一、作品选题
通过对国内某电商平台家电（冰箱）销售数据进行分析，窥探数据背后传递出的用户消费习惯及偏好。
1、选手介绍
团队名称：一马腾飞
队长介绍：帆软社区用户名zuozzz，账号id：1148061。
目前就职于华能太仓港务公司，目前在人资与党建部门主要独立负责工会工作。
成员介绍：帆软社区用户名88991122，账号id：1106276。
丁小飞，前端开发。
2、参赛初衷
也经过了一年的数据分析学习，借此机会检验一下自己的学习成果。
二、作品介绍
1、业务背景/需求痛点
简述业务背景，如：
互联网电商行业日新月异，针对国内某电商平台一日的冰箱销售数据进行分析，得出该电商平台冰箱消费用户的消费习惯，并给活动出业务建议。
2、数据来源
贪心学院课程：京东AI数据分析实训营。http://47.94.6.102/jd-Data_analysis/course-info/tree/master/ppt/jws/data/0816
3、分析思路
（1）观察数据
首先我们拿到数据后，观察数据集中的字段描述：
t.user_log_acct, --用户账号
t.parent_sale_ord_id, --父订单号
t.sale_ord_id, --订单号
t.sale_ord_tm, --订单时间
t.sale_ord_dt, --订单日期
t.item_sku_id, --商品sku
t.item_name, --商品名称
t.brandname, --品牌名称
t.sale_qtty, --商品数量
t.item_first_cate_name, --一级品类名称
t.item_second_cate_name, --二级品类名称
t.item_third_cate_name, --三级品类名称
t.before_prefr_unit_price, --优惠前单价
t.after_prefr_unit_price, --优惠后单价
t.user_actual_pay_amount, --实际支付价格
t.sale_ord_valid_flag, --订单有效标志
t.cancel_flag, --订单取消标志
t.check_account_tm, --支付时间
t.total_offer_amount, --总优惠金额
t.self_ord_flag, --自营标志
t.user_site_city_id ,--用户所在城市编号
t.user_site_province_id,--用户所在省份编号
t.user_lv_cd --用户会员等级
可以看到数据包括了订单信息（订单编号、价格、日期、数量等）以及用户信息（用户所在城市编号、会员等级等），整体数据以订单信息为主，所以我们在分析时侧重对订单的分析。
（2）数据清洗
在观察数据过后，通过字段之间的逻辑关系来剔除部分不合理数据，比如：
总优惠金额不得大于优惠前单价；
实际支付价格不得小于0；
支付时间不得早于订单时间；等
以及处理一些空数据：
对于用户账号为空时，我们根据空数据的数量可以直接删除整行数据；
用户所在城市编号及用户所在省份编号为空时，思考原因，若不影响分析过程则不作处理或赋予固定值；等
（3）数据分析
a.从单条数据维度进行分析：
比如通过对订单时间的统计分析，可以确定用户的下单时间规律；
通过对用户所在城市编号及用户所在省份编号分析，可以得出不同省市的消费习惯。
b.从数据整体进行分析：
比如通过对用户所在城市编号及订单数量、订单有效标志进行分析，可以分析出不同省的有效订单数量分布。
4、数据处理
（1）通过借助jupyter notebook对数据非空统计及数据的逻辑性进行分析：
a.缺失值处理：
用户账号有5个空数据，基于数据量对分析结果不构成影响，直接删除这5行数据。
支付时间存在23271个空值，猜测原因是订单尚未支付，不影响分析，可以将其赋特殊值代替或者不处理
用户所在城市编号存在38190个空值，用户所在省份编号存在38033个空值，猜测原因是部分用户在填写个人信息时，因个人隐私等原因，未填或漏填了信息，不影响分析，可以用‘缺失值’代替。
b.数据逻辑错误
通过词条之间的逻辑性来分析数据：
before_prefr_unit_price（优惠前单价）、after_prefr_unit_price（优惠后单价）、user_actual_pay_amount（实际支付价格）这三列数据应该大于0，total_offer_amount（总优惠金额）此列数据应该大于等于0。
同时优惠前冰箱的最低价格为288，有14252条数据最低价格高于288，是保修、返现等无价值订单，故只筛选出优惠前价格大于288的数据。
通过筛选后，符合要求的数据共计62379条。
c.去重：
删除sale_ord_id（订单号）重复的值，余下共计61535条数据。
（2）数据分析：
a.宏观分析
在订单数据中分为有效订单及取消订单，统计取消订单及未取消订单的占比（见图一）及支付和未支付订单占比（见图二）。
 
图一 图二
对订单的价格分布进行分析（图三）：可以看到订单价格为2800左右时，订单量达到总量的80百分之。
图三
对品牌订单量进行分析（图四）：发现海尔、容声连个品牌占据订单量的30%。
图四
b.微观分析
订单数量：
从有效订单在时间上的分布（图四）及人均有效订单在时间上的分布（图五）来看：
图五--有效订单量
图六--人均有效订单量
可以看到在0点时，有效订单处于最高值，人均有效订单家出现了两个波峰，一个是晚上0点，一个是中午11点。
客单价：
我们对客单价及平均订单价（图六）进行分析：客单价及平均价格都在0点达到了峰值，在下午13点至晚上23点持续处于低值。
图七
针对0时的订单价格进行分析（图七）：发现80%的订单的价格都小于4000,元，说明用户的购物喜好偏向于4000元以下的订单。
图八
不同品牌的平均支付价格（图九）：西门子、松下、卡萨帝的客单价均超过3000元，其中卡萨帝超过了4000元，格力客单价超过了2000元。
图九
5、可视化报告
（1）数据含义表达和图表排版布局，如
在仪表盘的布局上采用了以分析类型来划分区域，左边一列的三个表格是针对订单量的分析。
右边一列是针对平均订单价格及优惠前后价格对比的分析图表，中间下面两个图表放置平均优惠金额及品牌客单价。
因为饼图及词云这种类型的图表表现数据形式较为直观，给人输出的观点比较清晰明了，所以放置在中间偏上的位置。
全局仪表盘图片：
（2）通过分析得出的结论
通过对不同时段有效订单数量、人均有效订单量，得出用户下单集中在晚上0点，
通过对品牌的客单价及订单数量进行分析，得出用户更喜欢购买2800元以下的产品，海尔为最受欢迎的品牌，卡萨帝、西门子、松下三个品牌的平均价格均高于3000。
通过对以上的分析，得出以下结论：
用户更偏向于海尔这种客单价低于2800的产品，如果平台需要搞活动或推动品类的销量时，建议将优惠券发放时间或底价开售时间放在晚上0点，活动主要针对的产品为优惠后2800元以下的产品。
三、参赛总结
1、FineBI工具
FineBI最大的亮点就是自动绘制仪表盘的功能，而且仪表盘绘制结束后会带数据的联动，在一个组件中点击一个数据，其他的组件的表格也会相应的改变。
2、参赛总结
在第一次使用FineBI这个软件的过程中还是遇到了很多的问题，比如不太清楚在哪里可以键入公式，导致很多在python上的分析，在最终的可视化报告中并没有呈现出来，只能在数据分析部分以两个结合起来的方式进行展示。
在最后导出的部分，导出pdf只能很直观的呈现仪表盘，但是缺失了数据联动这一功能，导出excel也是，希望可以在后面的更新中，导出excel之后可以分sheet绘制表格，并且可以进行数据联动。 | 
