數據分析實戰案例-銷售額為什麼會減少？

數據分析實戰案例1

<code>數據分析實戰一書中介紹的案例分析流程清晰明確，案例可學程度高。但是苦於案例是基於R語言實現的，由於本人正在學習Python，故嘗試使用Python實現書中案例。/<code>

為什麼銷售額會減少？

社交遊戲的銷售額分析

<code>一款叫作《黑貓拼圖》的社交遊戲本月的銷售額相較上月有所下滑，於是想調查下滑的原因，並提升銷售額。/<code>

• 現狀：同上月相比銷售額下降了
• 預期：銷售額恢復到同上月一樣的水平

發現問題：

<code>
為了明確現狀和預期之間的差距具體表現在哪裡，我們需要知道本月和上月相比有哪些地方不同。通過整體運營流程請，做分析假設如下：

1
.在商業宣傳上存在問題 

2
.每月以不用的主題開展的遊戲活動存在問題
/<code>

通過諮詢市場部及開發部，做簡單的驗證，發現：

<code>由於預算的緣故，和上月相比，本月並沒有開展那麼多的商業宣傳活動
遊戲活動的內容和上月相比幾乎沒有變化
那麼，導致銷售額下降的原因很可能是第一條假設。由於宣傳活動減少，導致新用戶減少。為此，進行下一步深入的數據分析，找出原因並提出解決措施。/<code>

數據收集與加工

<code>通過簡單的假設驗證後發現可能因宣傳活動減少，造成新用戶減少，銷售額減少。為此，需要通過實際數據來做進一步分析驗證。/<code>

完成驗證所需要的數據：

• DAU 每天至少來訪問1次的用戶數據
• DPU 每天至少消費1日元的用戶數據
• Install 記錄每個用戶首次玩這個遊戲的時間的數據

導入相應模塊及文件

<code>
import
 numpy 
as
 np
import
 pandas 
as
 pd
import
 csv
import
 matplotlib.pyplot 
as
 plt
%matplotlib 
inline
dau = pd.read_csv(
'H:\《數據分析實戰》書中數據和R代碼\R\section3-dau.csv'
)
dpu = pd.read_csv(
'H:\《數據分析實戰》書中數據和R代碼\R\section3-dpu.csv'
)
install = pd.read_csv(
'H:\《數據分析實戰》書中數據和R代碼\R\section3-install.csv'
)/<code>

查看文件信息及是否存在缺失值

加工分析所需的數據（前期處理）

1.把用戶信息數據（dau）和首次使用的日期數據（install）相結合

為了得到某一天首次玩《黑貓拼圖》遊戲的人數，我們需要將用戶ID作為Key，把具有相同用戶ID的用戶信息和Install數據結合起來。

<code>
dau_install
 = pd.merge(dau,install,left_on = (
'user_id'
,
'app_name'
),right_on =(
'user_id'
,
'app_name'
))
dau_install.head(
5
)/<code>

2.將上述數據再與消費信息數據（DPU）相結合

為了得到在某一天有消費行為的用戶數量，把用戶id和消費日期作為key，將DAU和DPU的數據結合起來。

<code>
dau_install_pay
 = pd.merge(dau_install,dpu,left_on = (
'log_date'
,
'app_name'
,
'user_id'
),right_on = (
'log_date'
,
'app_name'
,
'user_id'
),
                           how =
'left'
)
dau_install_pay.head(
5
)/<code>

日期格式處理

由於表格中兩個日期均為字符串格式，因此需要進行格式轉換，然後增加log_month、install_month列。

<code>dau_install_pay[
'log_date'
] = pd.to_datetime(dau_install_pay[
'log_date'
],
format
 =
'%Y-%m-%d'
)
dau_install_pay[
'install_date'
] = pd.to_datetime(dau_install_pay[
'install_date'
],
format
 =
'%Y-%m-%d'
)
dau_install_pay[
'log_month'
]=dau_install_pay[
'log_date'
].dt.month
dau_install_pay[
'install_month'
]=dau_install_pay[
'install_date'
].dt.month/<code>

新增用戶屬性

通過註冊月份與登錄月份比對，是否為當月新增用戶，添加到新的列‘user_type’。

<code>
def
 
user_type
(a,b) 
:

    
if
 a== b:
        
return
 
'install'
    
else
:
        
return
 
'existing'
dau_install_pay[
'user_type'
]=dau_install_pay.apply(
lambda
 x: user_type(x.log_month,x.install_month),axis=
1
)/<code>

篩選有消費行為的用戶信息

<code>
dau_install_pay
 = dau_install_pay[dau_install_pay[
'payment'
]>
0
]/<code>

按月份進行數據統計分析

對比本月與上月的已有用戶和新用戶消費額

<code>data_pay = dau_install_pay.pivot_table(
values
=
'payment'
,
index
=
'log_month'
,
columns
= 
'user_type'
,aggfunc=np.sum)
data_pay/<code>

user_type existing install log_month 6 177886.0 49837.0 7 177886.0 29199.0

新增用戶的消費數據分析

觀測哪個消費層次用戶流失較為嚴重

<code>
data_install_m6
=dau_install_pay[(dau_install_pay[
'user_type'
]== 
'install'
)&(dau_install_pay[
'log_month'
]== 
6
)]
data_install_m7
=dau_install_pay[(dau_install_pay[
'user_type'
]== 
'install'
)&(dau_install_pay[
'log_month'
]== 
7
)]/<code>

消費層次分組

<code>data_install_m6=data_install_m6.groupby(by=[
'user_id'
],as_index=
False
)[
'payment'
].agg({
'pay_sum6'
:np.sum})
data_install_m7=data_install_m7.groupby(by=[
'user_id'
],as_index=
False
)[
'payment' 
].agg({
'pay_sum7'
:np.sum})

bins = [
0
,
2000
,
4000
,
6000
,
8000
,
10000
,
12000
,
14000
]
labels = [
'2K以下'
,
'2k-4k'
,
'4k-6k'
,
'6k-8k'
,
'8k-10k'
,
'10k-12k'
,
'12k-14k'
]

data_install_m6[
'cut'
]= pd.cut(data_install_m6.loc[:,
'pay_sum6'
],bins,right=
False
,labels=labels)
data_install_m7[
'cut'
]= pd.cut(data_install_m7.loc[:,
'pay_sum7'
],bins,right=
False
,labels=labels)

data_install_m6=data_install_m6.cut.value_counts()
data_install_m7=data_install_m7.cut.value_counts()/<code>

數據可視化

1.繪製新老用戶月銷售額對比圖

<code>ix_1 = np.arange(
len
(data_pay.index))
x_list = [
'2013-6'
,
'2013-7'
]
plt.figure(figsize=(
8
,
7
),dpi=
80
)
font = {
'family'
:
'SimHei'
,
'size'
:
12
}
plt.rc(
'font'
,**font)
plt.xlabel(
'log_month'
)
plt.ylabel(
'total.payment(JPY)'
)
plt.xticks(ix_1,x_list)
plt.title(
'Monthly Sales'
)
plt.bar(ix_1,data_pay[
'existing'
],label=
'existing'
,color=
'grey'
,width=
0.68
,alpha=
0.5
)
plt.bar(ix_1,data_pay[
'install'
],bottom=data_pay[
'existing'
],label=
'install'
,color=
'black'
,width=
0.68
,alpha= 
0.5
)
plt.legend(loc=
1
)
plt.savefig(
'Monthly Sales.jpg'
)
plt.show()/<code>

從圖中來看，已有用戶帶來的銷售額幾乎沒有變化，而新用戶帶來的銷售額卻下降了，由此導致本月銷售額整體下降。也就是說，我們在初步分析中得到的結果很順利地驗證了之前提出的假設。

2.新用戶月消費情況

<code>ix_2=np.arange(
len
(labels))
total_width,n=
0.98
,
2
width=total_width/n

plt.figure(figsize=(
10
,
6
),dpi=
80
)
plt.title(
'Consumption Level'
)
plt.xlabel(
'payment(JPY)'
)
plt.ylabel(
'count'
)
plt.xticks(ix_2,labels)
plt.bar(ix_2-(width/
2
),data_install_m6,label=
'Jun'
,width=width,color=
'grey'
,alpha=
0.6
)
plt.bar(ix_2+(width/
2
),data_install_m7,label=
'Jul'
,width=width,color=
'black'
,alpha=
0.6
)
plt.legend(loc=
1
)
plt.savefig(
'consumption level.jpg'
)
plt.show()/<code>

圖中，數據用柱形圖的形式表示出來，從圖中我們可以看出，和上月（2013年6月）相比，本月（2013年7月）消費額在2000日元以下的用戶數量減少了。

解決對策

根據此前數據分析的結果，我們可以知道：

1.《黑貓拼圖》遊戲的銷售額和上月相比減少了（事實）

2.通過觀察銷售額數據的構成，發現新用戶帶來的銷售額減少了，其中消費額在2000日元以下的輕度消費用戶的人數減少所造成的影響最大（事實）

3.將商業宣傳活動恢復到與上月相同的水平（確信度較高的解決方案） 基於上述結果，我們可以採取下面的解決對策來提升銷售額。

新用戶中的消費用戶數量減少了，特別是消費金額較少的小額消費用戶數量減少了。因此，公司需要再次開展商業宣傳活動並恢復到之前的水平，這樣才有可能提升潛在用戶對公司產品的認知度，增加新的用戶。這樣一來，才會增加小額消費用戶數量，將銷售額恢復到與上月相同的水平。

點個贊再走吧-_-!