电商女装评价分析
数据来源：https://www.kesci.com/home/dataset/5aab7e09afaabd5e93e4df30/project
项目背景
基于某电商女性服装评论数据集，从“人—货—场(店)”三个角度进行分析，以期得到不同年龄段的消费者评论的情况，不同类型服装被评论的情况，整体店铺的好评推荐情况
数据概况
数据集共包含23486行和10个特征变量。
根据特征变量的特性，我们将其分为4类。
- 消费者信息类
Age：消费者的年龄 - 商品特征类
Clothing ID：服装编号，具有唯一性
Division Name：一级分类。分为General（常规服饰）、General Petite（小个子服饰）、Intimate（私人贴身服饰）。
Department Name：二级分类。例如Tops（上装）、Bottoms（下装）、Dresses（裙装）等
Class Name：三级分类。例如Pants（裤子）、Skirts（半身裙）、Jeans（牛仔裤）等，它们都属于Bottoms（下装）类。 - 评论信息类
Title：评论的标题
Review Text：评论的内容
Rating：星级，1~5级，级别越高表示越满意
Recommended IND：是否推荐，1表示推荐，0表示不推荐 - 其他购买者对于评论的反馈
Positive Feedback Count：积极的反馈计数，可以理解为有多少人“觉得评论对自己有用”
数据处理
Title、Review Text、Division Name、Department Name、Class Name包含缺失值。
Title、Review Text缺失数据较多，但是Rating和Recommended IND并没有缺失值。这部分消费者只是没有写文字性的评论，Rating和Recommended IND两项可以代表他们对商品的态度，所以保留Title、Review Text的缺失数据。
Division Name、Department Name、Class Name均有14项缺失值，数据量极少，所以选择删除这14条数据。
为了方便分析，增加一列“rating rank”（L列），计算公式为lookup（F列,{0,3,4},{“negative”,” neutral”,” positive”}） F列为rating列。
Rating rank列：星级等级，1-2星为“不满意”，3星为“一般”，4-5星为“满意”
增加一列“age rank”，对年龄按照10岁的间隔分为一组，计算公式为=LOOKUP(C列,{10,20,30,40,50,60,70,80,90},{“10-19”,“20-29”,“30-39”,“40-49”,“50-59”,“60-69”,“70-79”,“80-89”,“90以上”})。C列为age。
数据分析
一 店铺整体情况分析
1.商品类型分析
选取Cloting ID、Department Name、Class Name列，先删除clothing ID重复项、然后使数据透视表统计各级分类的数量。
分析：店铺共有1199款不同的服装，主要分为6个大类。其中Top类（上装）的款式最大，占总体的48.54%。
6个产品大类中又细为20个小类，其中dresses小类的款式最多，有239种。
2 年龄段分析
使用透视表将年龄按照10岁的间隔进行分类，然后统计各年龄段的评论数
透视表行标签选择age rank。列标签rating（计数&值显示/全部汇总的百分比）
分析：30-49岁的消费者是店铺的主要客户，占所有客户的58.88%
3 星级分析
同理，创建数据透视表，探讨rating星级和评论的关系。
分析：有18194条评论给出4星和5星好评，占所有评论的77.51%。1星和2星的低分评价只占所有评论的10.25%，说明该店铺的总体评价较好，客户满意度较高。
二 商品分析
1. 各类商品评论数分析
分析：Top上装类收到的评价数最多，有10468条。其次是Dresses裙子类6319条。Trend类收到的评价数最少，只有119条。
2. 各类服装星级分析
数据透视表，行标签：Department Name，列标签：Rating rank。数值：Rating rank（计数项），显示方式：行汇总的百分比。
分析：Bottoms类服装差评率最低，Intimate列服装好评率最高。
3. 爆款类型分析
评论数超过300条的服装为爆款服装。
虽然评论数并不等于销量，但是一般情况下，评论数和销量是成正相关关系的。一般评价数较高的商品销量也较高。
分析：评论数超过300条的服装共计14件，评论总数7234，占总评论数的30.8%。这14款服装可以定义为爆款。
14件爆款均属于Dresses和Tops两个大类，其中Dresses类有5件总评论数3169，Tops类有9件总评价数4065。
透视表 行标签：Department Name + Class Name + Clothing ID，列标签：Rating计数线，筛选Rating大于300的clothong ID。
4. 爆款星级分析
筛选出上面的14种爆款，使用数据透视表进行星级等级分析
行标签为Clothing ID，列标签为Rating rank。数值：Rating rank（计数），值显示方式选择“行汇总的百分比”。
5. 爆款推荐率
行标签：Clothing ID，数值：Recommended IND（求和），Rating(计数)。创建一个字段：推进率= Recommended IND（求和）/ Rating(计数)。表格按照Recommended IND进行降序排序，选择前14项进行分析。
分析：被推荐次数最多的14项和爆款的14项是相同的。爆款的推荐率均超过75%
三：消费者分析
1. 不同服装大类的消费者年龄分布
行标签：Department Name，列标签：Age rank。数值：Department Name（计数），显示方式：列汇总的百分比。
分析：6大类中消费者最爱买Tops和Dresses类。随着年龄增长买Tops类的人数增多，买Dresses类的人数减少。
2. 20个服装小类的消费人群年龄分布
行标签：class name，列标签：Age rank。数值：Department Name（计数），显示方式：列汇总的百分比。结果按照降序排序。
分析：20个小类中消费者最爱买Dresses和Knits。Casual bottom和chemises类服装几乎没有人购买，可以考虑降低其进货量。
报告展示（PPT）
