Python電商數(shù)據(jù)分析實(shí)戰(zhàn)
定 價(jià)：89 元
叢書(shū)名：數(shù)據(jù)分析與決策技術(shù)叢書(shū)
- 作者：周志鵬
- 出版時(shí)間：2023/11/1
- ISBN：9787111737841
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：F713.36
- 頁(yè)碼：
- 紙張：膠版紙
- 版次：
- 開(kāi)本：16開(kāi)
內(nèi)容簡(jiǎn)介這既是一本能帶領(lǐng)讀者零基礎(chǔ)快速掌握Python數(shù)據(jù)分析方法與流程的工具書(shū)，又是一本從電商出發(fā)指導(dǎo)讀者解決各類數(shù)據(jù)分析問(wèn)題的實(shí)用指南。首先，本書(shū)以Python數(shù)據(jù)分析中使用率極高的Pandas為切入點(diǎn)，注重對(duì)數(shù)據(jù)分析思維和技能的培養(yǎng)，詳細(xì)講解了Pandas的操作以及數(shù)據(jù)分析的方法，可覆蓋80%以上的數(shù)據(jù)分析應(yīng)用場(chǎng)景，為數(shù)據(jù)分析師打下堅(jiān)實(shí)基礎(chǔ)。然后，本書(shū)以電商這個(gè)廣大讀者熟知且普適性極強(qiáng)的業(yè)務(wù)領(lǐng)域?yàn)橐劳校ㄟ^(guò)大量案例講解了報(bào)表自動(dòng)化、行業(yè)機(jī)會(huì)挖掘、用戶分層、用戶分群、用戶偏好分析、同期群分析、指標(biāo)波動(dòng)歸因分析、品牌分析等8大電商場(chǎng)景的數(shù)據(jù)分析方法，理論與案例深度融合。本書(shū)以實(shí)用為本，聚焦重點(diǎn)，Python數(shù)據(jù)分析常用的高頻功能不到Python數(shù)據(jù)分析能力的20%，本書(shū)去繁就簡(jiǎn)，只專注于能解決大部分問(wèn)題的重點(diǎn)模塊。本書(shū)以實(shí)戰(zhàn)制勝，案例牽引，從表層直觀地看，這些案例能解決各種電商業(yè)務(wù)問(wèn)題；從深層仔細(xì)地分析，作者的本意實(shí)則是通過(guò)對(duì)這些案例抽絲剝繭，手把手教讀者在實(shí)戰(zhàn)中掌握數(shù)據(jù)分析的通用思維、方法和技能。所以，如果你是關(guān)注電商業(yè)務(wù)的數(shù)據(jù)分析師，本書(shū)針對(duì)常見(jiàn)電商數(shù)據(jù)分析場(chǎng)景給出了具體的方法和解決方案，可照搬使用；如果你是一位沒(méi)有任何數(shù)據(jù)分析基礎(chǔ)的小白，這本書(shū)更加適合你，不僅能快速掌握數(shù)據(jù)分析的基本思維和方法，而且能在大量案例中獲得實(shí)戰(zhàn)技能和經(jīng)驗(yàn)。
（1）作者經(jīng)驗(yàn)豐富：作者是數(shù)據(jù)分析專家，在電商、美妝、餐飲等領(lǐng)域有豐富的數(shù)據(jù)分析經(jīng)驗(yàn)，原創(chuàng)文章全網(wǎng)閱讀量破100萬(wàn)。（2）深諳讀者痛點(diǎn)：十分了解數(shù)據(jù)分析師在思維、技能和業(yè)務(wù)等方面的學(xué)習(xí)痛點(diǎn)，本書(shū)專門(mén)為此準(zhǔn)備了一套“思維+技能+理論+實(shí)踐”的方法。（3）以實(shí)用為本，聚焦重點(diǎn)：Pandas數(shù)據(jù)分析常用的高頻操作不到Pandas實(shí)際功能的20%，卻能解決超過(guò)80%的問(wèn)題。本書(shū)去繁就簡(jiǎn)，只專注于能解決大部分問(wèn)題的重點(diǎn)模塊。（4）以實(shí)戰(zhàn)制勝，案例牽引：書(shū)中包含大量實(shí)際案例，覆蓋大部分?jǐn)?shù)據(jù)分析場(chǎng)景，對(duì)這些案例抽絲剝繭，幫助讀者在實(shí)戰(zhàn)中獲得通用方法和業(yè)務(wù)技能。（5）8個(gè)場(chǎng)景、8大案例、35萬(wàn)行數(shù)據(jù)集：針對(duì)報(bào)表自動(dòng)化、行業(yè)機(jī)會(huì)挖掘、用戶分層、用戶分群、用戶偏好分析、同期群分析、指標(biāo)波動(dòng)歸因分析、品牌分析等8大經(jīng)典分析場(chǎng)景，用8大案例和超35萬(wàn)行數(shù)據(jù)集詳細(xì)講解。
Preface 前 言
為什么寫(xiě)這本書(shū)
在多年數(shù)據(jù)分析從業(yè)經(jīng)歷和微信公眾號(hào)創(chuàng)作經(jīng)歷中，我接觸過(guò)很多對(duì)數(shù)據(jù)分析感興趣的朋友，他們有的想要入門(mén)但還沒(méi)有行動(dòng)，有的跟著教程開(kāi)始自學(xué)，有的已經(jīng)有了一定的經(jīng)驗(yàn)。我發(fā)現(xiàn)，大家在數(shù)據(jù)分析的學(xué)習(xí)與實(shí)踐過(guò)程中會(huì)遇到一些共性問(wèn)題。這些問(wèn)題，有與數(shù)據(jù)分析技能和思維相關(guān)的，例如：
Excel已經(jīng)無(wú)法處理現(xiàn)有的數(shù)據(jù)量了，我應(yīng)該換什么工具？
我學(xué)習(xí)了一大堆Pandas資料，可為什么到實(shí)際處理數(shù)據(jù)時(shí)仍然無(wú)從下手？
我跟著公開(kāi)數(shù)據(jù)分析案例練了很久，為什么當(dāng)自己面對(duì)數(shù)據(jù)需求時(shí)還是沒(méi)有分析思路？
我學(xué)了對(duì)比、細(xì)分、聚類分析，也會(huì)用PEST、波特五力和杜邦這類分析方法，為什么面試的時(shí)候總被認(rèn)為思路過(guò)于簡(jiǎn)單？
也有與業(yè)務(wù)場(chǎng)景相關(guān)的，例如指標(biāo)波動(dòng)歸因分析、市場(chǎng)行業(yè)機(jī)會(huì)分析、用戶分層研究、購(gòu)物籃關(guān)聯(lián)分析等。
這些問(wèn)題對(duì)于我來(lái)說(shuō)可謂既“痛”又“癢”：“痛”在于我也曾受相關(guān)問(wèn)題困擾，深知要解決它們需要投入大量的精力，也可能會(huì)走很多彎路；“癢”是因?yàn)槲一诙嗄甑膶?shí)戰(zhàn)和分享經(jīng)驗(yàn)，經(jīng)過(guò)許多個(gè)日日夜夜，總結(jié)了一套技能+思維、理論+實(shí)踐的數(shù)據(jù)分析學(xué)習(xí)方法，不分享出來(lái)心癢難耐。
我希望通過(guò)本書(shū)，把我對(duì)于Python數(shù)據(jù)分析的所知、所思、所感，結(jié)合電商實(shí)際案例系統(tǒng)地分享給大家。特別要說(shuō)明的是，之所以選擇電商場(chǎng)景，主要有兩個(gè)原因：
基于自身多年的電商從業(yè)經(jīng)驗(yàn)，我可以從最熟悉的場(chǎng)景出發(fā)，提供最貼近實(shí)戰(zhàn)的數(shù)據(jù)，讓Pandas更加契合具體業(yè)務(wù)場(chǎng)景，把案例講通講透，解決數(shù)據(jù)分析技能與分析脫節(jié)、分析案例不夠深入的問(wèn)題。
電商是一個(gè)很容易理解且十分常見(jiàn)的商業(yè)模式，其中人、貨、場(chǎng)分析大框架非常具有代表性，尤其是“人”的維度，追本溯源，就是解決如何選擇用戶，如何評(píng)估拉新、留存效果，如何對(duì)用戶進(jìn)行分類等常見(jiàn)問(wèn)題�？梢�(jiàn)，電商的本質(zhì)分析方法論適用的行業(yè)和場(chǎng)景廣闊。
我相信，Python數(shù)據(jù)分析與電商相結(jié)合一定會(huì)閃爍出更為耀眼的光芒，幫助讀者在數(shù)據(jù)分析的道路上走得更遠(yuǎn)。
本書(shū)讀者對(duì)象
本書(shū)適用于每一位想要提升Python數(shù)據(jù)分析和實(shí)戰(zhàn)能力的讀者，讀完本書(shū)并跟著案例練習(xí)后，讀者將能夠熟練運(yùn)用Pandas進(jìn)行數(shù)據(jù)分析，大大提升數(shù)據(jù)處理和分析的效率。本書(shū)同樣適用于想要了解電商行業(yè)和想進(jìn)一步熟悉電商實(shí)戰(zhàn)案例的讀者，書(shū)中詳盡的案例和代碼可以幫助讀者更好地解決實(shí)際業(yè)務(wù)問(wèn)題。
本書(shū)特色
以實(shí)用為綱，聚焦重點(diǎn)。實(shí)際上，大部分Excel高手使用的高頻功能不到Excel全部功能的20%，Python數(shù)據(jù)分析領(lǐng)域也是如此。本書(shū)基于一線實(shí)踐經(jīng)驗(yàn)，去繁就簡(jiǎn)，專注于那些能夠解決絕大部分問(wèn)題的重點(diǎn)模塊。
層層遞進(jìn)，實(shí)戰(zhàn)案例豐富。本書(shū)基礎(chǔ)內(nèi)容只有6章，旨在幫助大家快速熟悉Pandas操作。核心內(nèi)容是8章實(shí)戰(zhàn)案例，從報(bào)表自動(dòng)化到行業(yè)機(jī)會(huì)分析，再到用戶分層分析、用戶分群分析、用戶偏好分析、指標(biāo)波動(dòng)歸因分析等，最后到一個(gè)完整的品牌分析案例。這些案例由淺入深，都是從實(shí)戰(zhàn)中萃取的，涵蓋Pandas數(shù)據(jù)處理和分析的大部分場(chǎng)景，跟著操作一遍，你的Pandas技能和分析思維都會(huì)大大提升。
本書(shū)主要內(nèi)容
為了實(shí)現(xiàn)技能與思維、理論與實(shí)踐相結(jié)合的目標(biāo)，我選擇了以Python數(shù)據(jù)分析中最常用的Pandas為切入點(diǎn)，圍繞電商場(chǎng)景，用一個(gè)個(gè)詳盡的案例把技能和思維抽絲剝繭般地完整呈現(xiàn)出來(lái)。
本書(shū)共15章，主要內(nèi)容如下。
第1～6章 數(shù)據(jù)分析基礎(chǔ)
主要幫助讀者快速熟悉Pandas，內(nèi)容包括Python數(shù)據(jù)分析基礎(chǔ)知識(shí)、Pandas入門(mén)操作，以及實(shí)際分析工作中最常用的增、刪、選、改操作和可視化等技巧，覆蓋了80%以上的應(yīng)用場(chǎng)景。
第7～15章 數(shù)據(jù)分析實(shí)戰(zhàn)
聚焦于Pandas在電商場(chǎng)景中的應(yīng)用。第7章講解電商基礎(chǔ)知識(shí)，包括電商的商業(yè)邏輯、常用指標(biāo)體系和經(jīng)典的分析模型。第8～15章用8個(gè)實(shí)戰(zhàn)案例詳細(xì)講解報(bào)表自動(dòng)化、行業(yè)機(jī)會(huì)分析、用戶分層分析、用戶分群分析、用戶偏好分析、同期群分析、指標(biāo)波動(dòng)歸因分析以及一份全面的品牌分析報(bào)告的產(chǎn)生過(guò)程。每一章都既有案例背景，也有脫敏的實(shí)戰(zhàn)數(shù)據(jù)源，更有詳細(xì)的操作代碼和分析思路。
本書(shū)配套資源
關(guān)注我的微信公眾號(hào)“數(shù)據(jù)不吹�！辈⒒貜�(fù)“配套資料”即可獲取我為本書(shū)精心準(zhǔn)備的以下配套資源。
書(shū)中所有練習(xí)和案例的相關(guān)數(shù)據(jù)集。
所有項(xiàng)目的完整案例代碼。
拓展學(xué)習(xí)資源（Python基礎(chǔ)教程、分析方法論等）。
社群學(xué)習(xí)答疑和勘誤信息。
致謝
感謝我的父母，是他們給了我生命和受教育的機(jī)會(huì)。
感謝韓冬冬在我創(chuàng)作過(guò)程中給了我莫大的鼓舞。
感謝朱婉文、蔡勇輝、郭琳依、陳小妹、朱小五、張俊紅、黃佳、紀(jì)明軒、張小莉等朋友在我創(chuàng)作過(guò)程中給了我寶貴的建議。
最后，感謝我的粉絲和讀者，是他們的陪伴與支持讓我有了持續(xù)創(chuàng)作和分享的動(dòng)力。
目 錄 Contents
前 言
第1章 Python數(shù)據(jù)分析準(zhǔn)備 1
1.1 Python數(shù)據(jù)分析基礎(chǔ) 1
1.1.1 數(shù)據(jù)分析的基本概念 1
1.1.2 為什么選擇Python 2
1.1.3 Pandas和Python的關(guān)系 2
1.2 如何高效學(xué)習(xí)Pandas 3
1.2.1 Pandas學(xué)習(xí)中的誤區(qū) 3
1.2.2 高效學(xué)習(xí)Pandas 3
1.3 Python所需的環(huán)境搭建 5
1.3.1 Python環(huán)境的選擇 5
1.3.2 Anaconda的下載和安裝 5
1.3.3 運(yùn)行代碼 7
1.4 本章小結(jié) 13
第2章 Pandas快速入門(mén) 14
2.1 Pandas的兩大數(shù)據(jù)結(jié)構(gòu) 14
2.1.1 初識(shí)Pandas 14
2.1.2 Series和DataFrame 15
2.2 數(shù)據(jù)讀取和存儲(chǔ) 17
2.2.1 Excel文件的讀取 17
2.2.2 CSV文件的讀取 20
2.2.3 其他文件類型的讀取 21
2.2.4 存儲(chǔ)數(shù)據(jù) 22
2.3 快速認(rèn)識(shí)數(shù)據(jù) 22
2.3.1 查看數(shù)據(jù) 22
2.3.2 查看數(shù)據(jù)類型 23
2.3.3 統(tǒng)計(jì)信息概覽 23
2.4 數(shù)據(jù)處理初體驗(yàn) 24
2.4.1 增 24
2.4.2 刪 24
2.4.3 選 25
2.4.4 改 25
2.5 常用數(shù)據(jù)類型及操作 25
2.5.1 字符串 25
2.5.2 數(shù)值型 26
2.5.3 時(shí)間類型 28
2.6 本章小結(jié) 29
第3章 玩轉(zhuǎn)索引 30
3.1 索引概述 30
3.1.1 到底什么是索引 30
3.1.2 兩種索引類型 31
3.2 基于位置（數(shù)字）的索引 31
3.2.1 場(chǎng)景一：行選取 32
3.2.2 場(chǎng)景二：列選取 32
3.2.3 場(chǎng)景三：行列交叉選取 33
3.3 基于名稱（標(biāo)簽）的索引 33
3.3.1 基于loc的行選取 34
3.3.2 基于loc的列選取 35
3.3.3 基于loc的交叉選取 35
3.3.4 場(chǎng)景四：多條件索引 36
3.4 本章小結(jié) 38
第4章 數(shù)據(jù)清洗四大核心操作 39
4.1 增：拓展數(shù)據(jù)維度 39
4.1.1 縱向合并 39
4.1.2 橫向連接 41
4.2 刪：剔除噪聲數(shù)據(jù) 44
4.2.1 缺失值處理 44
4.2.2 去除重復(fù)項(xiàng) 47
4.3 選：基于條件選擇數(shù)據(jù) 48
4.3.1 按條件索引/篩選 48
4.3.2 排序 49
4.4 改：改變數(shù)據(jù)形態(tài) 50
4.4.1 轉(zhuǎn)置 50
4.4.2 分組 50
4.4.3 切分 52
4.5 本章小結(jié) 54
第5章 Pandas兩大進(jìn)階利器 55
5.1 數(shù)據(jù)透視表 55
5.1.1 什么是數(shù)據(jù)透視表 55
5.1.2 Pandas數(shù)據(jù)透視表簡(jiǎn)介 55
5.1.3 Pandas數(shù)據(jù)透視表實(shí)例 56
5.2 強(qiáng)大又靈活的apply 58
5.2.1 apply初體驗(yàn) 59
5.2.2 用apply計(jì)算最好、最差
成績(jī) 59
5.2.3 篩選每個(gè)分組下的第3名 61
5.3 本章小結(jié) 64
第6章 數(shù)據(jù)可視化 65
6.1 Matplotlib基礎(chǔ)知識(shí) 65
6.1.1 Matplotlib簡(jiǎn)介 65
6.1.2 可視化的關(guān)鍵步驟 65
6.2 Matplotlib基礎(chǔ)操作 66
6.2.1 畫(huà)圖前的準(zhǔn)備 66
6.2.2 創(chuàng)建畫(huà)布 66
6.2.3 畫(huà)圖 68
6.2.4 設(shè)置坐標(biāo)軸 69
6.2.5 潤(rùn)色 71
6.3 繪制常用圖形 74
6.3.1 繪制折線圖 74
6.3.2 繪制柱狀圖 75
6.3.3 繪制散點(diǎn)圖 76
6.3.4 繪制其他常用圖形 77
6.4 本章小結(jié) 78
第7章 走近電商：商業(yè)方法論與
分析體系 79
7.1 什么是電商 79
7.2 三大關(guān)鍵角色 80
7.2.1 用戶 80
7.2.2 商家 80
7.2.3 平臺(tái) 81
7.3 電商基礎(chǔ)指標(biāo) 82
7.3.1 用戶相關(guān)指標(biāo) 83
7.3.2 商品相關(guān)指標(biāo) 83
7.4 電商分析方法論及應(yīng)用 84
7.4.1 黃金公式 84
7.4.2 GROW 86
7.4.3 AIPL 88
7.4.4 抖音5A與京東4A 89
7.5 數(shù)據(jù)分析師重生之我是老板 90
7.5.1 數(shù)據(jù)分析師和老板 90
7.5.2 行業(yè)趨勢(shì)分析 91
7.5.3 競(jìng)爭(zhēng)格局分析 92
7.5.4 品牌策略探究 92
7.5.5 用戶分析—探索期 93
7.5.6 用戶分析—正式期 94
7.6 本章小結(jié) 95
第8章 Python報(bào)表自動(dòng)化 97
8.1 行業(yè)數(shù)據(jù)報(bào)表自動(dòng)化 97
8.1.1 案例背景 97
8.1.2 單張表的處理 99
8.1.3 批量循環(huán)執(zhí)行 101
8.2 報(bào)表批量處理與品牌投放
分析 102
8.2.1 新的需求背景 102
8.2.2 數(shù)據(jù)預(yù)覽 102
8.2.3 分析思路 104
8.2.4 數(shù)據(jù)處理 104
8.2.5 數(shù)據(jù)分析 105
8.3 本章小結(jié) 108
第9章 行業(yè)機(jī)會(huì)分析與權(quán)重確定 109
9.1 案例背景介紹 109
9.2 傳統(tǒng)的解題方法 109
9.2.1 之前的傳統(tǒng)思路 109
9.2.2 數(shù)據(jù)預(yù)覽和匯總 110
9.2.3 每個(gè)類目增長(zhǎng)最快的細(xì)分
類目 111
9.3 權(quán)重確定方法 113
9.3.1 級(jí)別法 113
9.3.2 權(quán)值因子判表法 113
9.3.3 變異系數(shù)法 115
9.4 Pandas權(quán)重計(jì)算和分析 117
9.4.1 數(shù)據(jù)整合 117
9.4.2 關(guān)鍵指標(biāo)計(jì)算 118
9.4.3 權(quán)重的計(jì)算 119
9.4.4 數(shù)據(jù)標(biāo)準(zhǔn)化 122
9.4.5 綜合發(fā)展指數(shù) 123
9.5 本章小結(jié) 124
第10章 用戶分層實(shí)戰(zhàn) 125
10.1 用戶分層的基本概念 125
10.1.1 無(wú)處不在的用戶分層 125
10.1.2 用戶分層的類型 126
10.1.3 用戶分層的特征 126
10.1.4 為什么要做用戶分層 127
10.1.5 分層的兩個(gè)問(wèn)題 127
10.2 二八法則 128
10.2.1 二八法則在用戶分層上的
應(yīng)用 128
10.2.2 數(shù)據(jù)預(yù)覽 129
10.2.3 數(shù)據(jù)清洗 131
10.2.4 二八法則下的用戶分層 134
10.3 拐點(diǎn)法 136
10.3.1 什么是拐點(diǎn)法 136
10.3.2 拐點(diǎn)法在用戶分層上的
應(yīng)用 136
10.3.3 基于Pandas的拐點(diǎn)法
分層 137
10.4 本章小結(jié) 143
第11章 用戶分群實(shí)戰(zhàn)與加強(qiáng)版
RFM模型 144
11.1 走近用戶分群 144
11.1.1 用戶分群的定義及作用 144
11.1.2 用戶分群和用戶分層的
區(qū)別 144
11.2 RFM用戶分群實(shí)戰(zhàn) 145
11.2.1 經(jīng)典的RFM模型 145
11.2.2 第一步：數(shù)據(jù)概覽 146
11.2.3 第二步：數(shù)據(jù)處理 147
11.2.4 第三步：維度打分 149
11.2.5 第四步：分值計(jì)算 150
11.2.6 第五步：用戶分層 152
11.2.7 RFM模型結(jié)果分析 154
11.3 關(guān)于RFM模型的重要思考 156
11.3.1 RFM模型隱藏的問(wèn)題 156
11.3.2 為什么用平均金額作
為M 157
11.4 RFM模型的加強(qiáng)和拓展 158
11.4.1 模型加強(qiáng)和拓展的方向 158
11.4.2 RFM加強(qiáng)版實(shí)戰(zhàn)案例 158
11.5 本章小結(jié) 161
第12章 用戶偏好分析 162
12.1 用戶偏好分析和TGI 162
12.1.1 用戶偏好分析與TGI的
關(guān)系 162
12.1.2 TGI的定義 162
12.1.3 通過(guò)拆解指標(biāo)來(lái)理解
TGI 163
12.2 用Pandas實(shí)現(xiàn)TGI分析 163
12.2.1 項(xiàng)目背景 163
12.2.2 用戶打標(biāo) 165
12.2.3 匹配城市 165
12.2.4 高客單價(jià)TGI計(jì)算 166
12.2.5 TGI計(jì)算中隱藏的問(wèn)題 168
12.3 本章小結(jié) 169
第13章 萬(wàn)能的同期群分析 170
13.1 數(shù)據(jù)分析師必知必會(huì)的同期
群分析 170
13.1.1 同期群分析的基本概念 170
13.1.2 同期群分析的價(jià)值 171
13.1.3 同期群分析的萬(wàn)能之處 171
13.2 Pandas同期群分析實(shí)戰(zhàn) 173
13.2.1 數(shù)據(jù)概覽 173
13.2.2 實(shí)現(xiàn)思路剖析 173
13.2.3 單月實(shí)現(xiàn) 174
13.2.4 遍歷合并和分析 176
13.2.5 回購(gòu)客單價(jià)的同期群
實(shí)現(xiàn) 179
13.3 本章小結(jié) 181
第14章 指標(biāo)波動(dòng)歸因分析 182
14.1 指標(biāo)波動(dòng)貢獻(xiàn)率 182
14.1.1 什么是貢獻(xiàn)率 182
14.1.2 可加型指標(biāo)波動(dòng)貢獻(xiàn)率的
計(jì)算 183
14.1.3 乘法型指標(biāo)波動(dòng)貢獻(xiàn)率的
計(jì)算 185
14.1.4 除法型指標(biāo)波動(dòng)貢獻(xiàn)率的
計(jì)算 187
14.2 Adtributor算法 193
14.2.1 Adtributor介紹 193
14.2.2 單個(gè)維度的基礎(chǔ)案例 194
14.2.3 多個(gè)維度的算法邏輯和
Pandas實(shí)現(xiàn) 196
14.3 本章小結(jié) 200
第15章 一份全面的品牌分析
報(bào)告 202
15.1 探索性數(shù)據(jù)分析簡(jiǎn)介 202
15.1.1 常規(guī)的探索性數(shù)據(jù)分析 202
15.1.2 探索性數(shù)據(jù)分析的價(jià)值 202
15.1.3 不一樣的探索性數(shù)據(jù)
分析 203
15.2 數(shù)據(jù)預(yù)處理 203
15.2.1 數(shù)據(jù)導(dǎo)入 203
15.2.2 數(shù)據(jù)預(yù)覽 203
15.2.3 重復(fù)項(xiàng)檢驗(yàn) 205
15.2.4 缺失值處理 205
15.2.5 異常值清洗 206
15.2.6 字段格式規(guī)整 207
15.2.7 訂單狀態(tài)篩選 208
15.3 數(shù)據(jù)總覽分析 208
15.3.1 年度銷售額變化 208
15.3.2 年度用戶數(shù)和客單價(jià)
變化 209
15.4 用戶數(shù)據(jù)分析 210
15.4.1 銷售額和用戶數(shù)月度
趨勢(shì) 210
15.4.2 客單價(jià)月度趨勢(shì) 212
15.4.3 客單價(jià)細(xì)拆 213
15.4.4 新老用戶分析 214
15.4.5 復(fù)購(gòu)率分析 217
15.4.6 用戶購(gòu)買(mǎi)時(shí)間間隔 218
15.5 商品數(shù)據(jù)分析 221
15.5.1 品類銷售結(jié)構(gòu) 221
15.5.2 價(jià)格帶分析 223
15.5.3 商品銷售集中度分析 226
15.6 購(gòu)物籃關(guān)聯(lián)分析 228
15.6.1 什么是購(gòu)物籃關(guān)聯(lián)分析 228
15.6.2 購(gòu)物籃關(guān)聯(lián)分析的三大核心
指標(biāo) 229
15.6.3 購(gòu)物籃關(guān)聯(lián)分析實(shí)戰(zhàn) 230
15.7 本章小結(jié) 238
書(shū)單推薦
