adventure项目总结

作者: Helluin92 | 来源:发表于2020-11-03 14:58 被阅读0次

一、项目背景介绍

Adventure Works Cycles是Adventure Works样本数据库所虚构的公司，这是一家大型跨国制造公司。该公司生产和销售自行车到北美，欧洲和亚洲的商业市场。虽然其基地业务位于华盛顿州博塞尔，拥有290名员工，但几个区域销售团队遍布整个市场。

1 客户类型

个人：客户通过网上零售店铺购买商品；
经销商：从Adventure Works Cycles销售代表处购买转售产品的零售店或批发店。

2 产品介绍

Adventure Works Cycles生产的自行车；
自行车部件，例如车轮，踏板或制动组件；
从供应商处购买的自行车服装，用于转售给Adventure Works Cycles的客户；
从供应商处购买的自行车配件，用于转售给Adventure Works Cycles的客户。

项目数据来源：数据来源于adventure Works Cycles公司的的样本数据库。

3 项目目标

通过现有数据监控商品的线上和线下销售情况，并且获取最新的商品销售趋势，以及区域分布情况，为公司的制造和销售提供指导性建议，以增加公司的收益。

二、2019年11月自行车业务分析

目录：

一、自行车整体销售表现
二、2019年11月自行车地域销售表现
三、2019年11月自行车产品销售表现
四、用户行为分析
五、2019年11月热品销售分析

项目准备

计算结果存入数据库_对应表名：

自行车整体销售表现:pt_overall_sale_performance_1
2019年11月自行车地域销售表现:pt_bicy_november_territory_2、pt_bicy_november_october_city_3
2019年11月自行车产品销售表现：pt_bicycle_product_sales_month_4、pt_bicycle_product_sales_order_month_4、pt_bicycle_product_sales_order_month_11
用户行为分析：pt_user_behavior_november
2019年11月热品销售分析：pt_hot_products_november

导入模块
import pandas as pd
import numpy as np
import pymysql
pymysql.install_as_MySQLdb()
from sqlalchemy import create_engine

一、自行车整体销售表现

1.1、从数据库读取源数据：dw_customer_order

读取源数据。不同城市，每天产品销售信息
创建数据库引擎
engine = create_engine('mysql:/XXXXXXXXX/charset=gbk')
datafrog=engine
gather_customer_order=pd.read_sql_query("select * from dw_customer_order",con = datafrog)
查看源数据前5行，观察数据，判断数据是否正常识别
gather_customer_order.head()

image.png

查看表的数据类型
gather_customer_order.info()

image.png

增加create_year_month月份字段。按月维度分析时使用
gather_customer_order['create_year_month']=gather_customer_order["create_date"].apply(lambda x:x.strftime("%Y-%m"))

筛选产品类别为自行车的数据
gather_customer_order = gather_customer_order.loc[gather_customer_order['cplb_zw']=='自行车']
gather_customer_order

image.png

1.2、自行车整体销售量表现

每月订单数量和销售金额，用groupby创建一个新的对象，需要将order_num、sum_amount"求和
overall_sales_performance = gather_customer_order.groupby("create_year_month").agg({"order_num":sum,"sum_amount":sum})

按日期降序排序，方便计算环比
overall_sales_performance.sort_values(by="create_year_month",ascending=False,inplace=True)

image.png

每月自行车销售订单量环比，观察最近一年数据变化趋势
order_num_diff = list((overall_sales_performance.order_num.diff()/overall_sales_performance.order_num)/-1)
order_num_diff.pop(0) #删除列表中第一个元素
order_num_diff.append(0) #将0新增到列表末尾
overall_sales_performance["order_num_diff"] = order_num_diff
overall_sales_performance

每月自行车销售金额环比
sum_amount_diff = list((overall_sales_performance.sum_amount.diff()/overall_sales_performance.sum_amount)/-1)
sum_amount_diff.pop(0) #删除列表中第一个元素
sum_amount_diff.append(0) #将0新增到列表末尾
sum_amount_diff
将环比转化为DataFrame
overall_sales_performance["sum_amount_diff"] = sum_amount_diff
overall_sales_performance

image.png

销量环比字段名order_diff，销售金额环比字段名amount_diff
按照日期排序，升序
overall_sales_performance.reset_index()
overall_sales_performance = overall_sales_performance.rename(columns={"order_num_diff":"order_diff","sum_amount_diff":"amount_diff"}).reset_index(drop=True)\
.sort_values(by="create_year_month",ascending=True)
查看每月自行车订单量、销售金额、环比
overall_sales_performance

image.png

字段注释：
create_year_month：时间，
order_num：本月累计销售数量，
sum_amount：本月累计销售金额，
order_diff：本月销售数量环比，
sum_amount_diff：本月销售金额环比，
dw_customer_order:用户订单表

将数据存入数据库

engine = create_engine('mysql://XXXXX/XXXXX?charset=gbk')
datafrog=engine
overall_sales_performance.to_sql('pt_overall_sale_performance_1',con = datafrog,if_exists='append', index=False)

二、2019年11月自行车地域销售表现

2.1、源数据dw_customer_order，数据清洗筛选10月11月数据

gather_customer_order在分析自行车整体表现时已从数据库导入表（dw_customer_order），并筛选仅自行车数据
gather_customer_order.head()

image.png

筛选10月11月自行车数据
gather_customer_order_10_11 = gather_customer_order.loc[ gather_customer_order["create_year_month"].isin(["2019-10","2019-11"])]

10月11月自行车订单数据共6266条
len(gather_customer_order_10_11)
6266

2.2、2019年11月自行车区域销售量表现

按照区域、月分组,订单量求和，销售金额求和
gather_customer_order_10_11_group= gather_customer_order_10_11.groupby(['chinese_territory','create_year_month']).agg({"order_num":sum,"sum_amount":sum})

将区域存为列表
region_list=[]
x=gather_customer_order_10_11["chinese_territory"].value_counts()
for key in x.keys():
    region_list.append(key)
region_list
['华东', '华中', '西南', '华北', '华南', '西北', '东北', '台港澳']

不同区域10月11月环比
order_x = pd.Series([])
amount_x = pd.Series([])
for i in region_list:
    a=gather_customer_order_10_11_group.loc[gather_customer_order_10_11_group['chinese_territory']==i]['order_num'].pct_change()
    b=gather_customer_order_10_11_group.loc[gather_customer_order_10_11_group['chinese_territory']==i]['sum_amount'].pct_change()
    order_x=order_x.append(a)
    amount_x = amount_x.append(b)

新增order_diff和amount_diff两列
gather_customer_order_10_11_group['order_diff']=order_x
gather_customer_order_10_11_group['amount_diff']=amount_x
10月11月各个区域自行车销售数量、销售金额环比
gather_customer_order_10_11_group.head()

image.png

字段注释：
chinese_territory：区域，
create_year_month：时间，
order_num：区域销售数量，
sum_amount：区域销售金额，
order_diff：本月销售数量环比，
amount_diff：本月销售金额环比

将数据存入数据库

engine = create_engine('mysql://XXXXXXX/xxxxxx?charset=gbk')
datafrog=engine
gather_customer_order_10_11_group.to_sql('pt_bicy_november_territory_2',con = datafrog,if_exists='append', index=False)

2.3、2019年11月自行车销售量TOP10城市环比

筛选11月自行车交易数据
gather_customer_order_11 = gather_customer_order.loc[gather_customer_order["create_year_month"]=="2019-11"]
将gather_customer_order_11按照chinese_city城市分组，求和销售数量order_num
gather_customer_order_city_11= gather_customer_order_11.groupby("chinese_city").agg({"order_num":sum}).reset_index()
11月自行车销售数量前十城市
gather_customer_order_city_head = gather_customer_order_city_11.sort_values(by="order_num",ascending=False).iloc[0:10]
查看11月自行车销售数量前十城市
gather_customer_order_city_head

image.png

在10月11月自行车销售数据表gather_customer_order_city_head筛选销售前十城市
gather_customer_order_10_11_head = gather_customer_order_10_11[gather_customer_order_10_11["chinese_city"].isin(list(gather_customer_order_city_head["chinese_city"]))]

分组计算前十城市，自行车销售数量销售金额
gather_customer_order_city_10_11 = gather_customer_order_10_11_head.groupby(["chinese_city",'create_year_month']).agg({"order_num":sum,"sum_amount":sum}).reset_index()

计算前十城市环比
city_top_list = list(gather_customer_order_city_head["chinese_city"])
order_top_x = pd.Series([])
amount_top_x = pd.Series([])
for i in city_top_list:
    #print(i)
    a=gather_customer_order_city_10_11.loc[gather_customer_order_city_10_11["chinese_city"]==i]["order_num"].pct_change()
    b=gather_customer_order_city_10_11.loc[gather_customer_order_city_10_11["chinese_city"]==i]["sum_amount"].pct_change()
    order_top_x=  order_top_x.append(a)
    amount_top_x =amount_top_x.append(b)

重命名order_diff为销售数量环比，amount_diff为销售金额环比
gather_customer_order_city_10_11['order_diff']=order_top_x
gather_customer_order_city_10_11['amount_diff']=amount_top_x
gather_customer_order_city_10_11.head(5)

image.png

字段注释
chinese_city：城市，
create_year_month：时间，
order_num：本月销售数量，
sum_amount：本月销售金额，
order_diff：本月销售数量环比，
amount_diff：本月销售金额环比

存入数据库

engine = create_engine('mysql://XXXXX/xxxxx?charset=gbk')
datafrog=engine
gather_customer_order_city_10_11.to_sql('pt_bicy_november_october_city_3',con = datafrog,if_exists='append', index=False)

三、2019年11月自行车产品销售表现

3.1、细分市场销量表现

每个月自行车累计销售数量
gather_customer_order_group_month = gather_customer_order.groupby("create_year_month").agg({"order_num":sum}).reset_index()
计算自行车销量/自行车每月销量占比
order_num_proportion['order_proportion'] = order_num_proportion["order_num_x"]/order_num_proportion["order_num_y"]
order_num_proportion
重命名sum_month_order：自行车每月销售量
order_num_proportion = order_num_proportion.rename(columns={"order_num_y":"sum_month_order"})
order_num_proportion.head()

image.png

字段注释

create_date:时间,
product_name：产品名,
cpzl_zw：产品类别,
cplb_zw：产品大类,
order_num_x：产品当天销售数量,
customer_num：当天用户购买人数,
sum_amount：产品当天销售金额,
chinese_province:省份,
chinese_city：城市,
chinese_territory：区域,
create_year_month：月份,
sum_month_order：本月累计销量,
order_proportion：产品销量占比

将每月自行车销售信息存入数据库

engine = create_engine('mysql://frogdata05:XXXXX@xxxxx/datafrog05_adventure?charset=gbk')
datafrog=engine
order_num_proportion.to_sql('pt_bicycle_product_sales_month_4',con = datafrog,if_exists='append', index=False)

3.3、公路/山地/旅游自行车细分市场表现

查看自行车有那些产品子类

gather_customer_order['cpzl_zw']

公路自行车细分市场销量表现

gather_customer_order_road = gather_customer_order[gather_customer_order['cpzl_zw'] == '公路自行车']
公路自行车不同型号产品销售数量
gather_customer_order_road_month = gather_customer_order_road.groupby(['create_year_month','product_name']).agg({"order_num":sum}).reset_index()

公路自行车不同型号产品销售数量
gather_customer_order_road_month = gather_customer_order_road.groupby(['create_year_month','product_name']).agg({"order_num":sum}).reset_index()

合并公路自行车gather_customer_order_road_month与每月累计销售数量
用于计算不同型号产品的占比
gather_customer_order_road_month = pd.merge(gather_customer_order_road_month,gather_customer_order_road_month_sum,on="create_year_month")
gather_customer_order_road_month

image.png

山地自行车和旅游自行车与公路自行车分析方法一致

最后将三个张表数据合并

将山地自行车、旅游自行车、公路自行车每月销量信息合并
gather_customer_order_month = pd.concat([gather_customer_order_road_month,gather_customer_order_Mountain_month,gather_customer_order_tour_month],axis=0,sort=False)

各类自行车，销售量占每月自行车总销售量比率
gather_customer_order_month['order_num_proportio'] = gather_customer_order_month["order_num_x"]/gather_customer_order_month["order_num_y"]

将占比重命名为order_month_product当月产品累计销量，sum_order_month当月自行车总销量
gather_customer_order_month.rename(columns={"order_num_x":"order_month_product","order_num_y":"sum_order_month"},inplace=True)
gather_customer_order_month

image.png

字段注释：

create_year_month：时间，
product_name：产品名，
order_month_product：本月产品累计销量，
sum_order_month：当月自行车总销量，
order_num_proportio：本月产品销量占比

将数据存入数据库

engine = create_engine('mysql://XXXX@xxxxx/datafrog05_adventure?charset=gbk')
datafrog=engine
gather_customer_order_month.to_sql('pt_bicycle_product_sales_order_month_4',con = datafrog,if_exists='append', index=False)

计算2019年11月自行车环比

计算11月环比，先筛选10月11月数据
gather_customer_order_month_10_11 = gather_customer_order_month[gather_customer_order_month.create_year_month.isin(['2019-10','2019-11'])]

将10月11月自行车销售信息排序
gather_customer_order_month_10_11 = gather_customer_order_month_10_11.sort_values(by = ['product_name','create_year_month'])

取出自行车产品名称
product_name = list(gather_customer_order_month_10_11.product_name.drop_duplicates(keep='first'))

计算自行车销售数量环比
order_top_x = pd.Series([])
for i in product_name:
    b=gather_customer_order_month_10_11.loc[gather_customer_order_month_10_11["product_name"]==i]["order_month_product"].pct_change().fillna(0)
    order_top_x=order_top_x.append(b)

将环比列重命名为order_top_x
gather_customer_order_month_10_11['order_num_diff'] = order_top_x

gather_customer_order_month_10_11.head()

image.png

计算2019年1月至11月产品累计销量

筛选2019年1月至11月自行车数据
gather_customer_order_month_1_11 =  gather_customer_order_month[gather_customer_order_month['create_year_month'].isin(['2019-01','2019-02','2019-03','2019-04','2019-05','2019-06','2019-07','2019-08','2019-09','2019-10','2019-11'])]

计算2019年1月至11月自行车累计销量
gather_customer_order_month_1_11_sum = gather_customer_order_month_1_11.groupby(by = 'product_name').order_month_product.sum().reset_index()

重命名sum_order_1_11：1-11月产品累计销量
gather_customer_order_month_1_11_sum = gather_customer_order_month_1_11_sum.rename(columns = {'order_month_product':'sum_order_1_11'})

2019年11月自行车产品销量、环比、累计销量

累计销量我们在gather_customer_order_month_1_11_sum中已计算好，11月自行车环比、及产品销量占比在gather_customer_order_month_11已计算好，这里我们只需将两张表关联起来

按相同字段product_name产品名，合并两张表
gather_customer_order_month_11 = pd.merge(gather_customer_order_month_11,gather_customer_order_month_1_11_sum,on="product_name")
gather_customer_order_month_11.head()

image.png

存入数据库

engine = create_engine('mysql://XXXX@xxxxx/datafrog05_adventure?charset=gbk')
datafrog=engine
gather_customer_order_month_11.to_sql('pt_bicycle_product_sales_order_month_11',con = datafrog,if_exists='append', index=False)

四、用户行为分析

读取数据库客户信息表(分析数据为2019年，所以读取数据库时加入判定条件，优化读取速度）

engine = create_engine('mysql://XXXX@xxxxx/adventure_ods?charset=gbk')
datafrog=engine
df_CUSTOMER = pd.read_sql_query("select customer_key,birth_date,gender,marital_status from ods_customer where create_date < '2019-12-1'",con = datafrog)
查看表结构
df_CUSTOMER.info()

image.png

读取数据库销售订单表b

engine = create_engine('mysql://XXXX@xxxx/adventure_ods?charset=gbk')
datafrog=engine
df_sales_orders_11 = pd.read_sql_query("select *  from ods_sales_orders where create_date>='2019-11-1' and   create_date<'2019-12-1'",con = datafrog)
df_sales_orders_11.info()

image.png

销售订单表中仅客户编号，无客户年龄性别等信息，需要将销售订单表和客户信息表合并

sales_customer_order_11=pd.merge(df_sales_orders_11,df_CUSTOMER,on='customer_key',how='left')
sales_customer_order_11.head(3)

image.png

4.1、用户年龄分析

计算用户年龄

修改出生年为int数据类型
sales_customer_order_11['birth_year'] = sales_customer_order_11.birth_year.values.astype('int64')
sales_customer_order_11['customer_age'] = 2019 - sales_customer_order_11['birth_year']

年龄分层1

自定义分层函数
def fenceng(age):
    if age>=30 and age<35:
        return "30-34"
    elif age>=35 and age<40:
        return"35-40"
    elif age>=40 and age<45:
        return"40-44"
    elif age>=45 and age<50:
        return"45-50"
    elif age>=55 and age<60:
        return"55-60"
    else:
        return"60-64"
sales_customer_order_11['customer_age'].apply(fenceng)

新增'age_level'分层区间列
sales_customer_order_11['age_level'] = pd.cut(sales_customer_order_11['customer_age'],[0,30,35,40,45,50,55,60],labels=["30-34","35-39","40-44","45-49","50-54","55-59","60-64"])

image.png

筛选销售订单为自行车的订单信息

df_customer_order_bycle = sales_customer_order_11.loc[sales_customer_order_11['cplb_zw'] == '自行车']

计算年龄比率

df_customer_order_bycle['age_level_rate'] = 1 / len(df_customer_order_bycle)

再将年龄段经行划分

将年龄分为3个层次
df_customer_order_bycle["age_level2"]=pd.cut(df_customer_order_bycle['customer_age'],[0,30,40,60],labels=['<=29','30-39','>=40'])
每个年龄段人数
age_level2_count_1 =df_customer_order_bycle['age_level2'].value_counts()

image.png

4.2、用户性别分析

按性别分组
gender_count = df_customer_order_bycle.groupby(by = 'gender').cplb_zw.count().reset_index()
将性别表和年龄表2进行合并
df_customer_order_bycle = pd.merge(df_customer_order_bycle,age_level2_count,on = 'age_level2').rename(columns = {'sales_order_key_y':'age_level2_count'})
计算年龄比率
df_customer_order_bycle['age_level2_rate'] = 1/df_customer_order_bycle['age_level2_count']
将订单表和性别表合并
df_customer_order_bycle = pd.merge(df_customer_order_bycle,gender_count,on = 'gender').rename(columns = {'cplb_zw_y':'gender_count'})
计算性别比率
df_customer_order_bycle['gender_rate'] = 1/df_customer_order_bycle['gender_count']

存入数据库

engine = create_engine('mysql://XXXX/xxxx/datafrog05_adventure?charset=gbk')
datafrog=engine
df_customer_order_bycle.to_sql('pt_user_behavior_november',con = datafrog,if_exists='append', index=False)

5.1、11月产品销量TOP10产品，销售数量及环比

计算TOP10产品

按照销量降序，取TOP10产品
customer_order_11_top10 = gather_customer_order_11.groupby(by = 'product_name').order_num.count().reset_index().\
                        sort_values(by = 'order_num',ascending = False).head(10)
customer_order_11_top10.head()

image.png

TOP10销量产品信息

list(customer_order_11_top10['product_name'])

image.png

计算TOP10销量及环比

customer_order_month_10_11 = gather_customer_order_month_10_11[['create_year_month','product_name','order_month_product','cpzl_zw','order_num_diff']]

customer_order_month_10_11 = customer_order_month_10_11[customer_order_month_10_11['product_name'].\
                                                        isin(list(customer_order_11_top10['product_name']))]

customer_order_month_10_11['category'] = '本月TOP10销量'
customer_order_month_10_11.head()

image.png

5.2、11月增速TOP10产品，销售数量及环比

customer_order_month_11 = gather_customer_order_month_10_11.loc[gather_customer_order_month_10_11['create_year_month'] == '2019-11'].\
                            sort_values(by = 'order_num_diff',ascending = False).head(10)

customer_order_month_11_top10_seep = gather_customer_order_month_10_11.loc[gather_customer_order_month_10_11['product_name'].\
                                                        isin(list(customer_order_month_11['product_name']))]
customer_order_month_11_top10_seep = customer_order_month_11_top10_seep[['create_year_month','product_name','order_month_product','cpzl_zw','order_num_diff']]
customer_order_month_11_top10_seep['category'] = '本月TOP10增速'

合并TOP10销量表与TOP10增速表 ,按照行维度合并

hot_products_11 = pd.concat([customer_order_month_10_11,customer_order_month_11_top10_seep],axis = 0)
hot_products_11.tail()

image.png

存入数据库

engine = create_engine('mysql://XXXXXXX@xxxxx/datafrog05_adventure?charset=gbk')
datafrog=engine
hot_products_11.to_sql('pt_hot_products_november',con = datafrog,if_exists='append', index=False)

三、可视化展示和总结

数据可视化

image.png

1.整体销售情况

（1）自行车整体销售情况

image.png

近11个月销量最高月份为11月，为3316辆；较10月增长7.1%,3月份环比最高，较2月份增长12%，2月份销量全年最低

（2）自行车整体销售金额情况

image.png

近11个月，11月自行车销售金额最高，为6190万元，较10月增长8.7%；自行车销售金额与销售数量
趋势一致

2.地域销售分析

（1）地域销售环比增速

image.png

华东整体销量高于其他地区，华南地区的销售增长最高达到15%

（2）Top10城市销售情况

image.png

北京和上海在10，11月份销量领先，郑州市的增长最快

3.产品销售分析

细分市场销量分析

（1）细分市场销量分析

image.png

公路自行车销量占比最高达到市场份额一半，旅游自行车销量最低，消费者更偏爱公路自行车

（2）公路自行车销量分析

image.png

11月公路自行车，除Road-350-W Yellow外，其他型号的自行车环比都呈上升趋势 Road-650 较10月增长14.29%，增速最快
公路自行车中型号150red 、750black、550 W-Yellow销量占比相当，更受消费者欢迎

（3）山地自行车销量分析

image.png

11月山地自行车，除Mountain-200 Black外，其他型号的自行车环比呈上升的趋势
型号Mountain-500 Silver增速最快，为19.51%
山地自行车中型号Mountain-200 Silver，Mountain-200 Black销售份额占比最高，更受消费者青睐，说明这个车型设计较为受欢迎

（3）旅行自行车销量分析

image.png

11月旅游自行车，除型号Touring-2000 Blue、Touring-3000 Blue外，其他型号的自行车环呈上升趋势
型号Touring-1000 Yellow较10月增速最快，为27.18%
旅游自行车型号Touring-1000 Blue,Touring-1000 Yellow销售份额占比最大,更受消费者青睐，说明这个车型设计较为受欢迎

5.用户行为分析

（1）年龄

image.png

根据年龄断划分，年龄35-39岁消费人数占比最高为29%，之后随着年龄的增长，占比逐渐下降。

（2）性别

image.png

按照性别分析，男性消费者占比略多为55%，公路自行车无论男女都是最受欢迎产品，其次是山地自行车
性别消费占比基本一致

6.热品销售分析

（1）11月Top10销量产品

image.png

11月型号为Mountain-200 Silver销售量最多，为395辆；较10月增长10.64%

（2）11月Top10销量增速产品

image.png

11月型号为Touring-1000 Yellow增速最快；较10月增长28.4%

adventure项目总结

一、项目背景介绍

1 客户类型

2 产品介绍

3 项目目标

二 、2019年11月自行车业务分析

项目准备

一、自行车整体销售表现

1.1、从数据库读取源数据：dw_customer_order

1.2、自行车整体销售量表现

将数据存入数据库

二、2019年11月自行车地域销售表现

2.1、源数据dw_customer_order，数据清洗筛选10月11月数据

2.2、2019年11月自行车区域销售量表现

将数据存入数据库

2.3、2019年11月自行车销售量TOP10城市环比

存入数据库

三、2019年11月自行车产品销售表现

3.1、细分市场销量表现

字段注释

将每月自行车销售信息存入数据库

3.3、公路/山地/旅游自行车细分市场表现

查看自行车有那些产品子类

公路自行车细分市场销量表现

山地自行车和旅游自行车与公路自行车分析方法一致

最后将三个张表数据合并

字段注释：

将数据存入数据库

计算2019年11月自行车环比

计算2019年1月至11月产品累计销量

2019年11月自行车产品销量、环比、累计销量

存入数据库

四、用户行为分析

4.1、用户年龄分析

4.2、用户性别分析

存入数据库

5.1、11月产品销量TOP10产品，销售数量及环比

计算TOP10产品

计算TOP10销量及环比

5.2、11月增速TOP10产品，销售数量及环比

存入数据库

三、可视化展示和总结

数据可视化

1.整体销售情况

（1）自行车整体销售情况

（2）自行车整体销售金额情况

2.地域销售分析

（1）地域销售环比增速

（2）Top10城市销售情况

3.产品销售分析

细分市场销量分析

（1）细分市场销量分析

（2）公路自行车销量分析

（3）山地自行车销量分析

（3）旅行自行车销量分析

5.用户行为分析

（1）年龄

（2）性别

6.热品销售分析

（1）11月Top10销量产品

（2）11月Top10销量增速产品

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

二、2019年11月自行车业务分析