零售商超数据分析

一、背景介绍和分析目的

　　移动互联网、大数据、人工智能、物流等技术的快速发展，传统零售业态与电商平台的深度融合，催生出新兴的业态和新商业模式。同时消费者发生了变化，80、90后成消费主力，他们对高质量商品的需求快速增强，对服务性消费的需求潜力也在不断释放，购物时越来越追求方便快捷，购物渠道从割裂走向融合。人们的消费观念不断转变，为迎合消费者新需求，线上线下融合成为商超行业发展趋势，众多新兴技术运用到商超零售的各个环节，商超零售全链条实现数据智能化升级，提升效率，优化体验。在此背景下，传统线下零售商如何更好地提升顾客购物体验？线上零售商如何增加顾客消费粘性？深度挖掘用户价值变得越来越重要，需要我们从数据角度深度挖掘出它的价值，为商业提供决策。

  提出问题：

　　1. 最近几个月运营效果如何？有什么异常处吗？

　　2. 针对某一个专题点进行分析，用户行为有什么特征，且如何来划分？

二、分析数据

2.1 数据来源

 　　两家零售商超店铺2016-2017两年真实数据

2.2 熟悉数据

 　　

  　　

  　　

  　　

  　　

  　　

2.3 数据清洗

　　零售数据相对其他行业数据来说还相对干净，我们先看一下订单表（orderlist）信息，其他表同理

　　2.3.1 缺失值处理：

   　可以看到，只有memberid字段有 null ， 这是由于有些客户没有注册会员。SQL清洗数据太不方便了， 我们改用Python快速查看数据描述。

　　查看一下memberinfo 表中信息

# 将 demo 数据库中 goods 表前 1000 条记录导出为.xlsx 文件保存到电脑本地、 然后再导入到 Python 中。
import pymysql
import pandas as pd
sql_cmd = "SELECT * FROM demo.MemberInfo ; "  # 大小写敏感
db = pymysql.connect(host = "xxxxx", user = "xxxxx",password = "xxxx",db = "demo" ,charset = "utf8")
# host：数据库地址/本机使用localhost  
# user：用户名  
# password：密码  
# db:数据库名  
# charset：数据库编码，一般为UTF-8
#注：如果用户名或密码中包含特殊符号@、%等符号时，需要修改密码方可链接
df = pd.read_sql(sql_cmd, db)
df.info()

  可以看到没有任何字段有缺失值 而且都是非空数据， 一共有12187条纪录

　　2.3.2 重复值处理

　　

  　　可以看到没有重复值，根据订单id 来筛选

2.4 数据分析并可视化

 　　2.4.1  2017年每月份两家店的利润和销售额。

-- 2017年每月的利润和销售额
SELECT  A.ShopID 
                ,year(A.SDate) as '年'
                ,MONTH(A.SDate) as '月' 7                 ,sum(A.SaleValue) as '销售额'
                ,sum(A.SaleValue)-sum(A.CostValue) as '利润'
FROM    demo.OrderItem as A 
WHERE    year(A.SDate)= 2017 11 GROUP BY   A.ShopID 
                    ,year(A.SDate)
                    ,MONTH(A.SDate)
                    ,day(A.SDate) 
ORDER BY  year(A.SDate)
                 ,MONTH(A.SDate)
                 ,day(A.SDate);

 上传中。。。。。

三、结论与建议