项目总结

本项目通过分析双十一期间淘宝美妆商品数据，揭示了电商平台常见的打折套路。

主要技术亮点包括：

1. 数据清洗与预处理：处理缺失值、日期转换、商品分类
2. 多维分析：商品生命周期分析、价格波动追踪、品牌策略对比
3. 交互可视化：使用Bokeh构建动态图表，支持数据探索
4. 四象限分析法：直观展示品牌打折策略分布

技术实现细节

1. 数据准备

# 数据加载与预处理
df = pd.read_excel('双十一淘宝美妆数据.xlsx', sheetname=0)
df.fillna(0, inplace=True)
df.index = df['update_time']
df['date'] = df.index.day

关键技术：

• 使用Pandas处理Excel数据
• 日期时间转换（提取day信息）
• 缺失值填充（fillna）

2. 商品生命周期分析

# 商品销售周期分类
id_data['type'] = '待分类'
id_data['type'][(id_data['min'] < 11) & (id_data['max'] > 11)] = 'A'  # 持续在售
id_data['type'][(id_data['min'] < 11) & (id_data['max'] == 11)] = 'B' # 双十一后下架
...

分析维度：

• 商品在双十一前后的上下架情况
• 识别预售商品（通过标题含"预售"关键词）
• 计算真正参与活动的商品比例

3. 价格分析核心逻辑

# 价格波动分析
data2['period'] = pd.cut(data2['date'], 
                         [4, 10, 11, 14], 
                         labels=['双十一前', '双十一当天', '双十一后'])

# 折扣率计算
result3_data2['zkl'] = result3_data2['price_x'] / result3_data2['price_y']

关键发现：

• 31.37%的商品实际有折扣
• 大部分折扣集中在8-9折区间
• 识别出"先涨后降"的价格套路

4. 交互可视化实现

# Bokeh交互图表配置
hover = HoverTool(tooltips=[("品牌", "@brand"),
                          ("折扣率", "@zkl"),
                          ("商品总数", "@amount")])

p = figure(plot_width=600, plot_height=600,
          tools=[hover, 'box_select,reset,wheel_zoom'])

可视化亮点：

1. 品牌参与度柱状图（带悬停提示）
2. 折扣率分布折线图
3. 四象限策略分析图

5. 四象限分析法

# 四象限分割线
x = Span(location=x_mean, dimension='height') 
y = Span(location=y_mean, dimension='width')
p.add_layout(x); p.add_layout(y)

# 象限标注
bg1 = BoxAnnotation(bottom=y_mean, right=x_mean, 
                   fill_alpha=0.1, fill_color='olive')
label1 = Label(x=0.1, y=0.55, text="少量大打折")

象限定义：

• 第一象限：少量大打折（高折扣率+低参与度）
• 第二象限：大量大打折（高折扣率+高参与度）
• 第三象限：少量少打折（低折扣率+低参与度）
• 第四象限：大量少打折（低折扣率+高参与度）

项目价值

1. 消费者视角：揭示真实折扣情况，帮助理性消费
2. 商家视角：分析竞品营销策略，优化促销方案
3. 技术价值：
   • 展示了完整的数据分析流程
   • 实现了业务逻辑的可视化表达
   • 创新性地应用四象限分析法

改进方向

1. 增加时间序列分析，识别价格波动模式
2. 结合NLP技术分析商品评论情感
3. 构建折扣预测模型

# Python双十一电商打折套路分析

## 项目总结

本项目通过分析双十一期间淘宝美妆商品数据，揭示了电商平台常见的打折套路。

主要技术亮点包括：

1. **数据清洗与预处理**：处理缺失值、日期转换、商品分类
2. **多维分析**：商品生命周期分析、价格波动追踪、品牌策略对比
3. **交互可视化**：使用Bokeh构建动态图表，支持数据探索
4. **四象限分析法**：直观展示品牌打折策略分布

## 技术实现细节

### 1. 数据准备

```python
# 数据加载与预处理
df = pd.read_excel('双十一淘宝美妆数据.xlsx', sheetname=0)
df.fillna(0, inplace=True)
df.index = df['update_time']
df['date'] = df.index.day

关键技术：

• 使用Pandas处理Excel数据
• 日期时间转换（提取day信息）
• 缺失值填充（fillna）

2. 商品生命周期分析

# 商品销售周期分类
id_data['type'] = '待分类'
id_data['type'][(id_data['min'] < 11) & (id_data['max'] > 11)] = 'A'  # 持续在售
id_data['type'][(id_data['min'] < 11) & (id_data['max'] == 11)] = 'B' # 双十一后下架
...

分析维度：

• 商品在双十一前后的上下架情况
• 识别预售商品（通过标题含"预售"关键词）
• 计算真正参与活动的商品比例

3. 价格分析核心逻辑

# 价格波动分析
data2['period'] = pd.cut(data2['date'], 
                         [4, 10, 11, 14], 
                         labels=['双十一前', '双十一当天', '双十一后'])

# 折扣率计算
result3_data2['zkl'] = result3_data2['price_x'] / result3_data2['price_y']

关键发现：

• 31.37%的商品实际有折扣
• 大部分折扣集中在8-9折区间
• 识别出"先涨后降"的价格套路

4. 交互可视化实现

# Bokeh交互图表配置
hover = HoverTool(tooltips=[("品牌", "@brand"),
                          ("折扣率", "@zkl"),
                          ("商品总数", "@amount")])

p = figure(plot_width=600, plot_height=600,
          tools=[hover, 'box_select,reset,wheel_zoom'])

可视化亮点：

1. 品牌参与度柱状图（带悬停提示）
2. 折扣率分布折线图
3. 四象限策略分析图

5. 四象限分析法

# 四象限分割线
x = Span(location=x_mean, dimension='height') 
y = Span(location=y_mean, dimension='width')
p.add_layout(x); p.add_layout(y)

# 象限标注
bg1 = BoxAnnotation(bottom=y_mean, right=x_mean, 
                   fill_alpha=0.1, fill_color='olive')
label1 = Label(x=0.1, y=0.55, text="少量大打折")

象限定义：

• 第一象限：少量大打折（高折扣率+低参与度）
• 第二象限：大量大打折（高折扣率+高参与度）
• 第三象限：少量少打折（低折扣率+低参与度）
• 第四象限：大量少打折（低折扣率+高参与度）

项目价值

1. 消费者视角：揭示真实折扣情况，帮助理性消费
2. 商家视角：分析竞品营销策略，优化促销方案
3. 技术价值：
   • 展示了完整的数据分析流程
   • 实现了业务逻辑的可视化表达
   • 创新性地应用四象限分析法

改进方向

1. 增加时间序列分析，识别价格波动模式
2. 结合NLP技术分析商品评论情感
3. 构建折扣预测模型

![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/2d98afd7ca364430bcb9a618e740e2da.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/05081874b6b24aa59ad2cedc3b437d38.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/09a7cb7c11634ca0980f11ea00b5ccaf.png)