项目背景

电商销售数据是数据分析入门最经典的真实场景之一。每一笔订单背后都藏着用户行为、市场趋势和运营机会。在这个实战项目中，我们将扮演一家电商公司的数据分析师，从原始订单数据出发，完成一个完整的数据分析闭环。

业务问题定义

分析开始之前，我们要先明确业务方关心的问题：

  1. 销售额的整体趋势如何？有没有季节性规律？
  2. 哪些产品和品类贡献了主要收入？
  3. 客户的地域分布是怎样的？
  4. 哪些客户是高价值用户？如何区分不同价值的客户群体？
  5. 未来一个月销售额大概会是多少？

这些问题将指导我们后续的每一步分析。

数据加载与初始探索

我们先加载数据并了解基本情况。

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')

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

df = pd.read_csv('ecommerce_orders.csv')
print(f'数据集大小: {df.shape}')
print(f'列名: {df.columns.tolist()}')
df.head()

假设我们的数据包含以下字段：

字段 含义 类型
order_id 订单编号 字符串
customer_id 客户编号 字符串
product_id 产品编号 字符串
category 产品类别 字符串
price 单价 浮点数
quantity 数量 整数
order_date 订单日期 日期
shipping_address 收货地址 字符串
payment_method 支付方式 字符串
status 订单状态 字符串 
df.info()
df.describe()

数据清洗

现实数据很少是完美的。我们需要处理几个典型问题。

处理退货记录

退货记录通常表现为数量为负或状态为"returned"。

# 查看订单状态分布
print(df['status'].value_counts())

# 分离正常订单和退货
returns = df[df['status'] == 'returned']
normal_orders = df[df['status'] != 'returned']

print(f'正常订单: {len(normal_orders)}')
print(f'退货订单: {len(returns)}')

# 计算净销售额时剔除退货
df['net_amount'] = df.apply(
    lambda row: row['price'] * row['quantity'] if row['status'] != 'returned' else 0,
    axis=1
)

处理缺失价格

missing_price = df[df['price'].isna()]
print(f'缺失价格的记录数: {len(missing_price)}')

# 用同类产品的中位数填充
category_median_price = df.groupby('category')['price'].transform('median')
df['price'].fillna(category_median_price, inplace=True)

# 验证填充结果
print(f'填充后缺失值: {df["price"].isna().sum()}')

处理无效日期

# 尝试转换日期，无效日期转为 NaT
df['order_date'] = pd.to_datetime(df['order_date'], errors='coerce')

# 删除无效日期的记录
invalid_dates = df[df['order_date'].isna()]
df = df.dropna(subset=['order_date'])

print(f'删除无效日期记录: {len(invalid_dates)}')

计算销售额

df['amount'] = df['price'] * df['quantity']
df['order_month'] = df['order_date'].dt.to_period('M')
df['order_week'] = df['order_date'].dt.isocalendar().week.astype(int)
df['order_dow'] = df['order_date'].dt.dayofweek  # 周一=0

探索性分析

销售趋势分析

# 日销售额趋势
daily_sales = df.groupby(df['order_date'].dt.date)['amount'].sum()

fig, axes = plt.subplots(3, 1, figsize=(14, 10))

daily_sales.plot(ax=axes[0], title='每日销售额趋势', color='#2E86AB')
axes[0].set_ylabel('销售额')

# 周销售额
weekly_sales = df.groupby('order_week')['amount'].sum()
weekly_sales.plot(ax=axes[1], title='每周销售额趋势', color='#A23B72')
axes[1].set_ylabel('销售额')

# 月销售额
monthly_sales = df.groupby('order_month')['amount'].sum()
monthly_sales.plot(ax=axes[2], title='每月销售额趋势', color='#F18F01')
axes[2].set_ylabel('销售额')

plt.tight_layout()
plt.show()

观察趋势图时，我们要关注几个关键信号：

  • 上升或下降趋势：业务在增长还是萎缩？
  • 周期性波动：是否存在周末效应或月末效应？
  • 异常峰值或低谷：是否对应促销活动或突发事件？

星期几的销售模式

dow_sales = df.groupby('order_dow')['amount'].agg(['sum', 'count'])
dow_sales.index = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']

fig, ax = plt.subplots(figsize=(10, 5))
dow_sales['sum'].plot(kind='bar', ax=ax, color=['#4C72B0', '#55A868', '#C44E52',
                                                  '#8172B2', '#CCB974', '#64B5CD', '#E5A23C'])
ax.set_title('各星期销售额分布')
ax.set_ylabel('销售额')
for i, v in enumerate(dow_sales['sum']):
    ax.text(i, v + 500, f'{v/10000:.1f}万', ha='center')
plt.show()

产品品类表现

# 各品类销售额
category_sales = df.groupby('category')['amount'].agg(['sum', 'count', 'mean'])
category_sales = category_sales.sort_values('sum', ascending=False)

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

colors = plt.cm.Set3(np.linspace(0, 1, len(category_sales)))
axes[0].pie(category_sales['sum'], labels=category_sales.index,
            autopct='%1.1f%%', colors=colors, startangle=90)
axes[0].set_title('各品类销售额占比')

# 各品类平均客单价
category_sales['mean'].plot(kind='bar', ax=axes[1], color='#2E86AB')
axes[1].set_title('各品类平均订单金额')
axes[1].set_ylabel('平均金额')

plt.tight_layout()
plt.show()

print(category_sales)

地域分布

# 简单的地域分析 - 假设地址包含省份信息
df['province'] = df['shipping_address'].str.extract(r'(北京|上海|天津|重庆|河北|山西|辽宁|吉林|黑龙江|江苏|浙江|安徽|福建|江西|山东|河南|湖北|湖南|广东|广西|海南|四川|贵州|云南|西藏|陕西|甘肃|青海|宁夏|新疆|内蒙古)')

province_sales = df.groupby('province')['amount'].sum().sort_values(ascending=False)

fig, ax = plt.subplots(figsize=(12, 6))
province_sales.head(15).plot(kind='bar', ax=ax, color='#2E86AB')
ax.set_title('销售额 Top 15 省份')
ax.set_ylabel('销售额')
plt.xticks(rotation=45)
plt.show()

客户购买频率

# 每个客户的购买次数
customer_freq = df.groupby('customer_id')['order_id'].nunique()
print(customer_freq.describe())

# 购买次数分布
fig, axes = plt.subplots(1, 2, figsize=(14, 5))

customer_freq.plot(kind='hist', bins=30, ax=axes[0], color='#A23B72', edgecolor='white')
axes[0].set_title('客户购买次数分布')
axes[0].set_xlabel('购买次数')

# 累计百分比
freq_pct = customer_freq.value_counts().sort_index()
freq_cumsum = freq_pct.cumsum() / freq_pct.sum() * 100
freq_pct.plot(kind='bar', ax=axes[1], color='#55A868', alpha=0.7)
axes[1].set_title('购买次数分布（柱状图+累计百分比）')
axes[1].set_xlabel('购买次数')

plt.tight_layout()
plt.show()

RFM 客户分群

RFM 分析是客户价值分析的核心方法。它从三个维度衡量客户价值：

  • Recency（最近一次购买）：距离现在多久没买了？值越小越好
  • Frequency（购买频率）：买了多少次？值越大越好
  • Monetary（消费金额）：总共花了多少钱？值越大越好
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# 计算 RFM 指标
reference_date = df['order_date'].max()

rfm = df.groupby('customer_id').agg({
    'order_date': lambda x: (reference_date - x.max()).days,  # R
    'order_id': 'nunique',  # F
    'amount': 'sum'  # M
}).rename(columns={
    'order_date': 'Recency',
    'order_id': 'Frequency',
    'amount': 'Monetary'
})

print(rfm.describe())

# 处理异常值（截尾处理）
for col in ['Recency', 'Frequency', 'Monetary']:
    upper = rfm[col].quantile(0.99)
    rfm[col] = rfm[col].clip(upper=upper)

# 标准化
scaler = StandardScaler()
rfm_scaled = scaler.fit_transform(rfm[['Recency', 'Frequency', 'Monetary']])

确定最佳聚类数

# 肘部法则
inertias = []
K_range = range(2, 11)

for k in K_range:
    kmeans = KMeans(n_clusters=k, random_state=42, n_init=10)
    kmeans.fit(rfm_scaled)
    inertias.append(kmeans.inertia_)

# 轮廓系数
from sklearn.metrics import silhouette_score

silhouettes = []
for k in range(2, 11):
    kmeans = KMeans(n_clusters=k, random_state=42, n_init=10)
    labels = kmeans.fit_predict(rfm_scaled)
    sil = silhouette_score(rfm_scaled, labels)
    silhouettes.append(sil)

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

axes[0].plot(K_range, inertias, 'bo-')
axes[0].set_title('肘部法则')
axes[0].set_xlabel('K')
axes[0].set_ylabel('惯性')

axes[1].plot(range(2, 11), silhouettes, 'ro-')
axes[1].set_title('轮廓系数')
axes[1].set_xlabel('K')
axes[1].set_ylabel('轮廓系数')

plt.tight_layout()
plt.show()

# 选择 K=4
kmeans = KMeans(n_clusters=4, random_state=42, n_init=10)
rfm['Cluster'] = kmeans.fit_predict(rfm_scaled)

分群解读

# 分析每个聚类的特征
cluster_profile = rfm.groupby('Cluster').agg({
    'Recency': 'mean',
    'Frequency': 'mean',
    'Monetary': 'mean',
    'customer_id': 'count'
}).rename(columns={'customer_id': 'Count'})

print(cluster_profile)

# 雷达图展示
from math import pi

fig, ax = plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True))

categories = ['Recency (逆)', 'Frequency', 'Monetary']
N = len(categories)

# 标准化到 0-1 方便对比
rfm_norm = (rfm[['Recency', 'Frequency', 'Monetary']] - rfm[['Recency', 'Frequency', 'Monetary']].min()) / \
           (rfm[['Recency', 'Frequency', 'Monetary']].max() - rfm[['Recency', 'Frequency', 'Monetary']].min())
rfm_norm['Recency'] = 1 - rfm_norm['Recency']  # 越近越好，所以反转

for cluster in range(4):
    values = rfm_norm[rfm['Cluster'] == cluster][['Recency', 'Frequency', 'Monetary']].mean().values.tolist()
    values += values[:1]
    angles = [n / float(N) * 2 * pi for n in range(N)]
    angles += angles[:1]
    ax.plot(angles, values, 'o-', label=f'Cluster {cluster}')
    ax.fill(angles, values, alpha=0.1)

ax.set_xticks(angles[:-1])
ax.set_xticklabels(categories)
ax.set_title('各客户分群特征对比')
ax.legend(loc='upper right')
plt.show()

客户分群解读与运营策略

分群 R F M 标签 运营策略
0 高 高 高 重要价值客户 VIP 维护，专属优惠
1 低 高 高 重要保持客户 定期唤醒，防止流失
2 中 中 中 一般发展客户 提升购买频次
3 高 低 低 低价值客户 自动化营销，低成本维护 
# 给客户打标签
def label_cluster(row):
    if row['Cluster'] == 0:
        return '重要价值客户'
    elif row['Cluster'] == 1:
        return '重要保持客户'
    elif row['Cluster'] == 2:
        return '一般发展客户'
    else:
        return '低价值客户'

rfm['Segment'] = rfm.apply(label_cluster, axis=1)

# 各分群的销售额贡献
segment_revenue = rfm.groupby('Segment')['Monetary'].sum().sort_values(ascending=False)
fig, ax = plt.subplots(figsize=(8, 5))
colors_dict = {'重要价值客户': '#C44E52', '重要保持客户': '#55A868',
               '一般发展客户': '#4C72B0', '低价值客户': '#8172B2'}
segment_revenue.plot(kind='bar', ax=ax, color=[colors_dict[s] for s in segment_revenue.index])
ax.set_title('各客户分群销售额贡献')
ax.set_ylabel('总销售额')
for i, v in enumerate(segment_revenue):
    ax.text(i, v + 500, f'{v/10000:.1f}万', ha='center')
plt.show()

销售额预测

使用时间序列方法预测未来一个月的销售额。

from statsmodels.tsa.holtwinters import ExponentialSmoothing
from sklearn.metrics import mean_absolute_error, mean_absolute_percentage_error

# 准备每日销售时间序列
daily = df.groupby(df['order_date'].dt.date)['amount'].sum().reset_index()
daily.columns = ['ds', 'y']
daily['ds'] = pd.to_datetime(daily['ds'])
daily = daily.set_index('ds').asfreq('D').fillna(0)

# 划分训练集和测试集
train = daily[:-14]
test = daily[-14:]

# Holt-Winters 季节性模型
model = ExponentialSmoothing(
    train['y'],
    seasonal_periods=7,
    trend='add',
    seasonal='add'
)
fitted = model.fit()

# 预测
forecast = fitted.forecast(30)  # 预测未来30天

fig, ax = plt.subplots(figsize=(14, 6))
ax.plot(train.index, train['y'], label='训练集', color='#4C72B0')
ax.plot(test.index, test['y'], label='测试集', color='#55A868')
ax.plot(forecast.index, forecast, label='预测值', color='#C44E52', linestyle='--')
ax.set_title('销售额预测（Holt-Winters 模型）')
ax.set_ylabel('日销售额')
ax.legend()
plt.show()

# 评估
test_forecast = fitted.forecast(14)
mae = mean_absolute_error(test['y'], test_forecast)
mape = mean_absolute_percentage_error(test['y'], test_forecast)
print(f'MAE: {mae:.2f}')
print(f'MAPE: {mape:.2%}')

业务建议

基于以上分析，我们给业务团队提出以下建议：

1. 品类策略

  • 核心品类：销售额占比最高的品类应作为库存和营销重点
  • 高客单价品类：虽然销量可能不高，但利润率高，适合做精准推荐
  • 潜力品类：增长率高的品类值得加大投入

2. 客户运营

  • 重要价值客户（VIP）：提供专属客服、会员日特权、新品优先体验
  • 重要保持客户：针对长时间未购买的客户发送定向优惠券，设置流失预警
  • 一般发展客户：通过交叉销售和向上销售提升客单价

3. 营销节奏

  • 季节性备货：根据历史销售周期提前调整库存
  • 促销时机：结合星期效应和月度效应安排促销活动
  • 地域差异：针对高增长区域加大市场投放

4. 数据建议

  • 统一数据采集标准，确保字段完整性
  • 建立客户画像体系，收集更多行为数据
  • 搭建自动化报表系统，实时监控核心指标

小结

在这个实战项目中，我们完整走了一遍电商数据分析流程：从业务问题定义，到数据清洗和探索性分析，再到 RFM 客户分群和时间序列预测，最后产出可执行的业务建议。

关键知识点回顾：

  • 数据清洗是数据分析最耗时但最重要的环节
  • 可视化是发现模式和沟通结论的有力工具
  • RFM 模型是客户分群的经典方法，结合 K-Means 可以实现自动化分群
  • 时间序列预测需要考虑趋势和季节性成分
  • 分析的最终产出是业务决策建议，而不仅仅是数字

在下一篇文章中，我们将聚焦用户行为分析，深入探索用户的完整行为路径。