Πωλήσεις καταστήματος και ανάλυση κερδών χρησιμοποιώντας Python
April 14, 2023Οι πωλήσεις καταστήματος και η ανάλυση κερδών είναι το έργο της ανάλυσης της απόδοσης ενός καταστήματος λιανικής όσον αφορά τις πωλήσεις και τα κέρδη του. Βοηθά επιχειρήσεις να εντοπίσουν τομείς προς βελτίωση και να λάβουν αποφάσεις βάσει δεδομένων για τη βελτιστοποίηση των στρατηγικών λειτουργίας, τιμολόγησης, μάρκετινγκ και διαχείρισης αποθεμάτων για να αυξήσουν τα έσοδα και την ανάπτυξη. Έτσι, αν θέλετε να μάθετε πώς να αναλύετε τις πωλήσεις και τα κέρδη ενός καταστήματος, αυτό το άρθρο είναι για εσάς. Σε αυτό το άρθρο, θα σας μεταφέρω στην εργασία των πωλήσεων καταστήματος και της ανάλυσης κερδών χρησιμοποιώντας Python.
Πωλήσεις καταστήματος και Ανάλυση κερδών: Σύνολο δεδομένων
Για το έργο της ανάλυσης πωλήσεων και κερδών, πρέπει να έχουμε ένα σύνολο δεδομένων με δεδομένα χρονικής περιόδου, δεδομένα πωλήσεων, δεδομένα προϊόντων, δεδομένα τιμολόγησης, δεδομένα πελατών κ.λπ.
Βρήκα ένα ιδανικό σύνολο δεδομένων για αυτήν την εργασία στο Kaggle. Μπορείτε να κατεβάσετε το σύνολο δεδομένων από εδώ.
Στην παρακάτω ενότητα, θα σας μεταφέρω στην εργασία των Πωλήσεων καταστήματος και της ανάλυσης κερδών χρησιμοποιώντας Python.
Πωλήσεις καταστήματος και ανάλυση κερδών χρησιμοποιώντας Python
Ας ξεκινήσουμε αυτήν την εργασία εισάγοντας τις απαραίτητες βιβλιοθήκες Python και το σύνολο δεδομένων (κατεβάστε το σύνολο δεδομένων από εδώ):
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go
import plotly.io as pio
import plotly.colors as colors
pio.templates.default = "plotly_white"
data = pd.read_csv("Sample - Superstore.csv", encoding='latin-1')
print(data.head())
Row ID Order ID Order Date Ship Date Ship Mode Customer ID \
0 1 CA-2016-152156 11/8/2016 11/11/2016 Second Class CG-12520
1 2 CA-2016-152156 11/8/2016 11/11/2016 Second Class CG-12520
2 3 CA-2016-138688 6/12/2016 6/16/2016 Second Class DV-13045
3 4 US-2015-108966 10/11/2015 10/18/2015 Standard Class SO-20335
4 5 US-2015-108966 10/11/2015 10/18/2015 Standard Class SO-20335
Customer Name Segment Country City ... \
0 Claire Gute Consumer United States Henderson ...
1 Claire Gute Consumer United States Henderson ...
2 Darrin Van Huff Corporate United States Los Angeles ...
3 Sean O'Donnell Consumer United States Fort Lauderdale ...
4 Sean O'Donnell Consumer United States Fort Lauderdale ...
Postal Code Region Product ID Category Sub-Category \
0 42420 South FUR-BO-10001798 Furniture Bookcases
1 42420 South FUR-CH-10000454 Furniture Chairs
2 90036 West OFF-LA-10000240 Office Supplies Labels
3 33311 South FUR-TA-10000577 Furniture Tables
4 33311 South OFF-ST-10000760 Office Supplies Storage
Product Name Sales Quantity \
0 Bush Somerset Collection Bookcase 261.9600 2
1 Hon Deluxe Fabric Upholstered Stacking Chairs,... 731.9400 3
2 Self-Adhesive Address Labels for Typewriters b... 14.6200 2
3 Bretford CR4500 Series Slim Rectangular Table 957.5775 5
4 Eldon Fold 'N Roll Cart System 22.3680 2
Discount Profit
0 0.00 41.9136
1 0.00 219.5820
2 0.00 6.8714
3 0.45 -383.0310
4 0.20 2.5164
[5 rows x 21 columns]
Ας ξεκινήσουμε εξετάζοντας τα περιγραφικά στατιστικά στοιχεία του συνόλου δεδομένων:
Row ID Postal Code Sales Quantity Discount \
count 9994.000000 9994.000000 9994.000000 9994.000000 9994.000000
mean 4997.500000 55190.379428 229.858001 3.789574 0.156203
std 2885.163629 32063.693350 623.245101 2.225110 0.206452
min 1.000000 1040.000000 0.444000 1.000000 0.000000
25% 2499.250000 23223.000000 17.280000 2.000000 0.000000
50% 4997.500000 56430.500000 54.490000 3.000000 0.200000
75% 7495.750000 90008.000000 209.940000 5.000000 0.200000
max 9994.000000 99301.000000 22638.480000 14.000000 0.800000
Profit
count 9994.000000
mean 28.656896
std 234.260108
min -6599.978000
25% 1.728750
50% 8.666500
75% 29.364000
max 8399.976000
Το σύνολο δεδομένων έχει μια στήλη ημερομηνίας παραγγελίας. Μπορούμε να χρησιμοποιήσουμε αυτήν τη στήλη για να δημιουργήσουμε νέες στήλες όπως μήνας παραγγελίας, έτος παραγγελίας και ημέρα παραγγελίας, οι οποίες θα είναι πολύ πολύτιμες για τις πωλήσεις και την ανάλυση κερδών σύμφωνα με χρονικές περιόδους. Ας προσθέσουμε λοιπόν αυτές τις στήλες:
data['Order Date'] = pd.to_datetime(data['Order Date']) data['Ship Date'] = pd.to_datetime(data['Ship Date']) data['Order Month'] = data['Order Date'].dt.month data['Order Year'] = data['Order Date'].dt.year data['Order Day of Week'] = data['Order Date'].dt.dayofweek
Τώρα ας ρίξουμε μια ματιά στις μηνιαίες εκπτώσεις:
sales_by_month = data.groupby('Order Month')['Sales'].sum().reset_index()
fig = px.line(sales_by_month,
x='Order Month',
y='Sales',
title="Monthly Sales Analysis")
fig.show()
Τώρα ας ρίξουμε μια ματιά στις πωλήσεις ανά κατηγορία:
sales_by_category = data.groupby('Category')['Sales'].sum().reset_index()
fig = px.pie(sales_by_category,
values="Sales",
names="Category",
hole=0.5,
color_discrete_sequence=px.colors.qualitative.Pastel)
fig.update_traces(textposition='inside', textinfo='percent+label')
fig.update_layout(title_text="Sales Analysis by Category", title_font=dict(size=24))
fig.show()
Τώρα ας ρίξουμε μια ματιά στις πωλήσεις ανά υποκατηγορία:
sales_by_subcategory = data.groupby('Sub-Category')['Sales'].sum().reset_index()
fig = px.bar(sales_by_subcategory,
x='Sub-Category',
y='Sales',
title="Sales Analysis by Sub-Category")
fig.show()
Ας δούμε τώρα τα μηνιαία κέρδη:
profit_by_month = data.groupby('Order Month')['Profit'].sum().reset_index()
fig = px.line(profit_by_month,
x='Order Month',
y='Profit',
title="Monthly Profit Analysis")
fig.show()
Τώρα ας ρίξουμε μια ματιά στο κέρδος ανά κατηγορία:
profit_by_category = data.groupby('Category')['Profit'].sum().reset_index()
fig = px.pie(profit_by_category,
values="Profit",
names="Category",
hole=0.5,
color_discrete_sequence=px.colors.qualitative.Pastel)
fig.update_traces(textposition='inside', textinfo='percent+label')
fig.update_layout(title_text="Profit Analysis by Category", title_font=dict(size=24))
fig.show()
Τώρα ας ρίξουμε μια ματιά στο κέρδος ανά υποκατηγορία:
profit_by_subcategory = data.groupby('Sub-Category')['Profit'].sum().reset_index()
fig = px.bar(profit_by_subcategory, x='Sub-Category',
y='Profit',
title="Profit Analysis by Sub-Category")
fig.show()
Τώρα ας ρίξουμε μια ματιά στην ανάλυση πωλήσεων και κερδών ανά τμήματα πελατών:
sales_profit_by_segment = data.groupby('Segment').agg({'Sales': 'sum', 'Profit': 'sum'}).reset_index()
color_palette = colors.qualitative.Pastel
fig = go.Figure()
fig.add_trace(go.Bar(x=sales_profit_by_segment['Segment'],
y=sales_profit_by_segment['Sales'],
name="Sales",
marker_color=color_palette[0]))
fig.add_trace(go.Bar(x=sales_profit_by_segment['Segment'],
y=sales_profit_by_segment['Profit'],
name="Profit",
marker_color=color_palette[1]))
fig.update_layout(title="Sales and Profit Analysis by Customer Segment",
xaxis_title="Customer Segment", yaxis_title="Amount")
fig.show()
Έτσι το κατάστημα έχει υψηλότερα κέρδη από τις πωλήσεις προϊόντων για τους καταναλωτές, αλλά το κέρδος από τις πωλήσεις εταιρικών προϊόντων είναι καλύτερο στην αναλογία πωλήσεων προς κέρδος. Ας ρίξουμε μια ματιά σε αυτό για να επικυρώσουμε τα ευρήματά μας:
sales_profit_by_segment = data.groupby('Segment').agg({'Sales': 'sum', 'Profit': 'sum'}).reset_index()
sales_profit_by_segment['Sales_to_Profit_Ratio'] = sales_profit_by_segment['Sales'] / sales_profit_by_segment['Profit']
print(sales_profit_by_segment[['Segment', 'Sales_to_Profit_Ratio']])
Segment Sales_to_Profit_Ratio 0 Consumer 8.659471 1 Corporate 7.677245 2 Home Office 7.125416
Έτσι μπορείτε να αναλύσετε τις πωλήσεις και τα κέρδη ενός καταστήματος χρησιμοποιώντας Python.
Περίληψη
Οι πωλήσεις καταστημάτων και η ανάλυση κερδών βοηθούν τις επιχειρήσεις να εντοπίσουν τομείς προς βελτίωση και να λάβουν αποφάσεις βάσει δεδομένων για τη βελτιστοποίηση των στρατηγικών δραστηριοποίησής τους, τιμολόγησης, μάρκετινγκ και διαχείρισης αποθέματος για να αυξήσουν τα έσοδα και την ανάπτυξη. Ελπίζω να σας άρεσε αυτό το άρθρο σχετικά με το έργο της ανάλυσης των πωλήσεων και των κερδών ενός καταστήματος που χρησιμοποιεί Python. Μη διστάσετε να κάνετε πολύτιμες ερωτήσεις στην παρακάτω ενότητα σχολίων.
