一、背景描述

电子商务行业整体数字、网站运营数据数字、用户数据、各种转化率数据、广告投放数据等等无一不具有最重要的战略意义。现在的互联网企业越来越重视数据分析的价值所在。

我们此次要分析英国某电商平台交易的数据集，数据集包含2010年1月12日至2011年12月9日期间在线零售业务中发生的所有交易。该公司主要销售独特的全场礼品。许多客户都是该公司的批发商。

数据来源于

二、思考路径

1，电商行业的业务指标

2，我们想要解决的问题

a，为了能更好安排不同国家的商品类型和价格策略。需要知道不同国家对商品价格的偏好是什么？

b，统计出一年当中，哪个月度销量最高？为网站的销售旺季，提前做好流量管理；提前安排好采购、物流等工作。

c，每个国家卖得最好的商品有哪些？及时发现网购退货率数据分析，做好不同国家的商品供应和库存管理。

d，各国消费水平的差异？制定不同的运营战略。

e，商品的单品退货率如何，整体退货率百分比？可以快速帮助商家找到问题所在。

3，分析思路

4，熟悉数据集字段

InvoiceNo订单编号，StockCode商品编号，Description描述，Quantity数量，InvoiceDate订单日期，UnitPrice单价，CustomerID顾客ID，Country国家

三、分析的过程

数据清洗

数据集大小：541909x8

1，根据我们需要解决的业务问题，C列商品描述和B列商品编号是一一对应关系，只需要保留B列就可以了，我们选择隐藏。

2，为了更方便和直观，我们对列名重命名。

3，删除数据重复项

由于各字段，订单编号、商品编号、描述、数量、订单日期、单价、顾客ID、国家，按照收集规则，各列都可能会存在数据重复的问题，因此不做删除重复项的操作。

4网购退货率数据分析，缺失值处理

数量列、订单号、数量、国家、单价、商品编号计数均为541910，客户编号缺失，因为缺失值较多，并且是不可计算或者预估的，故做删除处理。

删除空值

删除完成之后，各列数据没有缺失值

5，一致化处理

筛选方式检查各列数据，发现‘数量’负值为退货商品，分列处理，定义新列命名为退货数量，购买数量。

后面我们需要做销售额的比较，销售额=单价*购买数量，因此我们增加一列，并且调用乘法函数。

订单时间做分列处理，同时做日期的一致化处理，分出订单的日期和时间两列。

6，按照销售量降序排序

四、构建模型

1，数据透视表统计各国的销售额

数据可视化处理

2，各国商品销量前十名统计

数据可视化处理

3，数据透视表统计网站月度、季度销售额及销量

数据可视化处理

4，客单价的计算方式

客单价=销售总额/总客户数

由于，客户编号的计数统计出来的数据有重复，所以在各国客户人数上，我们用Count函数继续统计。结果写入F5。以此给各国做客单价计算。

平台客单价计算方式，是把各国count之后的数据求和，再拿销售额总数/Sum(Count各国客户)。结果放在H5。

新建一个工作簿，用Vlookup函数把计

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！