本文主要是用excel做的数据分析案例。目的是梳理在遇到小型数据样本时，快速利用excel做分析（可以参考前文简单案例的分析步骤）。本篇文章的重点是分析思路+数据处理+可视化的实现，由于数据集维度有限，不做深入的解析。
一、项目背景
通过对某电商的销售数据进行分析，确定其主要影响因素（包括地区、产品、用户的不同维度[用户画像]、时间等方面），并根据分析的结果，提出对此电商后续经营的一些想法和建议。。
二、理解数据
本项目数据为某电商平台 2017 年1月-2017 年 12月每日订单详情数据和用户信息数据，包括两个数据表，销售订单表和用户信息表。其中销售订单表为每个订单的情况明细，一个订单对应一次销售。这两个表的表结构分别为：
三、分析问题研究（分析思路和框架整理）
四、数据处理（详细看思维导图）
五、数据分析与可视化
图表解读：店铺的主力消费为女性用户、年龄分布在80、90后的未婚人群，学历主要是中专、博士和研究生；在地区维度上，天津地区的消费远大于其它地区。用户的购买偏好是饮料、日用品。
如果要深入分析：
1、消费主力人群中，80、90后的婚姻情况如何？在城市的分布上如何？
2、学历对消费水平的影响有多大？
3、是否收入越高消费就越多？频次、客单价、总金额的情况呢？男女生的差异如何？
4、不同年龄段用户的购买偏好有何差异？
5、消费金额高的城市是否购买频次和客单价也高？用户量情况如何？
6、年龄与购买力是否有关联？
（由于数据是经过脱敏和处理的，分析结果不一定是真实情况，感兴趣的朋友可以试着分析学习一下思路）
通过RFM模型对用户做分类，可以针对不同类型用户采取相应的运营策略；重点维护消费频率在80~100之间的用户，同时，我们可以看出平台的新用户是逐渐递增的，但是留存率较低。
还能想到哪些问题？
1、留存下来的客户与R、F、M三个维度之间的关系如何？创造的价值是否比已经流失的客户更高？
2、如果流失的客户创造的价值更高，有什么方法可以召回或者挽留？
3、用户的消费频次与消费金额M之间的关系如何？
4、贡献率前20%的用户的留存率是否正常？
5、重点挽留和重点发展的用户数量不少，如何对这部分用户进行更好的营销，以便让其贡献更大的价值？
6、贡献率前20%的用户有哪些特征？这些特征是否具有可复制性？后期是否可以尝试着往具有这部分特征的潜在用户进行重点的营销推广和拉新？
7、为何近期的留存率比之前低了那么多？是季节周期原因还是产品、运营、营销、物流等自身的问题？又或者是因为样本量不同导致的？
8、留存率方面，哪些产品的留存率更高？留存率高的用户又有哪些特征？是否可以对留存率高的用户进行深入分析，以便为后续的用户运营和店铺经营提供思路和方向，从而提高整体用户的留存？
关于产品方面有哪些可以深入分析的？
1、购物篮分析（也就是商品关联分析），用来做商品推荐或者捆绑提高客单价，要怎么进行分析？
2、不同用户群商品类别偏好？或者同类别不同价位偏好如何？
3、前20%的供应商是否稳定？对平时的活动是否配合？是否有议价空间？是否有更好的可替代供应商？
4、每个类别下的商品价格带分布如何？
5、能否进一步按照ABC分类的方法对商品进行更加细致的划分？从而提高商品经营水平？
