | 客户ID | 是 |
5 | order_status | 字符型 | 订单状态 | 否 |
6 | order_purchase_timestamp | 日期型 | 下单时间 | 是 |
7 | order_approved_at | 日期型 | 审批时间 | 否 |
8 | order_delivered_carrier_date | 日期型 | 过账日期 | 否 |
9 | order_delivered_customer_date | 日期型 | 订单交货日期 | 否 |
10 | order_estimated_delivery_date | 日期型 | 预计交货日期 | 否 |
11 | customer_unique_id | 字符型 | 客户标识ID | 是 |
12 | customer_zip_code_prefix | 数值型 | 客户邮政编号 | 否 |
13 | customer_city | 字符型 | 客户城市 | 是 |
14 | customer_state | 字符型 | 客户所在洲 | 是 |
15 | review_id | 字符型 | 评论ID | 是 |
16 | review_score | 数值型 | 评论得分 | 是 |
17 | review_comment_title | 字符型 | 评论标题 | 否 |
18 | review_comment_message | 字符型 | 评论内容 | 否 |
19 | review_creation_date | 日期型 | 满意度调查日期 | 是 |
20 | review_answer_timestamp | 日期型 | 满意度回复日期 | 是 |
21 | payment_sequential | 字符型 | 付款顺序 | 否 |
22 | payment_type | 字符型 | 付款方式 | 是 |
23 | payment_installments | 数值型 | 分期付款数 | 是 |
24 | payment_value | 数值型 | 交易金额 | 是 |
25 | order_item_id | 数值型 | 序号 | 否 |
26 | price | 数值型 | 商品价格 | 是 |
27 | freight_value | 数值型 | 运费 | 是 |
28 | seller_zip_code_prefix | 数值型 | 卖家邮政编号 | 否 |
29 | seller_city | 字符型 | 卖家城市 | 是 |
30 | seller_state | 字符型 | 卖家所在洲 | 是 |
31 | product_category_name | 字符型 | 商品类别名称 | 是 |
32 | product_name_lenght | 数值型 | 产品名称长度 | 否 |
33 | product_description_lenght | 数值型 | 产品说明长度 | 否 |
34 | product_photos_qty | 数值型 | 产品照片数量 | 否 |
35 | product_weight_g | 数值型 | 产品重量 | 否 |
36 | product_length_cm | 数值型 | 产品长度 | 否 |
37 | product_height_cm | 数值型 | 产品高度 | 否 |
38 | product_width_cm | 数值型 | 产品宽度 | 否 |
3.2.4指标体系
序号 | 指标名称 | 解释说明 | 是否派生 |
1 | 交易金额 | / | 否 |
2 | 商品价格 | / | 否 |
3 | 客户数 | FineBI计算逻辑为counted_agg(customer_id) | 是 |
4 | 客单价 | 客单价 = 总交易金额 / 用户数 | 是 |
5 | 订单量 | FineBI计算逻辑为counted_agg(order_id) | 是 |
6 | 笔单价 | 笔单价 = 总交易金额 / 订单量 | 是 |
7 | 商家数 | FineBI计算逻辑为counted_agg(seller_id) | 是 |
8 | 城市数量 | FineBI计算逻辑为counted_agg(customer_city) | 是 |
3.3.1整体情况
3.3.2时间维度
年交易情况
季度交易情况
月交易情况
交易金额整体上有逐渐上升的趋势。2017年11月达到峰值:1138353元,环比增加54.11%。其中,订单量为7289。接下来分析,为什么销量一直上涨,特别是2017年11月突然上涨到了最高峰。
这里针对2017年11月交易金额达到峰值问题下钻。查看2017年11月的交易金额、订单量情况,2017年11月24日这天的交易金额、订单量达到峰值,导致11月整个月的交易金额、订单量达到峰值。(注意到,11月24日是11月的最后一个星期五,即“黑色星期五”,由此可以得出其中一个结论,由于促销活动带来销量上涨)
由于这里的产品分类比较多,不好下钻到某些爆款产品的。下钻11月24是哪个洲的交易金额和订单量最多,11月24的交易金额、订单量主要来自SP这个洲。
继续下钻看看哪个城市的交易金额、订单量比较多。这里城市数量比较多,只截取了交易额、订单量最多的部分(前20),这里主要是由于sao paulo这个城市贡献的交易额和订单量。
3.3.3商家维度
数据结果显示,商家主要集中在SP、PR、MG这三个洲,占了78.83%。加上SC,占比超过了80%;SP洲的交易金额和订单量位居第一,与第二的PR洲差距明显,SP洲的交易金额占了总交易金额的64.57%,SP洲的头部效应明显。
SP、PR、MG这三个洲的累计交易金额和订单量都达到 81% 以上,该电商平台应该重点关注这三个洲。
另外商家数量2017-2018期间,一直处于增长趋势,这也是该平台销量呈现上涨趋势的原因之一。
3.3.4用户维度
流失用户占比等于总用户数的8.16%,流失状态占比较大,该电商应该更注重于用户维持。重要深耕用户人数占比为35.90%,交易金额 537.95 万,其次是重要挽回客户, 人数占比为22.99% 。重要深耕用户和重要挽留客户的交易金额总占比达到70%以上,这两类的客户应该重点关注。重要价值的客户的人数仅占了8.15%,占比少。
用户在10-13点、20-24点这个时间段写评论的较多,5分的占了总评论数的58.92%,4分的占了总评论数的19.65%,好评率约为78%,差评率超过20%,需要重点关注。
3.3.5产品维度
2017-2018各商家共供货 73 种品类,30984 种产品,平均售价为 125.17 元;明星产品偏少,建议优化产品结构。
前10类别名称的占了总交易额的62.47%,前17类别名称的占了总交易额的79.94%,头部效应明显。
数据分析可视化报告:
以上数据分析案例使用了FineBI制作,网站提供了丰富的数据和工具,可以帮助你进行实操练习,目前提供免费个人版。如果你想提高自己的数据分析能力,不妨试一试。
商业智能BI产品更多介绍:www.finebi.com