随着电子商务的蓬勃发展,每年的双11购物节已成为全球最大的在线购物活动之一。在这场购物狂欢中,美妆产品一直是消费者关注的热点。本文将基于Heywhale.com提供的电商双11美妆数据分析,探讨美妆产品的销售趋势、消费者行为以及市场动态。
一、数据概览
本次分析的数据集包含了多个维度的信息,如商品类别、品牌、价格、销售量、销售额等。通过对这些数据的深入分析,我们可以揭示双11期间美妆产品的市场表现。
二、销售趋势分析
1. 品类销售量占比
import matplotlib.pyplot as plt
import seaborn as sns
# 假设data是包含美妆销售数据的DataFrame
# 计算各品类销售量占比
category_sales = data.groupby('品类')['销售量'].sum()
# 绘制饼图
plt.figure(figsize=(8, 8))
category_sales.plot.pie(autopct='%1.1f%%', startangle=140)
plt.title('各品类销售量占比')
plt.ylabel('') # 隐藏y轴标签
plt.show()
2. 品牌销售额占比
# 计算各品牌销售额占比
brand_sales = data.groupby('品牌')['销售额'].sum()
# 绘制饼图
plt.figure(figsize=(8, 8))
brand_sales.plot.pie(autopct='%1.1f%%', startangle=140)
plt.title('各品牌销售额占比')
plt.ylabel('') # 隐藏y轴标签
plt.show()
3. 价格区间分析
# 计算不同价格区间的商品销售情况
price_range_sales = data.groupby('价格区间')['销售量'].sum()
# 绘制条形图
plt.figure(figsize=(10, 6))
price_range_sales.plot(kind='bar')
plt.title('不同价格区间商品销售情况')
plt.ylabel('销售量')
plt.xlabel('价格区间')
plt.show()
三、消费者行为分析
1. 购买时间分布
# 假设购买时间数据在'购买时间'列
# 计算每小时购买量
hourly_sales = data.groupby(data['购买时间'].dt.hour)['销售量'].sum()
# 绘制条形图
plt.figure(figsize=(12, 6))
hourly_sales.plot(kind='bar')
plt.title('每小时购买量分布')
plt.ylabel('销售量')
plt.xlabel('小时')
plt.xticks(range(24), rotation=45) # 旋转x轴标签,以便清晰显示
plt.show()
2. 地域分布
# 计算不同地域的销售量
region_sales = data.groupby('地域')['销售量'].sum()
# 绘制条形图
plt.figure(figsize=(10, 6))
region_sales.plot(kind='bar')
plt.title('不同地域销售量分布')
plt.ylabel('销售量')
plt.xlabel('地域')
plt.show()
四、市场动态
1. 新产品推广
# 假设新产品数据在'是否新产品'列
# 计算新产品与非新产品的销售量
new_product_sales = data.groupby('是否新产品')['销售量'].sum()
# 绘制条形图
plt.figure(figsize=(8, 5))
new_product_sales.plot(kind='bar')
plt.title('新产品与非新产品销售量对比')
plt.ylabel('销售量')
plt.xlabel('产品类型')
plt.show()
2. 促销活动效果
# 假设促销活动数据在'是否有促销'列
# 计算有促销与无促销的商品销售量
promo_sales = data.groupby('是否有促销')['销售量'].sum()
# 绘制条形图
plt.figure(figsize=(8, 5))
promo_sales.plot(kind='bar')
plt.title('促销活动效果')
plt.ylabel('销售量')
plt.xlabel('促销情况')
plt.show()
五、结论
通过对电商双11美妆数据的分析,我们可以获得关于销售趋势、消费者行为和市场动态的宝贵见解。这些信息对于品牌制定营销策略、优化产品线和提高市场竞争力具有重要意义。