1 分析背景：这是kaggle上的一份巴西传统线下汽车服务类连锁店的实际销售数据，大小约3.43G，包含了从2017年3月31日到2020年4月1日大约2600万多的销售数据。
分析该数据集可以探究该连锁店的销售情况，产品的分布，可以对客户进行细分，精细化销售，对员工的生产力进行分析。
这里是利用Python结合Tableau来进行分析，可视化用的Tableau，部分分析用的Python。
数据解读：
2 分析框架
3 数据清洗3.1 读取数据，看看总体情况
这里的数据集比较大，Anaconda加载的数据都暂时存在内存里，笔者刚开始用的8G内存，一下子就满了，这里建议8-12G的内存左右，或者关闭一些暂时不用先的软件。
#导入相关包importnumpyasnpimportpandasaspd#读取数据，设置分割符号file_path=r’F:\alesReport.csv\SalesReport.csv’df=pd.read_csv(file_path,iterator=True,sep=’;’)data=df.get_chunk(30000000)data.info()
输出：
这里的销售时间是object类型，要转换成datetime类型，先记录下。
#查看NULL的数据：data.isnull().sum()
输出：
这里的数据比较干净，都没有NULL值这些。
查看数据的标准差，最大，最下值这些：data.describe()
输出：
这里的数据量比较多，数据相对比较大，这里很明显可以看出的Product Cost这里有个负数，查看这些数据：
data[data[‘ProductCost’]<=0]
输出：
len(data[data[‘ProductCost’]<0])
输出：
这里按照字面的意思理解是每销售出一个该产品的成本，这里为负数，暂且这里当异常数据去处理，这里的数据量也不多，只有20条，直接删除处理。实际，得和业务进行沟通，查看该指标的具体意思，和该负数情况的发生是出于什么情况来进行分析。
删除这些数据：
data.drop(index=data[data[‘ProductCost’]<0].index,inplace=True)3.2 删除重复的数据#数据清洗，这里有489567条数据是重复的，删除这些数据data[data.duplicated()]
输出：
#删除重复的数据#这里的重复的数据是完全重复的，所有的值都是相同的，#这里只能判断为异常数据，直接删除掉data.drop(index=data[data.duplicated()].index,inplace=True)3.3 日期转换格式data[‘SaleDateTime’]=pd.to_datetime(data[‘SaleDateTime’])data.info()
输出：
至此，数据清洗完毕，可以进行分析。
4 分析4.1 总体情况
4.2 时间角度4.2.1 年销售额情况
2017年只有前9个月的销售额，2020年只有前4个月的销售额。
2019年总销售额达到718306933，环比2018年的680191151，增长5.6%。
4.2.2 季度的销售额情况
2017第二季度开始到2018年底订单量成直线式上涨，2019年较平稳。
2017年该连锁店出于疯狂生长期，订单量、销售额均呈现直线上升趋势。
2019年第四季度订单量：208548，销售额达到206513981，订单量、销售金额均达到历史峰值。
4.2.3 月的销售情况
2017年各月份的销售金额，呈上涨趋势，其中17年下半年上涨趋势较明显，18、19年呈现较稳定的状态；结合各月份，连锁店的数量。
可以得出结论：2017年下半年连锁店数量的增加带动销售金额明显的上涨。
结合2018、2019年对比，该连锁店的销售额不受季节的影响，12月为了冲业绩，销售额会上涨一些。
4.2.4 周的销售情况
周的销售金额总体上先呈现上升，然后趋向于较稳定的状态。
周的订单量处于动态的平衡当中，可以看出随着时间的增长，每张订单的购买金额逐渐增加。
4.2.5 日的销售情况
总体来说，这里只有2018年6月1日左右时间段的销售金额有异常，这段时间既有极大值，也有极小值。具体原因可以深入查明一下。
这里的日销售额呈现周期性规律，也就是有6天销售额处于较高的，有一天的销售额是处于最低的，结合工作日权重，可以看出，巴西人民再周日的购买欲望较低，或者该商圈处于写字楼附近。
4.2.6 近四年的日UV
纵向对比每年的日UV，都有上升的趋势。
横向对比当年的日UV，呈现周期性的规律，这里按7天为一周期，前后一天都是最低的，中间五天相对来说较高。
4.2.7 工作日的销售情况
周日的销售金额最少。
4.2.7 工作日的订单量
4.2.8 时间段的销售金额、订单量
该商城销售额、订单量在7-20点这个时间段较高，12点有个谷底。
4.2.9 工作日的销售权重
这里只挑选了2019年全年的数据来进行统计。
在Tableau里实现：
导出数据到Excel里计算。
计算公式方式：
全年周日的平均值=全年的周日的总销售额/全年周日的天数，其他工作日类推。挑选1中计算到的最小值权重=某个工作日的平均值 / 2中选出的最小值
这里的权重越大，表明当日的销售额越多。
可视化：
这里可得出的结论：周五的销售权重最大，周日的销售权重最小。
4.2.10 销售预测按日
这里只挑选2019年1月1日到2020年2月29的数据，其中2020年2月份的数据用来做预测和对比。
#将销售时间设置成索引data.set_index(‘SaleDateTime’,inplace=True,drop=True)#将数据重新整理成以天来统计每天销售额的汇总day_data=data.resample(‘d’).sum()[‘Total’]day_data
输出：
#挑选2019年1月1日到2020年2月29的数据train_day_data=day_data[day_data.index>=’2019-01-01′]train_day_data=train_day_data[train_day_data.index<=’2020-02-29′]#保存数据到Exceltrain_day_data.to_excel(‘./日销售数据.xlsx’)#读取数据data=pd.read_excel(‘./日销售数据.xlsx’)#重新命名列data.rename(columns={‘SaleDateTime’:’date1′},inplace=True)data
输出：
#将销售额进行缩放，预测的只是大概的值，不可能太精确，这里直接根据数据的情况，以10万作为基本的单位。data[‘Total’]=round(data[‘Total’]/100000,4)
进行平稳性检验
importmatplotlib.pyplotaspltplt.rcParams[‘font.sans-serif’]=’SimHei’plt.rcParams[‘axes.unicode_minus’]=False%matplotlibinline#时序图plt.figure(figsize=(18,8),dpi=256)data[‘Total’][:-30].plot()
输出：
#自相关图fromstatsmodels.graphics.tsaplotsimportplot_acfplot_acf(data[‘Total’][:-30])plt.figure(figsize=(18,8),dpi=256)
输出：
#偏自相关图fromstatsmodels.graphics.tsaplotsimportplot_pacfplot_pacf(data[‘Total’][:-30])plt.figure(figsize=(18,8),dpi=256)
输出：
#单位跟检验fromstatsmodels.tsa.stattoolsimportadfullerasADFprint(ADF(data[‘Total’][:-30]))
输出：
这里的p值等于0.347多，大于0.05，属于不平稳序列，需要进行差分后，再检验是否属于平稳序列。
#一阶差分D_data=data[‘Total’][:-30].diff().dropna()print(‘一阶段差分检验结果：’,ADF(D_data))
输出：
一阶差分后的序列，属于平稳序列，这里可以使用差分后平稳序列的模型ARIMA进行预测，预测前还得进行白噪声检验。
fromstatsmodels.stats.diagnosticimportacorr_ljungboxprint(‘白噪声检验结果：’,acorr_ljungbox(D_data,lags=1))
输出：
白噪声检验的p值远小于0.05，一阶差分后的时间序列属于平稳非白噪声的时间序列，下面可以利用ARIMA模型进行预测。
fromstatsmodels.tsa.arima_modelimportARIMAfromdatetimeimportdatetimefromitertoolsimportproduct#设置p阶，q阶范围#productp,q的所有组合#设置最好的aic为无穷大#对范围内的p,q阶进行模型训练，得到最优模型ps=range(0,5)qs=range(0,5)parameters=product(ps,qs)parameters_list=list(parameters)best_aic=float(‘inf’)results=[]forparaminparameters_list:try:model=ARIMA(data[‘Total’][:-30],order=(param[0],1,param[1])).fit()exceptValueError:print(“参数错误：”,param)continueaic=model.aicifaic<best_aic:best_model=modelbest_aic=model.aicbest_param=paramresults.append([param,model.aic])results_table=pd.DataFrame(results)results_table.columns=[‘parameters’,’aic’]print(“最优模型”,best_model.summary())
输出：
利用最好的模型进行预测。
best_model.forecast(30)[0]
模型评价：
fromsklearn.metricsimportmean_absolute_error#pred_y预测值#test_y实际值pred_y=best_model.forecast(30)[0]test_y=data[‘Total’][-30:].valuesmean_absolute_error(test_y,pred_y)
输出：
这里的平均绝对误差为2.38，这里要根据实际的业务确定误差阈值。再来进行模型的评价。小于阈值的，模型就是稍微好的，大于阈值的，说明模型的准确率还有待提高，模型还需重新训练等。
画折线图，对比下实际和预测值之间的差距。
plt.figure(figsize=(14,7),dpi=256)plt.plot(data[‘date1′][-30:],test_y,label=’实际’)plt.plot(data[‘date1′][-30:],pred_y,label=’预测’)plt.xticks(data[‘date1’][-30:],rotation=70)plt.legend(loc=3)
输出：
这里可以看出，模型预测的结果还是稍微好点的。
4.3 用户角度4.3.1 用户城市分布
10.98%的用户集中在Agirrie这个城市，用户居住城市相对较分散。
4.3.2 用户购买金额，购买次数前10的用户
用户Barry Barrett总购买金额达到15M以上，消费次数也达到了100K以上，属于高价值的客户。
4.3.3 复购率总体复购率：
这里是按这份数据所在的时间段，计算购买次数大于2次的用户，再除于总的用户数，这里得排除的一个数据是用户Client这里，有一个数据是Customer not informed（客户没有提供名字的情况），这条数据得排除了，所以计算购买次数大于2的用户和总用户数对应减去1，这是个人的想法，实际是得和业务沟通，得到实际的计算方法。查看Customer not informed这条数据：
#计算每个客户的购买次数，这里使用了nunique(),统计不同订单号的个数client_data=data.groupby(‘Client’).nunique()[‘OrderNumber’]#重命名列client_data=client_data.reset_index().rename(columns={‘OrderNumber’:’user_num’})client_data.sort_values(‘user_num’,ascending=False)
#总复购率print(‘总复购率:’,round((len(client_data[client_data[‘user_num’]>1])-1)/(len(client_data)-1),4)*100,”%”)
输出：
该数据所在的时间段的总体复购率达到了87.91%，用户黏性较高。
这里再细分下，看下一个月内的复购的情况。
一个月内复购率
这里的一个月内复购率的定义是：从月初的1号到月底这段时间内，用户复购的比率。
#这里的销售时间是datetime格式，增加个辅助列，转换成2017-01这样的年月显示defparse_year_month(x):ifx.month>=10:returnstr(x.year) “-” str(x.month)else:returnstr(x.year) “-0” str(x.month)data[‘year_month’]=data[‘SaleDateTime’].apply(parse_year_month)
统计每个月用户的购买次数
y_m_data=data.groupby([‘year_month’,’Client’]).nunique()[‘OrderNumber’].reset_index()y_m_data
输出：
每个月的复购率
#保存临时数据，用于构建每月的复购率的DataFramemonth_list=[]rate_list=[]#循环计算每个月的复购率，这里直接遍历每个月forevery_miny_m_data[‘year_month’].unique():#获取每个月用户的购买次数的数据temp=y_m_data[y_m_data[‘year_month’]==every_m]# print(every_m, “复购率：”,#round((len(temp[temp[‘OrderNumber’]>1])-1)/(len(temp)-1),4))month_list.append(every_m)#选出购买次数>1的数据，获取数据的长度（用户数）-1再除以#当月的总用户数-1rate_list.append(round((len(temp[temp[‘OrderNumber’]>1])-1)/(len(temp)-1),4))#将数据转换成DataFramet_1={‘month’:month_list,’rate’:rate_list}rate_data=pd.DataFrame(t_1)rate_data
输出：
导出数据，用Excel做可视化：
rate_data.to_excel(‘./rate_data.xlsx’,index=False)
月复购率都在66%以上，用户的黏性较大。
4.3.4 购买次数的情况
这里只挑选了2018年4月这个月的购买次数来做分析，其他月份的可以类推。
data_201804=y_m_data[y_m_data[‘year_month’]==’2018-04′]#重命名OrderNumber为购买次数buy_frequencydata_201804.rename(columns={‘OrderNumber’:’buy_frequency’},inplace=True)data_201804
#设置数据的区间bins=[0,1,2,5,10,50,100,100000]per_frequency=pd.cut(data_201804[‘buy_frequency’],bins)per_frequency.value_counts()per_frequency.value_counts().plot(kind=’bar’)
4.3.5 RFM模型分析用户的价值
这里只针对2018年4月份的用户价值进行分类，其他可以类推。
#按月份提取每个月用户的R、F、M值RFM_data_all=data.groupby([‘year_month’,’Client’]).agg({‘OrderNumber’:’nunique’,’SaleDateTime’:’max’,’Total’:’sum’})RFM_data_all.reset_index(inplace=True)#保存一份数据，下次直接读取该数据集就可以，省时间RFM_data_all.to_excel(‘RFM_data_all.xlsx’,index=False)#提取2018年4月份的数据RFM_data_201804=RFM_data_all[RFM_data_all[‘year_month’]==’2018-04′]RFM_data_201804
输出：
#参考时间，这里随便设置里2018-05-0123:59:59，不让R值为0，这里的R以天作为单位importdatetimereference_time=datetime.datetime.strptime(‘2018-05-0123:59:59’,”%Y-%m-%d%H:%M:%S”)#构建R指标RFM_data_201804[‘R’]=RFM_data_201804[‘SaleDateTime’].apply(lambdax:(reference_time-x).days)#重新命名列RFM_data_201804.rename(columns={‘OrderNumber’:’F’,’Total’:’M’},inplace=True)#排序查看异常值RFM_data_201804.sort_values(‘M’,ascending=False)
输出：
这里有个异常值，标记为客户没有提及姓名的，直接删除处理。
RFM_data_201804.drop(index=26015,inplace=True)
提取RFM指标
RFM_data=RFM_data_201804[[‘R’,’F’,’M’]]
数据规范化，进行聚类
fromsklearn.preprocessingimportStandardScalerfromsklearn.clusterimportKMeans#数据规范化ss=StandardScaler()train=ss.fit_transform(RFM_data)#模型进行训练，这里直接聚类成5类。kmeans_model=KMeans(n_clusters=5)kmeans_model.fit(train)#查看聚类中心test=pd.DataFrame(kmeans_model.cluster_centers_,columns=[‘R’,’F’,’M’])test
输出：
分析：
分群0：R小，F小，M小，这类属于一般价值客户。分群1，R大，F小，M小，这类属于一般发展客户。分群2，R小，R大，M大，这类属于重点保持客户。分群3、4 这类，R小，F、M大，这类都属于高价值客户。
将分群的结果合并到RFM_data数据里看下原数据。
RFM_data[‘sk5_label’]=kmeans_model.labels_
这里挑出分群3、4的数据来看看。
RFM_data[RFM_data[‘sk5_label’]==3]
输出：
分群3的用户的购买次数F在670-1300之间，消费金额M在7.7W-18W之间，且R小，属于高价值客户。
RFM_data[RFM_data[‘sk5_label’]==4]
输出：
分群4的用户购买次数在210-280之间，购买金额在20W以上，这类是属于高价值客户。
Tableau实现的客户分群：
客单价=M/F。这里可以看出群集5的客单价最高，其次是群集3，最低的是群集4。
4.3.6 用户月留存率
这里统计用户月存留率是上个月与当前月都有购买的用户的数量/(除以)上个月的总用户数（去重）。类似流失率，这里不同的是都是上月流向下月的，不是1->2->3这样的流向，而是1->2， 2->3这样的流向。
#提取每个月的用户（去重）every_month_user=data.groupby([‘year_month’,’Client’]).nunique()[‘OrderNumber’].reset_index()every_month_user
输出：
#获取每个月份的列表，循环遍历计算上个月与当前月的留存率year_month=every_month_user[‘year_month’].unique()#保存月留存率的列表list_month_rate=[]fori,monthinenumerate(year_month):#计算上个月与当前月的留存率ifi>=1:#获取当前月的用户（上面groupby已去重）this_month_client=every_month_user[every_month_user[‘year_month’]==month][‘Client’]#获取上个月的用户（上面groupby已去重）previous_month_client=every_month_user[every_month_user[‘year_month’]==year_month[i-1]][‘Client’]#计算留存率，这里用的是上个月与当前月用户的交集个数/上个月的用户数（去重）rate=round(len(set(this_month_client)&set(previous_month_client))/len(previous_month_client),2)#用列表保存数据，并构建DataFrame用户绘图b=[month,rate]list_month_rate.append(b)#构建DataFramerate_data=pd.DataFrame(list_month_rate,columns=[‘year_month’,’rate’])rate_data
输出：
可视化：
结论：
月的用户留存率达到74%以上，用户黏性高。
4.4 产品角度4.4.1 销售额，订单量前10的销售产品
产品Special Gasoline、Gasoline汽油类的产品的销售金额、订单量位居前列；其次是Diesel Auto Clean这个清洁类的产品。
4.4.2 产品分类（聚类分析）
这里先获取每个月的产品的成本C，订单量F，销售总金额M，这里只挑选了2018年4月一个月的产品数据来分析
month_product_data=data.groupby([‘year_month’,’Product’]).agg({‘ProductCost’:’mean’,’OrderNumber’:’nunique’,’Total’:’sum’}).reset_index()#重命名month_product_data.rename(columns={‘ProductCost’:’C’,’OrderNumber’:’F’,’Total’:’M’},inplace=True)#导出数据到Excel,结合Tableau一起分析下。month_product_data.to_excel(‘./month_product_data.xlsx’,index=False)#选择2018年4月的数据#这里只取一个月的产品进行聚类month_product_201804=month_product_data[month_product_data[‘year_month’]==’2018-04′]month_product_201804
输出：
模型训练，进行聚类
#导入包fromsklearn.preprocessingimportStandardScalerfromsklearn.clusterimportDBSCANss=StandardScaler()#获取需要的数据X=month_product_201804[[‘C’,’F’,’M’]]#数据规范化train_X=ss.fit_transform(X)#设置聚类数4个dbscan_model=DBSCAN(min_samples=4)#模型训练dbscan_model.fit(train_X)#将聚类的结果合并到原数据集上。month_product_201804[‘labels’]=dbscan_model.labels_#查看聚类的分布情况month_product_201804[‘labels’].value_counts()
输出：
这里标记为-1的数据集都是异常的数据，查看下。
这里结合Tableau可视化看下。
这里可以看出模型标记出来为-1数据的分成两类。
A类（上图和下图截红框）：成本低，订单量多，购买金额多的，这类属于重点开发的产品。
B类：成本高，订单量少，购买金额少的，这类属于低价值的产品，应该砍掉。
Tableau排除上图截红框的一个教特殊的产品再进行产品的聚类。
这里的圆圈的大小表示成本C的大小。
针对群集1：
这里利用二分法为订单量F分为50以下，50以上。针对F为50以下的群集1，这类购买次数较少，总的销售金额也在5K以下，这类的产品，可以采取部分下架。针对F为50以上的产品，这类产品购买次数稍多，采取维持的状态。
针对群集2：
这里也利用二分法将其分为销售金额M在3500以上，和3500以下的。3500以下的这类的产品成本高，且销售额也在3500以下，购买次数也低于50，这类产品应该采取放弃策略。3500以上的则采取先保持策略，再下一阶段再继续深入观察，分析，做进一步的决策。
针对群集3：
这类产品的购买次数F在600以上，销售金额M也在6k以上，成本C也较小，这类产品采取继续扩大。
针对群集4：
成本C较小，购买次数F在200-600之间，销售金额在10K以上，这类产品属于重点保持的产品，该类产品应给与较大的重视，进一步发挥这类产品的价值。
4.4.3 产品销售额情况及总体的占比（帕累托最优）
产品的头部的效应明显，前三产品的总销售金额达到总销售金额的82%以上，符合二八定律。
4.4.4 产品的成本分布
较大一部分产品的成本在12以下，其次是在12-36区间，接着是36-95的区间，95以上的产品较少。
4.4.5 跟目录下的各个产品数
Filters产品类别下的产品数最多，达到933。其次是839的Chewing Gum And Candy。最少的产品数的是类别Extinguisher，只有6个。
5 支付方式
近7成的用户选择现金支付。
6 总结6.1 三年间销售额达到了17.8亿。6.2 2017年该连锁店处于上升期，销售额、订单量呈上升状态，2018、2019年趋于平稳。6.3 该连锁店的销售业绩呈现周期性，周一到星期天较高，星期日最低。6.4 总体复购率达到了87.91%，用户黏性较大。6.5 月初到月末的复购率达到66%以上，用户的黏性较大。6.6 用户月留存率达到74%以上，老客户居多。6.7 产品符合二八分布，前三产品Special Gasoline、Gasoline、Diesel Auto Clean达到总销售金额的82%。6.8 80%的产品的成本在36以下。6.9 近七成的用户选择现金支付。
