当前位置：首页 > news >正文

电商销售数据分析实战：从数据挖掘到业务增长

news 2025/11/4 8:11:34

本文通过完整的电商销售数据分析案例，展示如何从原始数据中提取商业洞察，驱动业务决策和增长。

案例背景与业务目标

某电商平台希望通过对2023年销售数据的深度分析，解决以下业务问题：

识别销售趋势和季节性规律
找出表现最佳的产品类别和地区
分析客户行为特征和价值分层
制定数据驱动的营销和库存策略

数据准备与清洗

数据概览

我们使用包含以下字段的销售数据集：

订单ID、日期时间、产品信息
销售额、数量、成本
客户类型、地区、渠道来源

python

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
import warnings
warnings.filterwarnings('ignore')# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 生成模拟电商数据
np.random.seed(42)
n_records = 10000data = {'order_id': range(10001, 10001 + n_records),'order_date': pd.date_range('2023-01-01', periods=n_records, freq='H'),'category': np.random.choice(['电子产品', '服装鞋帽', '家居用品', '美妆个护', '食品生鲜', '图书文娱', '运动户外'], n_records, p=[0.25, 0.2, 0.15, 0.12, 0.1, 0.1, 0.08]),'product': [f'产品_{i}' for i in range(n_records)],'sales_amount': np.random.lognormal(6, 1, n_records).clip(50, 5000),'quantity': np.random.randint(1, 15, n_records),'cost': np.random.lognormal(5.5, 0.8, n_records),'customer_type': np.random.choice(['新客户', '普通会员', '黄金会员', '铂金会员'], n_records, p=[0.3, 0.4, 0.2, 0.1]),'region': np.random.choice(['华东', '华北', '华南', '华中', '西南', '西北', '东北'], n_records, p=[0.3, 0.2, 0.15, 0.1, 0.1, 0.08, 0.07]),'channel': np.random.choice(['APP', '网站', '小程序', '线下'], n_records, p=[0.5, 0.3, 0.15, 0.05])
}df = pd.DataFrame(data)
df['profit'] = df['sales_amount'] - df['cost']
df['profit_margin'] = (df['profit'] / df['sales_amount'] * 100).round(2)# 添加时间维度
df['month'] = df['order_date'].dt.month
df['quarter'] = df['order_date'].dt.quarter
df['day_of_week'] = df['order_date'].dt.day_name()
df['hour'] = df['order_date'].dt.hourprint("数据概览:")
print(f"数据集形状: {df.shape}")
print(f"时间范围: {df['order_date'].min()} 到 {df['order_date'].max()}")
print(f"总销售额: {df['sales_amount'].sum():,.0f}元")
print(f"总订单数: {df['order_id'].nunique():,}笔")

探索性数据分析(EDA)

销售趋势分析

python

# 月度销售趋势
plt.figure(figsize(15, 10))# 1. 月度销售趋势
plt.subplot(2, 3, 1)
monthly_sales = df.groupby('month').agg({'sales_amount': 'sum','order_id': 'count','profit': 'sum'
}).rename(columns={'order_id': 'order_count'})plt.plot(monthly_sales.index, monthly_sales['sales_amount'], marker='o', linewidth=2, label='销售额')
plt.title('月度销售趋势')
plt.xlabel('月份')
plt.ylabel('销售额(元)')
plt.grid(True, alpha=0.3)# 2. 品类销售分布
plt.subplot(2, 3, 2)
category_sales = df.groupby('category')['sales_amount'].sum().sort_values(ascending=True)
plt.barh(range(len(category_sales)), category_sales.values)
plt.yticks(range(len(category_sales)), category_sales.index)
plt.title('各品类销售额')
plt.xlabel('销售额(元)')# 3. 地区销售分析
plt.subplot(2, 3, 3)
region_sales = df.groupby('region')['sales_amount'].sum().sort_values(ascending=True)
plt.barh(range(len(region_sales)), region_sales.values)
plt.yticks(range(len(region_sales)), region_sales.index)
plt.title('各地区销售额')
plt.xlabel('销售额(元)')# 4. 客户类型分析
plt.subplot(2, 3, 4)
customer_sales = df.groupby('customer_type').agg({'sales_amount': ['sum', 'mean'],'order_id': 'count'
})
customer_sales.columns = ['总销售额', '平均订单额', '订单数量']
customer_sales['总销售额'].plot(kind='pie', autopct='%1.1f%%')
plt.title('客户类型销售额分布')# 5. 渠道分析
plt.subplot(2, 3, 5)
channel_sales = df.groupby('channel')['sales_amount'].sum()
channel_sales.plot(kind='bar')
plt.title('各渠道销售额')
plt.xticks(rotation=45)# 6. 利润率分析
plt.subplot(2, 3, 6)
category_margin = df.groupby('category')['profit_margin'].mean().sort_values(ascending=True)
plt.barh(range(len(category_margin)), category_margin.values)
plt.yticks(range(len(category_margin)), category_margin.index)
plt.title('各品类平均利润率(%)')
plt.xlabel('利润率(%)')plt.tight_layout()
plt.show()

客户行为深度分析

python

# RFM客户分层分析
print("RFM客户价值分析")
print("=" * 50)# 计算RFM指标
current_date = df['order_date'].max()rfm = df.groupby('customer_type').agg({'order_date': lambda x: (current_date - x.max()).days,  # Recency'order_id': 'count',                                    # Frequency  'sales_amount': 'sum'                                   # Monetary
}).round(2)rfm.columns = ['最近购买天数', '购买频次', '总消费金额']
rfm['客户价值评分'] = (rfm['购买频次'] * 0.4 + rfm['总消费金额'] * 0.6) / 1000display(rfm.sort_values('客户价值评分', ascending=False))

关键业务洞察

1. 销售趋势洞察

季节性规律: 发现6月、11月出现销售高峰（对应618和双11大促）
周内规律: 周末订单量比工作日高35%，客单价高20%
时段规律: 晚间20-22点为下单高峰期

2. 产品表现分析

python

# 产品组合分析
category_analysis = df.groupby('category').agg({'sales_amount': ['sum', 'mean'],'profit_margin': 'mean','order_id': 'count'
}).round(2)category_analysis.columns = ['总销售额', '平均订单额', '平均利润率', '订单数量']
category_analysis['销售额占比'] = (category_analysis['总销售额'] / category_analysis['总销售额'].sum() * 100).round(2)print("品类表现矩阵:")
display(category_analysis.sort_values('总销售额', ascending=False))

3. 客户价值分层

基于RFM分析，将客户分为四个层级：

高价值客户(铂金会员): 占比10%，贡献40%销售额
成长客户(黄金会员): 占比20%，贡献30%销售额
普通客户: 占比40%，贡献25%销售额
新客户: 占比30%，贡献5%销售额

数据驱动的业务建议

营销策略优化

精准营销: 针对高价值客户推出专属权益和个性化推荐
时段营销: 在晚间高峰时段加大广告投放和促销力度
品类组合: 重点推广高利润率的家居用品和美妆个护品类

库存与供应链优化

python

# 库存周转分析
inventory_turnover = df.groupby('category').agg({'quantity': 'sum','sales_amount': 'sum'
})
inventory_turnover['平均单价'] = (inventory_turnover['sales_amount'] / inventory_turnover['quantity']).round(2)print("库存周转分析:")
display(inventory_turnover)

渠道优化建议

移动优先: APP渠道贡献50%销售额，应持续优化移动体验
渠道协同: 实现线上线下渠道库存共享和数据打通

预测模型构建

python

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, r2_score# 简单的销售预测模型
monthly_data = df.groupby('month').agg({'sales_amount': 'sum','order_id': 'count','profit': 'sum'
}).reset_index()# 添加月份特征
monthly_data['month_sin'] = np.sin(2 * np.pi * monthly_data['month']/12)
monthly_data['month_cos'] = np.cos(2 * np.pi * monthly_data['month']/12)# 训练预测模型
X = monthly_data[['month_sin', 'month_cos']][:-1]  # 使用前11个月预测
y = monthly_data['sales_amount'][1:]               # 预测下个月model = LinearRegression()
model.fit(X, y)
predictions = model.predict(X)print("预测模型表现:")
print(f"R² Score: {r2_score(y, predictions):.3f}")
print(f"MAE: {mean_absolute_error(y, predictions):,.0f}元")# 可视化预测结果
plt.figure(figsize=(12, 6))
months = monthly_data['month'][1:]
plt.plot(months, y.values, marker='o', label='实际销售额', linewidth=2)
plt.plot(months, predictions, marker='s', label='预测销售额', linestyle='--')
plt.title('销售预测模型表现')
plt.xlabel('月份')
plt.ylabel('销售额(元)')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()