【2023BI数据分析大赛】棒球类产品销售分析与探索
一、选手简介
团队名称：燃烧战队
1、团队介绍：
队长：JL，热爱数据分析与数据挖掘，希望每次通过比赛，跟伙伴们一起思维碰撞，得到不一样的成长；
糯米小丸子：女，热爱数据，热衷于从数据中探索有价值的信息和洞察，并将其转化为商业决策和行动的支持。
jin勿忘初衷：目前就职于食品行业的的一名数据分析，紧跟数字化转型的步伐，为企业发展插上数字化的翅膀，让数据成为第一生产力！
duosila：男，热爱人工智能和大数据，希望能在数据中找到事物的本质。
2、参赛初衷：
（1）深入学习和了解FineBI等优秀BI工具的使用方法和技巧，为我们部门的数据分析和决策提供更多可能性。
（2）这次比赛提供了一个与FineBI大神们交流学习的机会，这对我们的个人成长和职业发展也具有重要意义。通过与行业内的顶尖BI专业人士进行交流，可以学习到更多实用的技巧和最佳实践，了解他们在数据分析和可视化方面的经验和见解。这将为大家拓宽思路和眼界，提升大家的专业能力，使大家在未来的工作中能够更加熟练地运用BI工具，为企业带来更好的业务成果。
（3）我们决定参加这次数据可视化作品以及分析思维的激烈碰撞大赛，旨在通过比赛实践提升BI工具的使用方法和技巧。希望通过与FineBI大神们的学习交流，深化对BI工具的理解，提升数据分析和可视化能力，并将所学应用到公司内，为企业带来更好的决策支持和业务成果。同时，这次比赛为我们提供了进一步挑战自我的机会，让我们能够在个人和职业发展中不断进步，为公司带来更大的价值。
二、作品介绍
1、业务背景
公司位于大中华区西北区的（港口城市）天津市，2013年开始在小程序售卖棒球有关用品，到2015年关注到出口政策和海外对棒球的热爱程度，慢慢开始在速卖通网站投入资金到海外市场，先在新加坡、韩国试点，未来延伸更大的海外市场。现需对2016年1-7月的数据进行复盘，针对业务数据异常进行分析，以提供有针对性的业务建议，优化销售策略，为下半年提升销售业绩做准备，寻找潜在的市场机会和挑战。
2、数据来源
和鲸社区-客户购物订单数据；
用到字段：订单ID、订单日期、客户ID、产品ID、产品名称、产品类别、区域、销售大区、销售额；
3、分析思路
4、数据处理
注：2016年各个区域、销售大区目标是用SPSS时间序列模型来预测目标；
字段说明：
(1)客户分层数据：利用kmeans算法与RFM模型相结合
a.用这三个特征最近一次购买时间差,购买次数,销售金额来训练模型；
部分代码展示：
b.确定K值
通过手肘图法进行确定K值，手肘图如下: 整体的轮廓系数: 0.65>0.5,聚类效果较好，确定k=4
c.数据不均匀分布，所以用中位数代替平均数；得出来RFM的中位数之后，用finebi做RFM模型；
R的中位数：165 ，F的中位数：3.2 ,M的中位数：3137；
d.RFM模型数据集
a）对客户id进行分类汇总；b）计算最近消费时间差；
c）对RFM进行赋值；
d）R、F、M合并之后对客户打上标签；
000：低价值客户，100：新客户，001：重点挽留客户，101：重点深耕客户；
（2）商品个性化推荐数据
具体步骤：
用Python处理：
第一步，对历史订单数据中的客户ID、产品ID求和购买次数，然后筛选每个客户ID购买次数最多的2个产品ID作为推荐产品。
第二步，对每个产品ID找出购买过的所有客户ID，并统计这些客户ID购买其他产品ID出现的次数，按购买次数高低依次找出同时购买次数最多的另外3个关联产品ID，结果保存为字典（键为产品ID，值为3个关联产品ID）。
第三步，筛选2016年的订单数据，统计总购买次数前10的每个产品ID作为明星推荐产品。
第四步，根据第一步的结果中每个客户ID购买最多的2个产品ID，分别与第二步的字典进行匹配，字典值去重后添加到推荐产品中。然后判断每个客户ID推荐产品的个数，如果小于8则从第三步中添加明星推荐产品（与之前的推荐产品不重复）。
难点：订单数据中总共有18000个左右的客户ID，其中只有8000个客户ID有复购记录，而且订单数据维度较少。如果使用机器学习方法，不管怎样切分训练集和测试集，都容易导致过拟合。
解决办法：放弃机器学习算法，采用“最多复购+购物篮+明星产品”的组合进行个性化推荐。
5、可视化报告
（1）图表设计原则
第一，柱形图可以有适当的圆角，全圆角则有可能歪曲可视化图表的表达；
第二，不要使用平滑折线，平滑的折线图可能看着很舒服，但它们歪曲了背后的实际数据，而且过粗的线条掩盖了真正的节点。
（2）整体情况
>>>2016年1-7月累计销售目标缺口为68.85万，2016年7月销售额断崖式下滑，首先是目标还有40%未完成，再者是销售额环比下降43%，需要关注数据异常的原因；
a）2016年1-5月，整体销售目标超实际销售额3-9个点，实际销售金额均超过了相应的销售目标；6月虽未完全实现销售目标但也十分接近，销售额也处于高位；整体来讲，上半年尽管有轻微波动，但整体上仍达到或超过了目标。7月整体的销售目标还有135.4万未完成，销售目标完成率仅为为60%；
b）2016年1-7月各个区域累计销售完成率达到92%以上，整体累计销售目标缺口为68.83万，其中大中华区的累计缺口占整体的比例达到45%；下钻到大中华区的销售大区，发现中国澳门和西南区的累计销售目标缺口较大，其值分别为76.83万和63.8万，它们的销售目标完成率分别为85%和88%，但是销售额要高于其他地区；而中国台湾和中国香港销售完成率超16%、38%，其销售业绩表现较好，销售增长潜力大；
c）联动2016年7月查看区域和销售大区销售目标完成情况，发现大中华区和新加坡销售完成情况表现不佳，其销售完成率分别为56%和49%，大中华区7月的销售目标缺口较大，其值为109.52万；
d）回顾2016年1-7月销售环比情况，发现2016年1-6月整体呈平稳上升态势，但是在7月销售额环比突然出现了显著下降，并且降幅达到43%（将近一大半销售额），其销售额增长值下降了152.72万；
由于在2015年8月销售额大幅度上涨，之后的月度销售额趋势呈现轻微上下波动，趋势趋于稳定，所以对比方法应用环比方法进行分析；以下从区域、客户、产品维度角度，探索2016年7月销售额异常的原因，并针对其各个维度的指标异常，制定下一阶段的营销策略。
（3）区域、客户维度
>>>整体上，交易人数、新客数、老客数环比下降，不管是销售额、交易人数、新老客数，影响最大的是大中华区；后续可以先针对大中华区进行营销规划；
区域：
7月大中华区和新加坡销售额环比都达到了-49%，大中华区销售额环比下降136.54万。大中华区的各个地区的销售额都出现了下降，环比增长值为负数。其中，中国台湾、中国澳门、中国香港、西北区和西南区的销售额都有较大的下降幅度，增长值绝对值最大的西南区达到了35万。
客户：
a）交易人数：大华区交易人数环比增长率下降了60%，减少了1016个顾客；其中中国澳门和西南区的交易人数下降比较明显；
b）客单价：大中华区、新加坡和韩国的客单价均有较大幅度的环比增长。大中华区的中国台湾、中国澳门、中国香港、西北区和西南区的客单价均呈上升趋势；需要考虑到是否是定价问题；
c）新老客：在新客方面，各区域新客人数环比下降超45%，大中华区的各个销售大区环比也下降超43%，其中西南区、西北区新客下降数Top1、Top2，其环比增长值分别为-131和-188；
在老客方面，大中华区、新加坡和韩国均出现下降，大中华区老客数环比下降了71%，其中香港环比增长率下降了91%，澳门环比增长值绝对值最大的，其值为-248；新加坡老客数环比下降96%，7月老客仅有3位;
（4）产品维度
>>> 需要注意客户对产品的忠诚度，尤其是棒球手套；
产品类别：
2016年7月服装销售额环比下降47%，球类7月无销售额产生，配件销售额环比下降了42%，其销售额增长值为-134.96万，联动区域的-大中华区，配件的销售额环比下降幅度也大，其销售额增长值为122.22万；新加坡的配件也是下降幅度较大，其销售额增长值为14.17万；而新加坡的配件销售额环比反而上升；
产品：
整体上，棒球手套环比增长值的绝对值最大，其值为-73.19万，其中大中华区占到96%，其销售额环比增长值为-70.57万；次其是球棒与球棒袋，销售额环比增长值为-49.55万，其中大中华区的销售额环比增长值为-40.94万；
（5）大中华区营销策略
>>> 对2016年1-7月数据异常分析，现针对大中华区销售额下滑做客户分层和营销策略；
a）客户分层及其营销策略
根据kmeans算法模型，用2015年8月-2016年7月的大中华区的客户数据进行训练，最终结果是轮廓系数是0.65，聚类效果较好，将客户分成4类；
棒球类的客户复购比较低，大部分客户至少五个月来复购一次，粘性不够高；新客户（或者一次性客户）、低价值客户占到39%；这四类客户主要分布在东南区、澳门、西南区，营销活动主要对这些区进行营销投放；
客户分层的营销策略：（1）新客户：采用积分制换取代金券或者建立积分商城，创建品牌知名度；（2）重点挽留客户（消费金额高）：采用距离购买时间有3个月进行短信触达，个性化推荐商品；（3）重点深耕客户：可以交叉销售，推荐别的棒球类产品；
营销策略--个性化商品推荐
推荐逻辑：
1、客户最经常购买的2个产品；
2、客户最经常购买的2个产品中，在所有客户购物篮中会同时出现的其他3个不重复产品；
3、额外推荐最近（2016年）最畅销的明星产品（如果前2个逻辑不足8个产品）；
营销策略—小程序交叉销售
小程序捆绑销售选一款商品搭配组合：【头盔、棒球手套】
支持度TOP1的产品组合是【头盔、棒球手套】：支持度为0.12，置信度为0.41，证明同时购买【头盔、棒球手套】组合的概率为41%，而这种可能性发生的概率为12%，置信度>1,这样搭配组合是有效合理的。
营销规划：
>>>2016年7月销售额下滑，在对客户、产品维度分析归因后，计划在9月开始调整营销规划；
1、2016年9月开始根据产品（整体、产品类别）销量TOP10对小程序的商品布局做调整，优先把销量最好放在页面展示前面，以更能让新客户优先看到畅销品是哪些；
2、每月1号直到年底通知新客户、重要客户复购，可以给新客户发放畅销品的优惠券，促使其他产品成交率；针对重要客户，定期回访，询问产品体验感，为选品、淘汰品做参考，购买商品时加一些附赠品，促进客户关系，提高留存率；
3、捆绑销售：将关联性强的产品进行交叉销售，目前选择【头盔、棒球手套】作为搭配组合，把这个搭配组合显示小程序首页；
4、对重点区域东南区、澳门、西南区进行营销投放，后续做营销投放方案，预计投入产出比，来评估是否需要投放这些区域。
（6）最终结果呈现的页面布局
仪表板公共链接：https://bisolutions.fanruan.com/webroot/decision/link/chBj
三、参赛总结
1、FineBI工具
指标卡：BI升级6版本后，组件-文本可以根据指标的大小设置图标；
2、参赛总结
（1）在团队协作和参赛交流中，一群志同道合的小伙伴。我们相互鼓励、分享经验，共同探讨数据分析的技巧和应用。数据分析给我们团队的成长带来了巨大的帮助。通过FineBi，我们可以更轻松地进行数据可视化分析，深入挖掘数据背后的价值，为业务决策提供有力支持。这不仅提高了我们的工作效率，也使我们更好地理解了数据分析的重要性，并在实践中不断成长。
（2）在学习和使用FineBi的过程中，我们意识到尝试、坚持、突破和成长是非常重要的。尝试新的工具和方法，不断摸索和实践，才能掌握更多技能并取得进步。同时，坚持不懈地学习和解决问题，突破自己的困惑和瓶颈，才能不断提高自己的能力和水平。通过不断地尝试和坚持，迈出了学习数据分析的重要一步，也收获了成长的喜悦和新的认知。我们将继续努力学习，不断突破自己，在数据分析领域追求更高的成就。
