第七章电商数据分析综合案例课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2019/12/5,#,第七章 电商数据分析综合案例,中国IT教育解决方案专家,2019,年,*月,第七章 电商数据分析综合案例中国IT教育解决方案专家,1,目 录,Contents,01,电商数据背景分析,02,数据处理,03,数据分析,04,数据展示,目 录 01电商数据背景分析02数据处理03数据分析04数据,2,电商数据背景分析,01,电商数据背景分析01,7.1,电商数据背景分析,大数据时代给电子商务发展带来新的机遇与挑战，大数据技术帮助电子商务行业发现新的商业模式，尤其是用户行为预测分析和购物商品关联分析己经在电商领域得到了很好的应用，并已经帮助电商获得了巨大的利润。其中用户行为分析是大数据电商应用领域最常用的技术手段，该技术通过研究用户在互联网上的行为数据，如用户在访问某个电商网站时，用户浏览、点击、购买、评价某种商品的行为，可以让企业更加详细、清楚地了解用户的行为习惯，从而为企业的经营提供支持。,案例以某电商类网站商品交易数据为基础，对“双十一“在内的近六个月的交易数据（脱敏数据）完成数据处理，同时对数据中品牌商品，尤其是热门品牌和商品，进行点击量、加入购物车量、购买量、关注量进行分析和预测，对购买客户的年龄、性别、区域特点进行分析和总结。,7.1电商数据背景分析大数据时代给电子商务发展带来新的机遇与,4,7.1,电商数据背景分析,1. user_id |,买家,id,2. item_id |,商品,id,3. cat_id |,商品类别,id,4. merchant_id |,卖家,id,5. brand_id |,品牌,id,6. month |,交易时间,:,月,7. day |,交易事件,:,日,8. action |,行为,取值范围,0,1,2,3,0,表示点击，,1,表示加入购物车，,2,表示购买，,3,表示关注商品,9. age_range |,买家年龄分段：,1,表示年龄,=50,0,和,NULL,则表示未知,10. gender |,性别,:0,表示女性，,1,表示男性，,2,和,NULL,表示未知,11. province|,收获地址省份,12. ident_code |,商品唯一标识码,13. score |,用户评分,7.1电商数据背景分析1. user_id | 买家id 9,5,数据处理,02,数据处理02,7.2,数据处理,【,任务描述,】,对电商数据进行数据处理，要求如下：,（,1,）根据日期建立时间列，时间列格式为日期格式，如,2015-01-01,，列名为,date,，并去除原来的,month,和,day,列。,（,2,）统计,2015,年,10,月,11,日,-2015,年,11,月,11,日之间，每天用户的不同行为的数量，列名为不同行为，时间为索引。,【,操作步骤,】,（,1,）根据“,month”,和“,day”,列数据，运用,Date,函数生成,date,列。,鼠标单击“,action”,所在列，选中该列，右键单击鼠标，在弹出的快捷菜单中单击“插入”菜单项，则在“,day”,列和“,action”,列之间插入一空列，如图,7- 1,所示。,7.2 数据处理【任务描述】,7,7.2,数据处理,图,7-,1,电商案例源数据,7.2 数据处理图7- 1 电商案例源数据,8,7.2,数据处理,光标定位于,H2,单元格，鼠标单击“插入函数”按钮 ，弹出“插入函数”对话框，选择类别“日期与时间”,“Date”,函数，单击“确定”按钮，弹出如图,7- 2,所示的“函数参数”对话框。,光标定位于,Year,右侧的输入框，输入,2015,，光标定位于,Month,右侧的输入框，选取,F2,单元格，光标定位于,Day,右侧的输入框，选取,G2,单元格，单击“确定”按钮，即可生成,Date,列数据。,选中,Date,列，设置其格式为：“日期”,-“2012-03-14”,。,图,7-,2 Date,函数参数对话框,7.2 数据处理光标定位于H2单元格，鼠标单击“插入函,9,7.2,数据处理,（,2,）统计,2015,年,10,月,11,日,-2015,年,11,月,11,日之间，每天用户的不同行为的数量，列名为不同行为，时间为索引。,单击“数据”选项卡中的“筛选”按钮。,单击,Date,列右侧的向下箭头，在弹出的快捷菜单中，单击“日期筛选”,“,自定义筛选”，如图,7- 3,所示。,图,7-,3,筛选快捷菜单,7.2 数据处理（2）统计2015年10月11日-201,10,7.2,数据处理,在弹出的“自定义自动筛选方式”对话框中，设置显示行,Date“,在以下日期之后或与之相同,“2015-10-11”,，“在以下日期之前或与之相同,-“2015-11-11”,，单击“确定”按钮，将筛选出来的数据复制至一个新的,sheet,表，并将其重命名为“,10,月,11,月数据”。,选中新表中的数据源，单击“插入”“数据透视表”，弹出“创建数据透视表”对话框，如图,7- 4,所示。选择需要分析的数据区域，以及数据透视表放置的位置，单击“确定”按钮。,图,7- 4,创建数据透视表,7.2 数据处理在弹出的“自定义自动筛选方式”对话框中,11,7.2,数据处理,进入数据透视表的分析窗口，按日分析统计不同行为的数量，则拖动,date,字段至“行”区域，拖动,action,字段至“列”区域，再将,action,字段拖动至“值”区域，并设置其“值字段汇总方式”为“计数”，如图图,7- 5,所示。,图,7- 5,数据透视表字段设置,7.2 数据处理进入数据透视表的分析窗口，按日分析统计,12,7.2,数据处理,修改分析显示结果中的列标签，“,0”,修改为“点击”，“,1”,修改为“加入购物车”，“,2”,修改为“购买”，“,3”,修改为“关注商品”，最终结果如图,7- 6,所示。,图,7- 6,数据透视表结果,7.2 数据处理修改分析显示结果中的列标签，“0”修改,13,数据分析,03,数据分析03,7.3,数据分析,【,任务描述,】,针对某电商平台,2015,年几个月的用户行为数据，挖掘点击量与购买量之间的关系，并预测假如,10000,点击量购买量为多少？,【,操作步骤,】,（,1,）统计每日用户行为数据,选中电商源数据，鼠标单击“插入”选项卡“图表”区域的“数据透视图”，弹出如图,7- 7,所示的“创建数据透视图”对话框，单击“确定”按钮即可。,图,7- 7 “,创建数据透视表”对话框,7.3 数据分析【任务描述】图7- 7 “创建数据透视,15,7.3,数据分析,进入数据透视表的分析窗口，按日分析统计不同行为的数量，则拖动,date,字段至“行”区域，拖动,action,字段至“列”区域，再将,action,字段拖动至“值”区域，并设置其“值字段汇总方式”为“计数”，如图,7- 8,所示。,图,7- 8,数据透视表字段设置,7.3 数据分析进入数据透视表的分析窗口，按日分析统计,16,7.3,数据分析,修改分析显示结果中的列标签，“,0”,修改为“点击”，“,1”,修改为“加入购物车”，“,2”,修改为“购买”，“,3”,修改为“关注商品”，最终结果如图,7- 9,所示。,图,7- 9,数据透视表结果,7.3 数据分析修改分析显示结果中的列标签，“0”修改,17,7.3,数据分析,选取“数据透视表结果”中的日期、点击、购买列数据，复制至一个新的工作表，将无数据的单元格用“,0”,替换，如图,7- 10,所示。,图,7- 10,处理后的数据分析源数据,7.3 数据分析选取“数据透视表结果”中的日期、点击、,18,7.3,数据分析,（,2,）分析“点击”和“购买”二个变量间的相关性,选中数据分析源数据，单击“数据”选项卡中的“数据分析”，弹出如图,7- 11,所示的对话框，选择其中的“相关系数”，单击“确定”按钮。,图,7- 11 “,数据分析”对话框,7.3 数据分析（2）分析“点击”和“购买”二个变量间的,19,7.3,数据分析,在如图,7- 12,所示的“相关系数”对话框中，设置“输入区域”为“点击”和“购买”所在列数据，“分组方式”选择“逐列”，勾选“标志位于第一行”，根据需要设置“输出选项”，此处设置“输出区域”为,$F$1,，则在源数据所在工作表的,F1,单元格为左上角的矩形区域显示相关分析结果，单击“确定”按钮。,图,7- 12 “,相关系数”对话框,7.3 数据分析在如图7- 12所示的“相关系数”对话,20,7.3,数据分析,相关系数分析结果如图,7- 13,所示，“点击”和“购买”二个变量的相关系数是,0.918079,，属高度正相关。,（,3,）建立“点击”和“购买”二个变量回归分析模型,单击“数据”选项卡中的“数据分析”按钮，在如图,7- 11,所示的“数据分析”对话框中，选择“回归”，单击“确定”按钮。,图,7- 13 “,相关系数”分析结果,7.3 数据分析相关系数分析结果如图7- 13所示，“,21,7.3,数据分析,在如图,7- 14,所示的“回归”对话框中，对各类参数做如下设置。,Y,值输入区域：输入需要分析的因变量数据区域，此处选择“购买”列所在数据。,X,值输入区域：输入需要分析的自变量数据区域，此处选择“点击”列所在数据。,标志：勾选“标志”复选框。,置信度：勾选“置信度”复选框，输入“,95%”,。,输出区域：此处选择,F6,单元格，回归分析结果显示在以,F6,单元格为左上角的区域。,残差：勾选“残差”和“标准残差”,图,7- 14 “,回归”参数设置对话框,7.3 数据分析在如图7- 14所示的“回归”对话框中,22,7.3,数据分析,在如图,7- 15,所示的回归统计表中显示，,Multiple R,为,0.9181,，说明“点击”和“购买”二个变量高度正相关；,R Square,为,0.8429,，说明回归模型拟合效果较好,在如图,7- 16,所示的方差分析表中显示，,F,统计量值为,981.6318,，说明“点击”和“购买”二个变量具有显著的线性关系；,Significance F,值为,1.84E-75,，小于等于,0.01,，说明检验结果具有极其显著的统计学意义。,图,7- 14 “,回归”参数设置对话框,图,7- 16,方差分析表,7.3 数据分析在如图7- 15所示的回归统计表中显示,23,7.3,数据分析,如图,7- 17,所示的回归系数表显示，回归模型的斜率为,0.1160,，截距为,-12.42,，因此点击量和购买量的简单线性回归模型为,Y=0.116X-12.42,。,根据上述简单线性回归模型，预测点击量为,10000,时，购买量约为,1148,。,图,7- 17,回归系数表,7.3 数据分析如图7- 17所示的回归系数表显示，回,24,数据展示,04,数据展示04,7.4,数据展示,【,任务描述,】,根据电商数据进行如下可视化分析展示：,（,1,）用折线图画出用户,10,月份每日购买、点击、加入购物车、关注的变化趋势图。,（,2,）分析出各个地区男女购买量的特点，用柱状图表示，横坐标为省份，纵坐标上半部分为男性购买量，下半部分为女性购买量，总量为总购买量。,【,操作步骤,】,（,1,）用折线图画出用户,10,月份每日购买、点击、加入购物车、关注的变化趋势图,选中电商源数据，鼠标单击“插入”选项卡“图表”区域的“数据透视图”，弹出如图,7- 18,所示的“创建数据透视图”对话框，单击“确定”按钮即可。,需要展示每日用户行为变化趋势，因此在“数据透视图字段”对话框中，将,Date,字段拖动至轴类别区域，将系统默认增加的“月”字段拖动至“筛选”区域， 将,action,字段拖动至“图例（系列）”区域，再将,action,字段拖动至“值”区域并将“值字段设置”为“计数”，如图,7- 19,所示。,7.4 数据展示【任务描述】,26,7.4,数据展示,图,7-,18,“创建数据透视图”对话框,图,7- 19 “,数据透视图字段”对话框,7.4 数据展示图7- 18 “创建数据透视图”对话框图,27,7.4,数据展示,鼠标单击“数据透视工具”选项卡中的“更改图表类型”，选择“带数据标记的折线图”，单击“确定”按钮。,单击“月”字段右侧向下箭头，选择 “,10,月”，单击“确定”按钮，如图,7- 20,所示，即可以折线图展示,10,月份用户的行为趋势，结果如图,7- 21,所示。,图,7- 20,选择月份,图,7- 21 10,月用户行为趋势图,7.4 数据展示鼠标单击“数据透视工具”选项卡中的“更,28,7.4,数据展示,（,2,）分析各个地区男女购买量的特点,选中电商源数据，鼠标单击“插入”选项卡“图表”区域的“数据透视图”，弹出如图,7- 18,所示的“创建数据透视图”对话框，单击“确定”按钮即可。,需要展示各地区男女购买量，因此在“数据透视图字段”对话框中，将,province,字段拖动至轴类别区域，将,gender,字段拖动至“图例（系列）”区域，再将,gender,字段拖动至“值”区域并将“值字段设置”为“计数”，如图,7- 22,所示。,图,7- 22 “,数据透视图字段”设置对话框,7.4 数据展示（2）分析各个地区男女购买量的特点图7-,29,7.4,数据展示,鼠标单击“数据透视工具”选项卡中的“更改图表类型”，选择“堆积柱形图”，单击“确定”按钮，结果如图,7- 23,所示。,图,7- 23,各地区男女购买量可视化展示图,7.4 数据展示鼠标单击“数据透视工具”选项卡中的“更,30,THANKS,！,THANKS！,31,