利用 Python 分析了某化妆品企业的销售情况，我得出的结论是？

概述【导语】本篇文章是关于某化妆品企业的销售分析。从分析思路思路开始带大家一步步的用python进行分析，找出问题，并提出解决方案的整个流程。需求：希望全面了解此某妆品企业的销售情况，帮助企业运营领导层了解企业整体销售运营情况及商品销售情况，为该企业的营销策略提供相对应的建议和销

【导语】本篇文章是关于某化妆品企业的销售分析。从分析思路思路开始带大家一步步的用python进行分析，找出问题，并提出解决方案的整个流程。

需求：希望全面了解此某妆品企业的销售情况，帮助企业运营领导层了解企业整体销售运营情况及商品销售情况，为该企业的营销策略提供相对应的建议和销售策略。

业务分析流程1、 场景（诊断现状）

对象：用户；销售
关注点：找到影响销售的增长因素
目标：发现问题&提出解决方案

2、需求拆解

分析销售趋势，找到影响企业营收增长的商品或区域

按月份销售趋势图（整体）
商品销售额对比（一级、二级，找出最低、最高）
区域销售额对比（下钻：区、省，找出最低、最高）

探索不同商品的销售状况，为企业的商品销售，提出策略建议

不同月份的各个产品的销售额占比情况
产品相关分析

分析用户特征、购买频率、留存率等

购买频率分布
复购率（重复购买用户数量(两天都有购买过算重复)/用户数量）
同期群分析（按月）

3、代码实现

获取数据（excel）

为某化妆品企业 2019 年 1 月-2019 年 9 月每日订单详情数据和企业的商品信息数据，包括两个数据表，销售订单表和商品信息表。其中销售订单表为每个订单的情况明细，一个订单对应一次销售、一个订单可包含多个商品。

import pandas as pdimport matplotlib.pyplot as pltimport matplotlib as mplmpl.rcParams['Font.family'] = 'SimHei'import numpy as npimport warningswarnings.filterwarnings("ignore")data = pd.read_excel('C:/Users/cherich/Desktop/日化.xlsx',enCoding='gbk')data.head()复制代码

data_info = pd.read_excel('C:/Users/cherich/Desktop/日化.xlsx',enCoding='gbk',sheet_name='商品信息表')data_info复制代码

数据清洗和加工

data = data.dropna()# 订购数量结尾有字符'个'data['订购数量'] = data['订购数量'].apply(lambda x:str(x)[:-1] if str(x)[-1] == '个' else x)data['订购数量'] = data['订购数量'].astype(int)# 订购数量结尾有字符'元'data['订购单价'] = data['订购单价'].apply(lambda x:str(x)[:-1] if str(x)[-1] == '元' else x)data['订购单价'] = data['订购单价'].astype(int)# 日期里有特殊字符 2019#3#11def proess_date(df): pos = str(df).find('#') if pos!= -1: df = str(df).split('#') return df[0]+'-'+df[1]+'-'+df[2] else: return df# res = proess_date(df ='2019#3#11')data['订单日期'] = data['订单日期'].apply(proess_date)data['订单日期'] = data['订单日期'].apply(lambda x:str(x).replace('年','-').replace('月','-') if '年' in str(x) else x )data['订单日期'] = pd.to_datetime(data['订单日期'])`#data.info()data = data[data.duplicated()==False]data['所在省份'].nunique()data['月份'] = data['订单日期'].apply(lambda x:str(x).split('-')[1])`data复制代码

数据可视化

# 两张表数据合并total_data = pd.merge(data,data_info,on='商品编号',how='left')total_data复制代码

groups = data.groupby('月份')x = [each[0] for each in groups]y = [each[1].金额.sum() for each in groups]z = [each[1].金额.count() for each in groups]money_mean = data.金额.sum()/9order_mean = data.金额.count()/9plt.figure(figsize=(18, 10), dpi=80)plt.subplot(221)plt.plot(x, y,linewidth=2)plt.axvspan('07', '08', color='#EE7621', Alpha=0.3)plt.axhline(money_mean, color='#EE7621', linestyle='--',linewidth=1)plt.Title("每月销售额趋势图",color='#4A708B',Fontsize=24)plt.ylabel("金额/(亿)",Fontsize=16)plt.subplot(222)plt.plot(x, z, linewidth=2, color = '#EE7621')plt.axvline('07', color='#4A708B', linestyle='--',linewidth=1)plt.axhline(order_mean, color='#4A708B', linestyle='--',linewidth=1)plt.Title("每月订单量趋势图",color='#4A708B',Fontsize=24)plt.ylabel("订单/(单)",Fontsize=16)plt.show()复制代码

图表说明：从整体来看，销售额和订单量从4月开始大幅度上升，均高于均值；8月份开始呈下降趋势，处于均值水平。

groups_category= total_data.groupby(['月份','商品大类'])category1 = []category2 = []for i,j in groups_category:#     print(i,j.月份.count())    if i[1]=='彩妆':        category1.append(j.金额.sum())    else:        category2.append(j.金额.sum())labels = xxticks = np.arange(len(labels))wIDth = 0.5p = np.arange(len(labels))fig, ax = plt.subplots(figsize=(18,8))rects1 = ax.bar(p - wIDth/2, category1,wIDth, label='彩妆',color='#FFEC8B')rects2 = ax.bar(p + wIDth/2, category2, wIDth, label='护肤品',color='#4A708B')ax.set_ylabel('销售额/(亿)')ax.set_Title('每月护肤品和彩妆的销售额对比图(大类)')ax.set_xticks(xticks)ax.set_xticklabels(labels)ax.legend()plt.show()复制代码

图表说明：护肤品需求满足大多数人，明显高于彩妆。并且5月—8月是护肤品需求旺季。相比彩妆的变化不明显。

groups_categorys= total_data.groupby('商品小类')x = [each[0] for each in groups_categorys]y = [each[1].金额.sum() for each in groups_categorys]fig = plt.figure(figsize=(18,8),dpi=80)plt.Title('各个品类的销售额对比图',color='#4A708B',Fontsize=24)plt.ylabel('销售额(元)',Fontsize=15)colors = ['#6699cc','#4A708B','#CDCD00','#DAA520','#EE7621','#FFEC8B','#CDCD00','#4A708B','#6699cc','#DAA520','#4A708B','#FFEC8B']for i, group_name in enumerate(groups_categorys):    lin1 =plt.bar(group_name[0], group_name[1].金额.sum(),wIDth=0.8,color=colors[i])    for rect in lin1:        height = rect.get_height()        plt.text(rect.get_x()+rect.get_wIDth()/2, height+1, int(height),ha="center",                 Fontsize=12)plt.xticks(Fontsize=15)plt.grID()plt.show()复制代码

图表说明：面膜的销售额第一，其次是面霜、爽肤水。销售额最低的是蜜粉，眼影。

total_data = total_data.dropna()total_data['所在区域'] = total_data['所在区域'].apply(lambda x:str(x).replace('男区','南区').replace('西 区','西区'))groups_area= total_data.groupby(['所在区域','商品小类'])results = {} for i,j  in groups_area:     money = int(j.金额.sum())    if i[0] in results.keys():        results[i[0]][i[1]] = money         else:        results[i[0]] = {}           for cate in category_names:            results[i[0]][cate] = 0        results[i[0]]['口红'] = moneyresults= {key_data:List(values_data.values()) for key_data,values_data in results.items()}def survey1(results, category_names):    labels = List(results.keys())    data = np.array(List(results.values()))    data_cum = data.cumsum(axis=1)    category_colors = plt.get_cmap('RdYlGn')(        np.linspace(0.15, 0.85, data.shape[1]))    fig, ax = plt.subplots(figsize=(25,8))    ax.invert_yaxis()    ax.xaxis.set_visible(False)    ax.set_xlim(0, np.sum(data, axis=1).max())    for i, (colname, color) in enumerate(zip(category_names, category_colors)):        wIDths = data[:, i]        starts = data_cum[:, i] - wIDths        ax.barh(labels, wIDths, left=starts, height=0.5,                label=colname, color=color)        xcenters = starts + wIDths / 2        r, g, b, _ = color        text_color = 'white' if r * g * b < 0.5 else 'darkgrey'        for y, (x, c) in enumerate(zip(xcenters, wIDths)):            ax.text(x, y, str(int(c)), ha='center', va='center',color=text_color)    ax.legend(ncol=len(category_names), bBox_to_anchor=(0, 1),              loc='lower left', Fontsize='small')    return fig, axsurvey1(results, category_names)plt.show()复制代码

图表说明：东部地区占市场份额的35%左右，份额最低的是西部地区。

area_names = List(total_data.商品小类.unique())groups_priv= total_data.groupby(['所在省份','商品小类'])results = {} for i,j  in groups_priv:     money = int(j.金额.sum())    if i[0] in results.keys():        results[i[0]][i[1]] = money         else:        results[i[0]] = {}           for cate in category_names:            results[i[0]][cate] = 0        results[i[0]]['口红'] = moneyresults= {key_data:List(values_data.values()) for key_data,values_data in results.items()}def survey2(results, category_names):    labels = List(results.keys())    data = np.array(List(results.values()))    data_cum = data.cumsum(axis=1)    category_colors = plt.get_cmap('RdYlGn')(        np.linspace(0.15, 0.85, data.shape[1]))    fig, ax = plt.subplots(figsize=(25,20))    ax.invert_yaxis()    ax.xaxis.set_visible(False)    ax.set_xlim(0, np.sum(data, axis=1).max())    for i, (colname, color) in enumerate(zip(category_names, category_colors)):        wIDths = data[:, i]        starts = data_cum[:, i] - wIDths        ax.barh(labels, wIDths, left=starts, height=0.5,                label=colname, color=color)        xcenters = starts + wIDths / 2    ax.legend(ncol=len(category_names), bBox_to_anchor=(0, 1),              loc='lower left', Fontsize='small')    return fig, axsurvey2(results, area_names)plt.show()复制代码

图表说明：江苏销售额第一，其次是广东省；销售额最低的是宁夏、内蒙、海南

import numpy as npimport matplotlib.pyplot as pltcategory_names = List(total_data.商品小类.unique())groups_small_category= total_data.groupby(['月份','商品小类'])results = {} for i,j  in groups_small_category:     money = int(j.金额.sum())    if i[0] in results.keys():        results[i[0]][i[1]] = money         else:        results[i[0]] = {}           for cate in category_names:            results[i[0]][cate] = 0        results[i[0]]['口红'] = moneyresults= {key_data:List(values_data.values()) for key_data,values_data in results.items()}def survey(results, category_names):    labels = List(results.keys())    data = np.array(List(results.values()))    data_cum = data.cumsum(axis=1)    category_colors = plt.get_cmap('RdYlGn')(        np.linspace(0.15, 0.85, data.shape[1]))    fig, ax = plt.subplots(figsize=(25,8))    ax.invert_yaxis()    ax.xaxis.set_visible(False)    ax.set_xlim(0, np.sum(data, axis=1).max())    for i, (colname, color) in enumerate(zip(category_names, category_colors)):        wIDths = data[:, i]        starts = data_cum[:, i] - wIDths        ax.barh(labels, wIDths, left=starts, height=0.5,                label=colname, color=color)        xcenters = starts + wIDths / 2#         r, g, b, _ = color#         text_color = 'white' if r * g * b < 0.5 else 'darkgrey'#         for y, (x, c) in enumerate(zip(xcenters, wIDths)):#             ax.text(x, y, str(int(c)), ha='center', va='center')    ax.legend(ncol=len(category_names), bBox_to_anchor=(0, 1),              loc='lower left', Fontsize='small')    return fig, axsurvey(results, category_names)plt.show()复制代码

图表说明：眼霜、爽肤水、面膜：4，5，6，7，8月份需求量最大；粉底、防晒霜、隔离霜、睫毛膏、蜜粉1，2，3月份需求量最大。

data_user_buy=total_data.groupby('客户编码')['订单编码'].count()data_user_buyplt.figure(figsize=(10,4),dpi=80)plt.hist(data_user_buy,color='#FFEC8B')plt.Title('用户购买次数分布',Fontsize=16)plt.xlabel('购买次数')plt.ylabel('用户数')plt.show()复制代码

图表说明：大部分用户购买次数在10次-35次之间，极少部分用户购买次数80次以上

date_rebuy=total_data.groupby('客户编码')['订单日期'].apply(lambda x:len(x.unique())).rename('rebuy_count')date_rebuyprint('复购率:',round(date_rebuy[date_rebuy>=2].count()/date_rebuy.count(),4))复制代码

total_data['时间标签'] = total_data['订单日期'].astype(str).str[:7]total_data = total_data[total_data['时间标签']!='2050-06']total_data['时间标签'].value_counts().sort_index()total_data = total_data.sort_values(by='时间标签')month_lst = total_data['时间标签'].unique()final=pd.DataFrame()final#引入时间标签for i in range(len(month_lst)-1):    #构造和月份一样长的列表，方便后续格式统一    count = [0] * len(month_lst)    #筛选出当月订单，并按客户昵称分组    target_month = total_data.loc[total_data['时间标签']==month_lst[i],:]    target_users = target_month.groupby('客户编码')['金额'].sum().reset_index()    #如果是第一个月份，则跳过（因为不需要和历史数据验证是否为新增客户）    if i==0:        new_target_users = target_month.groupby('客户编码')['金额'].sum().reset_index()    else:        #如果不是，找到之前的历史订单        history = total_data.loc[total_data['时间标签'].isin(month_lst[:i]),:]        #筛选出未在历史订单出现过的新增客户        new_target_users = target_users.loc[target_users['客户编码'].isin(history['客户编码']) == False,:]    #当月新增客户数放在第一个值中    count[0] = len(new_target_users)    #以月为单位，循环遍历，计算留存情况    for j,ct in zip(range(i + 1,len(month_lst)),range(1,len(month_lst))):        #下一个月的订单        next_month = total_data.loc[total_data['时间标签'] == month_lst[j],:]        next_users = next_month.groupby('客户编码')['金额'].sum().reset_index()        #计算在该月仍然留存的客户数量        isin = new_target_users['客户编码'].isin(next_users['客户编码']).sum()        count[ct] = isin    #格式转置    result = pd.DataFrame({month_lst[i]:count}).T    #合并    final = pd.concat([final,result])final.columns = ['当月新增','+1月','+2月','+3月','+4月','+5月','+6月','+7月','+8月']result = final.divIDe(final['当月新增'],axis=0).iloc[:]result['当月新增'] = final['当月新增']result.round(2)复制代码

同期群分析

图表说明：由新增用户情况看，新用户逐月明显减少；留存率在1月-5月平均在50%，6月-8月留存率上升明显。

结论与建议

1、从销售额趋势来看，整体是上升趋势，但是从8月份销售额突然下降，可能因为到淡季，需进一步确认原因；

2、商品销售额，用户对护肤品具有强烈的需求，尤其是面膜，爽肤水、面霜、眼霜。较低需求的是蜜粉。可以把高需求产品，组合成礼盒等套装活动；

3、商品销售建议：眼霜、爽肤水、面膜：4，5，6，7，8月需求最大；粉底、防晒霜、隔离霜、睫毛膏、蜜粉1，2，3月需求最大。以上说明用户购买特定产品具有周期性；

4、从地域来看，东部地区是消费的主力军，其中江苏省、广东省、浙江省的销售额最大。可以增大市场投放量；也可以考虑在该地区建仓，节省物流等成本；

5、用户：重点维护购买次数在10次-35次之间的用户群体；

6、留存率在99%，证明用户对产品有一定的依赖性；

7、从同期群分析来看，新用户明显减少，应考虑拉新，增加平台新用户（主播带货等）；

总结

以上是内存溢出为你收集整理的利用 Python 分析了某化妆品企业的销售情况，我得出的结论是？全部内容，希望文章能够帮你解决利用 Python 分析了某化妆品企业的销售情况，我得出的结论是？所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。