Excel电商女装评价分析

时间:2024-06-01 08:40:16

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。
Excel电商女装评价分析

根据特征变量的特性,我们将其分为4类。

  1. 消费者信息类
    Age:消费者的年龄
  2. 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。
  3. 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
  4. 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。
Excel电商女装评价分析
Excel电商女装评价分析
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。
Excel电商女装评价分析
Excel电商女装评价分析

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%

Excel电商女装评价分析
Excel电商女装评价分析

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。
Excel电商女装评价分析
Excel电商女装评价分析

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。
Excel电商女装评价分析
Excel电商女装评价分析

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。
Excel电商女装评价分析
Excel电商女装评价分析
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。
Excel电商女装评价分析

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。
Excel电商女装评价分析
Excel电商女装评价分析

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”。
Excel电商女装评价分析
Excel电商女装评价分析

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%
Excel电商女装评价分析

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。
Excel电商女装评价分析
Excel电商女装评价分析

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。

Excel电商女装评价分析
Excel电商女装评价分析

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)
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析
Excel电商女装评价分析