📊 零售企业促销季商品销售数据分析系统

作者：成都理工大学工程技术学院 李尚儒 （13708100037）

一个功能强大的零售数据分析工具，专为电商和零售企业设计，提供全面的数据清洗、分析和可视化功能。

✨ 主要特性

🎯 核心功能

• 智能数据清洗：自动识别和处理缺失值、异常值、重复记录
• 现代化可视化：使用 Plotly 和 Seaborn 创建交互式图表
• 电商业务分析：RFM客户分析、季节性分析、促销效果评估
• 实时仪表盘：基于 Streamlit 的交互式数据仪表盘
• 多格式支持：支持 CSV、Parquet、Excel 等数据格式

📈 分析维度

• 时间维度：日度、月度、季度趋势分析
• 渠道维度：线上线下渠道对比分析
• 产品维度：品类、品牌、SKU 表现分析
• 客户维度：RFM 分析、客户生命周期价值
• 营销维度：促销效果、折扣分析、价格弹性

🚀 快速开始

环境要求

• Python 3.8+
• 推荐使用虚拟环境

安装依赖

pip install -r requirements.txt

使用示例数据

# 运行完整分析
python scripts/eda_run.py

# 启动交互式仪表盘
streamlit run app_dashboard.py

使用自己的数据

1. 将数据文件放入 data_raw/ 目录
2. 修改 config.yml 中的文件路径和字段映射
3. 运行分析脚本

📁 项目结构

retail_eda_project/
├── scripts/                    # 核心分析脚本
│   ├── eda_run.py             # 主分析脚本
│   ├── utils.py               # 工具函数
│   ├── visualization.py       # 现代化可视化模块
│   └── business_analytics.py  # 电商业务分析模块
├── data_raw/                  # 原始数据
│   └── sample_data.csv
├── data_clean/                # 清洗后数据
│   ├── cleaned.csv
│   └── cleaned.parquet
├── charts/                    # 图表输出
│   ├── *.png                 # 静态图表
│   └── *.html                # 交互式图表
├── exports/                   # 分析结果
│   ├── rfm_analysis.csv      # RFM分析结果
│   ├── clv_analysis.csv      # 客户生命周期价值
│   └── *.csv                 # 其他分析结果
├── reports/                   # 分析报告
│   └── data_quality_report.html
├── lookup_maps/              # 数据映射文件
│   ├── channel_map.csv
│   ├── brand_map.csv
│   └── category_*.csv
├── config.yml                # 配置文件
├── app_dashboard.py          # Streamlit仪表盘
└── requirements.txt          # 依赖包列表

🔧 配置说明

数据源配置

input_file: data_raw/sample_data.csv  # 数据文件路径
date_column: order_date               # 日期字段
id_columns: ["order_id","sku"]        # 主键字段

字段映射

text_columns:
  channel: channel
  brand: brand
  category_L1: category_L1
  category_L2: category_L2
qty: sales_qty
net_sales: sales_amt
discount: discount_amt
cost: cost_amt

分析开关

modern_charts:          # 现代化图表
  sales_trends_interactive: true
  customer_behavior_analysis: true
  product_performance: true

business_analytics:     # 业务分析
  rfm_analysis: true
  seasonality_analysis: true
  promotion_effectiveness: true

📊 分析功能详解

1. 数据清洗

• 缺失值处理：自动识别并报告缺失值分布
• 异常值检测：识别负值、零值、异常折扣等
• 重复记录：检测并导出重复的订单记录
• 数据标准化：统一文本格式、日期格式

2. 业务指标计算

• 基础指标：订单数、销售额、客单价、折扣率
• 高级指标：GMV、毛利率、库存周转率
• 电商指标：转化率、复购率、客户生命周期价值

3. 客户分析

• RFM分析：基于最近购买、购买频次、购买金额的客户分层
• 客户生命周期价值：量化客户长期价值
• 客户行为分析：购买模式、偏好分析

4. 产品分析

• 品类表现：各品类销售占比、增长趋势
• 品牌分析：品牌销售排行、市场份额
• 价格分析：价格分布、价格弹性、折扣效果

5. 时间序列分析

• 季节性分析：识别销售的季节性模式
• 趋势分析：日度、月度、季度销售趋势
• 周期性分析：工作日vs周末、高峰时段分析

🎨 可视化特性

现代化图表

• 交互式图表：支持缩放、筛选、悬停显示详情
• 专业配色：采用现代化配色方案
• 多格式输出：PNG、HTML、PDF 等格式
• 响应式设计：适配不同屏幕尺寸

图表类型

• 趋势图：时间序列分析
• 分布图：数据分布特征
• 对比图：多维度对比分析
• 热力图：相关性分析
• 仪表盘：关键指标监控

🖥️ 交互式仪表盘

基于 Streamlit 的现代化仪表盘，提供：

• 实时筛选：按时间、渠道、品类等维度筛选
• 动态更新：筛选条件变化时自动更新图表
• 多维度分析：从不同角度分析数据
• 数据导出：支持图表和数据导出

📈 业务洞察

系统自动生成关键业务洞察：

• 主要销售渠道和品类
• 客户价值分布
• 促销效果评估
• 数据质量状况
• 业务增长机会

🔍 数据质量监控

• 完整性检查：缺失值统计和分布
• 准确性验证：异常值检测和标记
• 一致性检查：数据格式统一性
• 业务规则验证：折扣率、毛利率等业务逻辑检查

🛠️ 扩展开发

添加新的分析指标

1. 在 business_analytics.py 中添加计算方法
2. 在 eda_run.py 中调用新方法
3. 更新配置文件

添加新的图表类型

1. 在 visualization.py 中添加图表方法
2. 在 ModernVisualizer 类中注册新图表
3. 更新配置文件

自定义数据源

1. 修改 load_input 函数
2. 更新字段映射配置
3. 调整数据清洗逻辑

📝 使用示例

基础分析

from scripts.eda_run import run

# 运行完整分析
results = run()

# 查看结果
print(f"生成了 {len(results['charts'])} 个图表")
print(f"业务洞察: {results['business_insights']}")

自定义分析

from scripts.business_analytics import EcommerceAnalytics
import pandas as pd

# 加载数据
df = pd.read_csv('data_clean/cleaned.csv')

# 创建分析实例
analytics = EcommerceAnalytics(df, config)

# 计算RFM指标
rfm_analysis = analytics.calculate_rfm_metrics()

# 生成业务洞察
insights = analytics.generate_business_insights()

🤝 贡献指南

欢迎提交 Issue 和 Pull Request！

开发环境设置

1. Fork 项目
2. 创建功能分支
3. 提交更改
4. 创建 Pull Request

📄 许可证

本项目采用 MIT 许可证。

📞 支持

如有问题或建议，请：

1. 查看文档和示例
2. 提交 Issue
3. 联系作者

• QQ：3035326878
• 邮箱：3035326878@qq.com
• 电话：13708100037

---

让数据驱动零售业务决策！ 🚀

数据可视化效果速览