全文链接：http://tecdat.cn/?p=29528
分析师：Enno
案例数据集是在线零售业务的交易数据，采用Python为编程语言，采用Hadoop存储数据，采用Spark对数据进行处理分析，并使用Echarts做数据可视化。由于案例公司商业模式类似新零售，或者说有向此方向发展利好的趋势，所以本次基于利于公司经营与发展的方向进行数据分析。
一、概念介绍
用大数据对产品的开发、生产、销售、流通等进行效能升级，优化整合线上线下资源，全方位提升用户体验的零售模式，这就是新零售。
1、新零售不仅仅是销售。
除了营销层面，新零售几乎涉及了产品的研发、设计、生产、品控、调度、包装、物流、品牌、服务、体验等各个环节。所以绝对不能把新零售仅仅定义在营销和销售的层面上，不仅仅是卖东西，除了卖东西，涉及到了企业经营的几乎所有方面，其最终目的是对内提升企业效能，对外增强客户体验。
2、新零售的核心是用户体验。
不管是线下还是线上，不管什么形式，什么业态，不管是不是电子商务，只要不能在“多快好省”4个方面提升消费者的用户体验，那就不是新零售，就是伪新零售。
新零售会围绕“选择更多、配送更快、质量更好、价格更省”4个维度来提升用户体验，盒马鲜生为什么火，因为现场买完就下锅明显满足了后面3个“更快 更好 更省”；便利蜂、无人售货机等新零售为什么快速扩张？更快。
3、数据驱动。
比如，今年双十一，平台上的大数据会根据你在双十一前放到购物筐里但没下单的商品，凭借你在平台上的购物习惯和频次，判断你在双十一期间下单的数量和商品类别，然后提前发货到离你家最近的仓储点。未来随着无人机等工具的发展，有可能你刚下完单，11楼窗口无人机就会载着货敲你家窗户。另外大数据还可以根据用户的下单数据确定产品的颜色、样式，分析出最可能热卖的产品，直接主导研发过程。
二、案例与需求分析
采用Python为编程语言，采用Hadoop存储数据，采用Spark对数据进行处理分析，并使用Echarts做数据可视化。由于案例公司商业模式类似新零售，或者说有向此方向发展利好的趋势，所以本次基于利于公司经营与发展的方向进行数据分析。
工作流程如下：
1、环境搭建：本次作业使用的环境和软件如下：
（1）Linux操作系统：Ubuntu 18.04
（2）Python：3.5.2
（3）Hadoop：3.1.3
（4）Spark：2.4.0
（5）Bottle：v0.12.18
2、数据预处理：进行数据清洗，过滤掉有缺失值的记录
3、数据处理：
（1）筛选出10个客户数最多的国家
（2）筛选出10个销量最高的国家
（3）统计各个国家的总销售额分布情况
（4）统计销量最高的10个商品
（5）统计商品描述的热门关Top300
（6）统计退货订单数最多的10个国家
（7）统计月销售额随时间的变化趋势
（8）统计日销量随时间的变化趋势
（9）统计各国的购买订单量和退货订单量的关系
（10）统计商品的平均单价与销量的关系
4、结果可视化
使用Bottle启动web服务，结合Echarts可视化框架完成统计结果的展示
5、拓展分析
（1）运营管理与决策
（2）优化企业供应链资源配置
（3）财务数据分析
三、工作详细过程
1、环境搭建：
Bottle是一个快速、简洁、轻量级的基于WSIG的微型Web框架，此框架除了Python的标准库外，不依赖任何其他模块。安装方法是，打开Linux终端，执行如下命令：
sudo apt-get install python3-pippip3 install bottle
此外，我还安装了jupyter notebook,个人觉得比较方便快捷。
2、数据预处理：
数据集时间跨度为2010-12-01到2011-12-09，每个记录由8个属性组成，具体的含义如下表：
首先，将数据集上传至hdfs上，命令如下：
接着，使用如下命令进入pyspark的交互式编程环境，对数据进行初步探索和清洗：
（1）读取在HDFS上的文件，以csv的格式读取，得到DataFrame对象。
（2）查看数据集的大小，输出541909，不包含标题行。
（3）打印数据集的schema，查看字段及其类型信息。输出内容就是上文中的属性表。
（4）创建临时视图data。
（5）由于顾客编号CustomID和商品描述Description均存在部分缺失，所以进行数据清洗，过滤掉有缺失值的记录。特别地，由于CustomID为integer类型，所以该字段若为空，则在读取时被解析为0，故用df[“CustomerID”]!=0 条件过滤。
（6）查看清洗后的数据集的大小，输出406829。
（6）数据清洗结束。根据作业要求，预处理后需要将数据写入HDFS。将清洗后的文件以csv的格式，写入E\_Commerce\_Data_Clean.csv中（实际上这是目录名，真正的文件在该目录下，文件名类似于part-00000），需要确保HDFS中不存在这个目录，否则写入时会报“already exists”错误。
至此，数据预处理完成。接下来将使用python编写应用程序，对清洗后的数据集进行统计分析。
3、数据处理
首先，导入需要用到的python模块。
接着，获取spark sql的上下文。
最后，从HDFS中以csv的格式读取清洗后的数据目录E\_Commerce\_Data_Clean.csv，程序会取出该目录下的所有数据文件，得到DataFrame对象，并创建临时视图data用于后续分析。
清洗过后的部分数据展示：
（1）筛选出10个客户数最多的国家
每个客户由编号CustomerID唯一标识，所以客户的数量为COUNT(DISTINCT CustomerID)，再按照国家Country分组统计，根据客户数降序排序，筛选出10个客户数最多的国家。得到的countryCustomerDF为DataFrame类型，执行collect()方法即可将结果以数组的格式返回。
最后调用save方法就可以将结果导出至文件了，结果如下： 
（2）筛选出10个销量最高的国家
Quantity字段表示销量，因为退货的记录中此字段为负数，所以使用SUM(Quantity)即可统计出总销量，即使有退货的情况。再按照国家Country分组统计，根据销量降序排序，筛选出10个销量最高的国家。得到的countryQuantityDF为DataFrame类型，执行collect()方法即可将结果以数组的格式返回。
（3）各个国家的总销售额分布情况
UnitPrice 字段表示单价，Quantity字段表示销量，退货的记录中Quantity字段为负数，所以使用SUM(UnitPrice*Quantity)即可统计出总销售额，即使有退货的情况。再按照国家Country分组统计，计算出各个国家的总销售额。得到的countrySumOfPriceDF为DataFrame类型，执行collect()方法即可将结果以数组的格式返回。
（4）销量最高的10个商品
Quantity字段表示销量，退货的记录中Quantity字段为负数，所以使用SUM(Quantity)即可统计出总销量，即使有退货的情况。再按照商品编码StockCode分组统计，计算出各个商品的销量。得到的stockQuantityDF为DataFrame类型，执行collect()方法即可将结果以数组的格式返回。
（5）商品描述的热门关Top300
Description字段表示商品描述，由若干个单词组成，使用LOWER(Description)将单词统一转换为小写。此时的结果为DataFrame类型，转化为rdd后进行词频统计，再根据单词出现的次数进行降序排序，流程图如下：
得到的结果为RDD类型，为其制作表头wordCountSchema，包含word和count属性，分别为string类型和integer类型。调用createDataFrame()方法将其转换为DataFrame类型的wordCountDF，将word为空字符串的记录剔除掉，调用take()方法得到出现次数最多的300个关键词，以数组的格式返回。
（6）退货订单数最多的10个国家
InvoiceNo字段表示订单编号，所以订单总数为COUNT(DISTINCT InvoiceNo)，由于退货订单的编号的首个字母为C，例如C540250，所以利用WHERE InvoiceNo LIKE ‘C%’子句即可筛选出退货的订单，再按照国家Country分组统计，根据退货订单数降序排序，筛选出10个退货订单数最多的国家。得到的countryReturnInvoiceDF为DataFrame类型，执行collect()方法即可将结果以数组的格式返回。
（7）月销售额随时间的变化趋势
统计月销售额需要3个字段的信息，分别为订单日期InvoiceDate，销量Quantity和单价UnitPrice。由于InvoiceDate字段格式不容易处理，例如“8/5/2011 16:19”，所以需要对这个字段进行格式化操作。由于统计不涉及小时和分钟数，所以只截取年月日部分，并且当数值小于10时补前置0来统一格式，期望得到年、月、日3个独立字段。先实现formatData()方法，利用rdd对日期、销量和单价字段进行处理。
流程图如下： 
由于要统计的是月销售额的变化趋势，所以只需将日期转换为“2011-08”这样的格式即可。而销售额表示为单价乘以销量，需要注意的是，退货时的销量为负数，所以对结果求和可以表示销售额。RDD的转换流程如下： 
得到的结果为RDD类型，为其制作表头schema，包含date和tradePrice属性，分别为string类型和double类型。调用createDataFrame()方法将其转换为DataFrame类型的tradePriceDF，调用collect()方法将结果以数组的格式返回。
（8）日销量随时间的变化趋势
由于要统计的是日销量的变化趋势，所以只需将日期转换为“2011-08-05”这样的格式即可。先调用上例的formatData()方法对日期格式进行格式化。RDD的转换流程如下： 
得到的结果为RDD类型，为其制作表头schema，包含date和saleQuantity属性，分别为string类型和integer类型。调用createDataFrame()方法将其转换为DataFrame类型的saleQuantityDF，调用collect()方法将结果以数组的格式返回。
（9）各国的购买订单量和退货订单量的关系
InvoiceNo字段表示订单编号，退货订单的编号的首个字母为C，例如C540250。利用COUNT(DISTINCT InvoiceNo)子句统计订单总量，再分别用WHERE InvoiceNo LIKE ‘C%’和WHERE InvoiceNo NOT LIKE ‘C%’统计出退货订单量和购买订单量。接着按照国家Country分组统计，得到的returnDF和buyDF均为DataFrame类型，分别表示退货订单和购买订单，如下所示： 
再对这两个DataFrame执行join操作，连接条件为国家Country相同，得到一个DataFrame。但是这个DataFrame中有4个属性，包含2个重复的国家Country属性和1个退货订单量和1个购买订单量，为减少冗余，对结果筛选3个字段形成buyReturnDF。如下所示： 
最后执行collect()方法即可将结果以数组的格式返回。
（10）商品的平均单价与销量的关系
由于商品的单价UnitPrice是不断变化的，所以使用平均单价AVG(DISTINCT UnitPrice)来衡量一个商品。再利用SUM(Quantity)计算出销量，将结果按照商品的编号进行分组统计，执行collect()方法即可将结果以数组的格式返回。
最后，将所有的函数整合在变量 m中，通过循环调用上述所有方法并导出json文件到当前路径的static目录下。
最后利用如下指令运行分析程序：
4、结果可视化
编写python程序，实现一个简单的web服务器，代码如下：
bottle服务器对接收到的请求进行路由，规则如下：
（1）访问/static/时，返回静态文件
（2）访问/.html时，返回网页文件
（3）访问/时，返回首页index.html
服务器的9999端口监听来自任意ip的请求（前提是请求方能访问到这台服务器）。
首页index.html的主要代码如下(由于篇幅较大，只截取主要的部分)
图表页通过一个iframe嵌入到首页中。以第一个统计结果的网页countryCustomer.html为例，展示主要代码：
若打印出以下信息则表示web服务启动成功。接着，可以通过使用浏览器访问网页的方式查看统计结果。
可视化结果如下：
四、拓展分析
为了使销售情况更直观，我进行了热力图绘制，能够明显看出当前公司的业务板块分布，也方便后续的更多分析。
代码如下： 
地图如下：
- 运营管理与决策
- 拓展业务板块
从热力图可以看出业务主要在英国本地，加拿大，澳大利亚，巴西，沙特阿拉伯等国家，而美国、亚洲、俄罗斯、非洲等地几乎没有业务，而其实美国、亚洲等地潜力巨大，可以通过宣传广告等营销方式尝试将商品销售至这些国家。
- 巩固原有客人
目前公司顾客主要集中在英国本地及周边的欧洲国家，且顾客数量悬殊巨大，
需要钻研顾客喜好或提升品质保留原有客人，以及使在拥有顾客的国家能够吸引更多消费者。
可以看到看到有些商品即使价格较高，销量仍然很高，可以考虑适当调整价格，赚取更多利润；还有有些商品销量过低，可以调整价格，或者停止生产。
上半年销量较低，可以在上半年多运用营销手段提高销量。
根据热门商品以及热门关键词预测生产商品。
- 针对性削减业务
有一些进货量不多，退货量还大的国家，可以计算利润，可以停止或减少在这些地区的销售业务。
2、优化企业供应链资源配置
物流资源主要分配给英国本地，加拿大，澳大利亚，巴西，沙特阿拉伯。
由于销量大的地区退货量也大，所以要倾斜物流资源，最好可以有办法将物流成本降低，比如跟当地物流形成合作。
在上半年货品产量可以稍小，下半年货物可以递增缓步增加产量，下半年以生产礼品为重点
3、财务数据分析
在此可看到各个国家销售额，若有更多例如商品成本、物流成本等数据还可以进行如资产质量分析、 利润质量分析、 资本结构分析、 现金流分析等更多详细的分析，但由于有些数据涉及公司隐私爬取不到，所以在此分析结束。
关于分析师
在此对Enno对本文所作的贡献表示诚挚感谢，她专长Spark、Python、hadoop数据分析。
