2023BI数据分析大赛优衣库销售数据分析

为优化消费者购物体验,优衣库开启全国门店自提服务,网店下单后门店可最快在1小时内完成备货,消费者可自行选择到全国任意适用门店取货。

“跨城送爱”更加便捷快速,春运出行的消费者亦能“轻”装出行,下了飞机去取新衣。还有更多贴心举措,如“免费改、轻松换”售后增值服务,满足修改裤长、同类商品换颜色、尺寸,以及当场试装等个性需求。

在电商时代快速发展的时代下,优衣库形成这种特殊情形的主要原因是:商业模式的独特性。首先,其店铺将自助式购物作为主要消费模式,很大程度上提升了消费者的购物体验,其次,店铺采用仓储和陈列一体化的模式,很大程度上降低了店铺的固定成本,从而减少了线上和线下销售价格的差异。为此,很大程度上提升了消费者对于线下渠道消费的喜爱程度。

所以对于优衣库来说,如何更好地提供顾客所喜欢的商品、如何提升商品的利润、以及如何高效利用仓储空间,则是一个非常重要的经营分析课题。

为方便后续理解数据真正的业务含义,将表述不清晰的列名进行重新命名。为在可视化图表便于直观展示,在这里将表中所有列的英文列名重命名为中文名。

缺失值影响数据的准确性。采用定位条件定位空值,发现没有缺失值,故不进行缺失值处理。

对数据集各列进行缺失值查找,有三种方法查看缺失值:直接看各列的计数值是否相同;对各列筛选操作查看各列有没有空值;采用定位条件进行空值定位。

经查均未发现有缺失值,所以暂时不需要进行缺失值处理。

客户性别字段存在118个UNKNOW数据,年龄存在137个UNKNOW字段(异常值),同时两者重合度较高,因数据量不大故进行删除处理。

销售金额字段存在负值和零值31个(异常值),同样进行删除处理,这些数据占比较小进行删除处理同时也不会对整体数据产生影响。

说明:FineBI直接用“过滤”的方式将对应异常值进行“删除”处理。

①平均销售额=SUM_AGG({销售金额})/SUM_AGG({购买数量})

②销售利润={销售金额}-{购买数量}*{产品成本}

③客单价=SUM_AGG({销售金额})/SUM_AGG(${客户数量})

④销售占比=SUM_AGG({销售金额})/TOTAL(SUM_AGG({销售金额}),0,'sum')

⑤累计占比=ACC_SUM(SUM_AGG({销售金额})/TOTAL(SUM_AGG({销售金额}),0,'sum'))

②数据指标:销售额、订单数、销量、客户数、利润、客单价及其派生指标等。

③分析方法:四象限分析、帕累托分析、对比分析、占比分析、联动分析等。

利用帕累托分析,将销售情况按产品维度进行分析,对比不同产品的销售情况。

销售金额前三的产品类型有T恤、当季衣服、配件,销售额后三为有袜子、运动、短裤类型的产品;且各产品销售额之间的的差异巨大,T恤的销售额是当季衣服的两倍多,是配件销售额的3倍多。T恤销售额达到150万以上,而次之的当季新品和配件都在60万以下,其他产品的销售额还不到30万。

ABC分类法全称为ABC分类库存控制法。又称帕累托分析法或巴雷托分析法、柏拉图分析、主次因分析法、ABC分析法、ABC管理法,平常也称之为「80对20」规则。

A类产品

非常重要

80%

数量占比少,价值占比大

B类产品

比较重要

10%

没有A类物品那么重要,介于A、C之间

C类产品

一般重要

数量占比大但价值占比很小

综上,A类产品包括T恤、当季新品、配件和毛衣,需重点管理;B类产品包括牛仔裤、裙子,需进一步挖掘增长点;C类产品包括:袜子、运动类和短裤三种产品,需发挥潜力。

利用四象限分析方法(波士顿矩阵图)对比分析不同产品的利润和客单价情况。

本作品采用波士顿矩阵原理,对产品的“利润”和“客单价”两个指标进行分析。

综上,“明星产品”为当季新品、配件。同时,T恤利润最高,且客单价也较高。优衣库应该不断的合理加强管理、投资,积极扩大这几个产品的经济规模和市场机会,以长远利益为目标,提高市场占有率,加强竞争地位。最后,应注意换季新品的适时投入,推广引导销售,促进销售增长。

由上图各类型产品的利润分布可知,T恤是利润最高的产品,利润达到63万,T恤利润占整体利润的38%,若加上配件和当季新品的占比就达73%,且不同产品类别的利润差异相差较大;其他产品的利润均在31万以下,毛衣、袜子、裙子、牛仔裤、短裤、运动服饰利润不到10万;运动和短裤的利润占比不到5%。

不同产品的购买数量及订单数量也基本同步变化,销量分布排名前三产品类型的有T恤、当季衣服、配件。

各类型产品的购买量分布差异同样巨大,T恤的销量和销售额达到整体占比的40%以上,T恤的购买量是当季衣服购买量的3倍多,是配件购买量的4倍多。

T恤销量达到1.8万件以上,其他类型产品都在6千件以下;其中运动、毛衣、裙子的销量甚至还不到2千件。

购买量的大小能反映客户的产品消费偏好,日常生活中T恤的消耗量大,加上各类优衣库联名款的宣传加持,T恤产品最受客户的欢迎。

女性用户占比是男性用户占比的2.3倍,女性用户的群体占比最大,符合如今用户群体消费的女性是消费主力的特征。

无论是线上还是线下渠道,对比男性用户,女性用户仍然是消费主力群体。在男女用户中,线下渠道客户数量是线上渠道客户数量的4倍。

从不同城市的销售额分布来看,销售额排名前三的城市有深圳、杭州、武汉,都达到50万以上的销售额,其中深圳达到了70万以上的销售额,其他城市的销售额均在40万以下。其中西安、成都和北京及南京等城市的销售额较低,均在在22万以下。

北京市的利润分布实在是太低了,是什么原因呢?利用联动分析,将北京市各产品类型的利润进行展开。

发现北京市的利润分布差距更大,T恤销售达3.1万,但是销售利润上万的仅配件和T恤,而袜子、毛衣、裙子、短裤、牛仔裤、运动类型的产品利润才3600以下,运动类型产品利润甚至不到1000。

北京的店铺需要调整产品类型的布局,增加T恤、配件、当季新品的库存和摆放,对于其他类型的产品还需要其他的数据进行调查论证究竟是什么原因导致的产品利润低。

(同样可以利用此方法对南京等其他城市进行探索分析,此处不再重复)

由上图可知,除了广州外其他城市的销量都是线下渠道销量高于线上渠道向量,不同城市的线上线下渠道销量的差异悬殊,消费者更喜欢在线下消费,其中上海的线下渠道销量是线上渠道销量的2倍,重庆的销量是线下是线上的7倍,西安的销量是线下是线上的5倍,只有武汉的线上及线下渠道销量基本齐平,消费者对于线上和线下渠道的选择不具有较大差异性,相较于其他城市而言消费者人数分布较均衡。而广州是唯一一个线上销售渠道下消费者人数超过线下渠道的城市,与其他城市相反,广州的消费者更加偏向于在优衣库的线上店铺进行消费,线上销售渠道的消费者人数约为线下的2倍。

按照客户消费习惯以及优衣库的价格销售策略,加上衣物普遍需要试穿才能确定是否适合的特点。大部分人是会在线下店铺里选品、试穿、然后合适就购买,或者在线下店铺选品、试穿然后记住合适的产品,在线上进行下单加购直到遇到更合适的价格再付款,所以线下渠道的销售仍然是主流,线上渠道的销售起锦上添花的作用。对于未开通线上渠道销售的深圳杭州等城市可考虑开通线上渠道销售,对于整体销售会有所提升。

由以上表格展示的工作日与周末的销售额、购买量及客户数分布情况可知,工作日的销售额比周末的高得多。但是由常识可以知道优衣库周末的销售明显比工作日更好,周末来店购买的人普遍更多。原因是因为工作日的销售额是5天的累积,而周末是2天的销售额累积。

为了更直观展示销售情况,所以上表增加了平均指标,发现确实是周末各类指标的平均销售都比工作日的平均销售更高,周末的平均指标都比工作日的平均指标的1.7倍。

(1)对于产品偏好类型分析,消费者比较偏好购买T恤、当季新品和配件类型的产品,且三种商品的销售利润达到整体销售利润的73%,是优衣库最为热卖的前三商品。

其中T恤利润占整体利润的38%,且不同产品类别的利润差异相差较大,运动和短裤的利润占比不到5%。

(2)按用户性别属性分析,女性用户数量占比是男性用户数量的2.3倍,在男女用户中,线下渠道客户数量是线上渠道客户数量的4倍。

(5)依据用户购物渠道划分,优衣库的消费者更加偏向于进行线下渠道的消费。并且通过对十座一线城市的渠道销量情况的分析,可以发现深圳、杭州、成都、南京以及北京仅存在线下销售渠道,在线上和线下渠道共有的城市中,仅有广州的消费者更加偏向于在优衣库的线上店铺进行消费,线上销售渠道的消费者人数约为线下的2倍。其余城市的线下渠道销量可以达到线上的两倍及以上。

THE END
1.数据清洗的概念常见问题及实践方法数据已成为企业和组织决策的重要依据,然而,原始数据往往存在各种质量问题,如缺失值、错误值、重复数据等,这些问题严重影响了数据分析的准确性和可靠性。数据清洗作为数据预处理的关键环节,能够有效地解决这些问题,为后续的数据分析和挖掘打下坚实的基础。 今天,让我们一起了解数据清洗的概念、常见问题及实践方法。 https://blog.csdn.net/weixin_44958787/article/details/141850204
2.pythonpython葡萄酒国家分布情况数据分析pyecharts可视化二、设计思路 好的,结合上述代码,我们可以从数据读取、数据清洗和数据处理三个方面详细讲解代码的设计思路和实现过程。 1. 数据读取 数据读取是数据分析的第一步,代码中通过两种方式读取 CSV 文件的数据:使用csv模块和pandas库。 使用csv模块读取数据 import csvfilename = 'winemag-data.csv'with open(filename, https://developer.aliyun.com/article/1581254
3.实施数据分析项目有哪些流程?从数据准备到解决方案全面解析!在数据清洗层,我们对原始数据进行初步处理,移除异常值(例如,观看时长超过24小时或地理位置数据异常的记录)。这一步骤对于确保后续分析的准确性至关重要。 数据汇总层 数据汇总层根据分析需求,将用户行为按照特定主题进行聚合,形成轻量级的聚合指标表。例如,在直播应用项目中,我们可以将用户的登录、订阅、观看、弹幕和送https://www.fanruan.com/bw/bd-sjfxxmss
4.基于Python技术的电商个性化推荐系统的灵感来源python商品推荐数据清洗 数据可视化及分析 结论与建议 分析思路 其实就今天的数据来讲,我们主要做的是探索性分析;首先梳理已有的字段,有标题(提取出品类)、价格、销量、店铺名、发货地。下面来做一下详细的维度拆分以及可视化图形选择: 品类: 品类销量的 TOP 10 有哪些?(表格或者横向条形图) https://blog.51cto.com/u_14152/11729805
5.小浣熊家族:自媒体新手的快速成长指南AI程序员海军分析思路 数据收集 收集各大自媒体平台的用户数据、内容数据、活动数据等 数据来源包括平台后台统计、第三方数据分析工具、问卷调查等 数据清洗 对收集到的数据进行清洗,去除重复和无效数据 确保数据的准确性和一致性 数据分析 使用数据分析工具(如 Python、R、Excel 等)进行数据处理和分析 https://xie.infoq.cn/article/66e2c96a2abe28aa81fd4c129
6.帆软FineBI数据编辑,帮你省下80%浪费在数据处理的时间!②历史步骤可见,让分析思路可回溯,处理过程变透明 用Excel做分析存在一个明显的弊端就是操作步骤不可见,不知道中间做了哪些步骤,如果想查看计算逻辑,只有两个方法:要么CTRL+Z回退,要么点进函数一个一个查看。 FineBI的数据编辑,可以针对历史操作步骤进行追溯、灵活调整历史操作步骤,解决历史操作不可见的问题。对于个人https://www.360doc.cn/mip/1132147943.html
7.Prompt用得好,增长工作下班早1.数据清洗 你是一位资深数据分析师,具备深厚的数据分析技能与行业经验。你擅长应用各种数据分析工具和技术,对数据进行挖掘、整合、分析,现在我有一份销售数据,是jason格式的,帮我把数据处理一下,直接输出表格。 2.找数据分析思路 你是一位XX行业的市场营销分析专家,请根据这份数据集合,给出4个不同方向的分析主题https://www.niaogebiji.com/article-645093-1.html
8.www.ptzfcg.gov.cn/upload/document/20180724/0279275ee54644f69.2投标人应在投标截止时间前按照福建省政府采购网上公开信息系统设定的操作流程将电子投标文件上传至福建省政府采购网上公开信息系统,同时将投标人的CA证书连同密封的纸质投标文件送达招标文件第一章第10条载明的地点,否则投标将被拒绝。 10、开标时间及地点:详见招标公告或更正公告(若有),若不一致,以更正公告(若有)http://www.ptzfcg.gov.cn/upload/document/20180724/0279275ee54644f6adb79e806e1b3734.html
9.图像数据清洗方法.pptx数智创新 变革未来图像数据清洗方法 图像数据清洗简介 数据清洗必要性 常见图像数据问题 数据清洗基本流程 图像预处理技术 图像噪声处理方法 图像标注修正技术 总结与展望Contents Page目录页 图像数据清洗简介图像数据清洗方法 图像数据清洗简介图像数据清洗简介1.图像数据清洗的定义和重要性:图像数据清洗是指通过一系列技术https://max.book118.com/html/2023/1110/7116145134006004.shtm
10.请问机场出租车相关的数据在哪找得到?因此,针对异常数据的清洗是在数据的正式处理分析之前必须做的重要步骤。缺少这一步骤,在后续的处理中很可能产生错误的分析结果。在出租车GPS数据中也不可避免地存在一定的数据异常。这里我们以数据中存在的异常载客状态为例,介绍数据异常的情况以及数据清洗的思路。https://www.yoojia.com/ask/17-11950137789821619087.html