从零构建电商数据分析项目：完整流程实战（Python版）

一份适合面试展示的端到端数据分析项目，涵盖数据分析全流程：业务理解→数据探索→清洗建模→分析洞察→可视化呈现

---

一、业务理解与问题定义（明确分析目标）

1.1 为什么做这个项目？

在面试数据分析岗位时，面试官最常问：**”你有没有做过完整的项目？”**

这个项目是我为面试准备的一个端到端数据分析案例，完整走了一遍数据分析的标准六步法：

业务理解 → 数据探索 → 数据清洗 → 数据分析 → 可视化 → 决策建议

1.2 业务背景与核心问题

Olist 是巴西最大的电商平台之一。作为数据分析师，我接到了以下业务需求：

业务问题	分析目标	对应方法
“我们的客户价值分布如何？”	识别高价值客户，制定差异化运营策略	RFM模型
“用户留存情况怎么样？”	评估用户粘性，找出流失节点	Cohort留存分析
“什么因素影响客户满意度？”	预测好评/差评，优化用户体验	机器学习分类
“如何降低订单延迟率？”	提前识别高风险订单，主动干预	预测模型

1.3 数据集介绍

本数据集包含2016年9月至2018年8月的10万+订单数据，共9张关联表：

数据表	记录数	列数	内存(MB)	业务含义
geolocation	1,000,163	5	145.20	地理位置
order_items	112,650	7	39.43	商品明细
payments	103,886	5	17.81	支付方式
orders	99,441	8	58.97	订单主表
customers	99,441	5	29.62	客户信息
reviews	99,224	7	42.75	用户评分
products	32,951	9	6.79	商品信息
sellers	3,095	4	0.66	卖家信息
category_translation	71	2	0.01	品类翻译

关键观察：

1. geolocation表最大（100万行）：包含邮编的经纬度信息，用于地理分析
2. order_items > orders：112,650 vs 99,441，说明部分订单包含多个商品
3. reviews接近订单数：99,224条评价，说明评价覆盖率较高（约99.8%）

数据关系图：

orders ──┬── order_items ── products ── category_translation
         ├── customers
         ├── payments
         ├── reviews
         └── sellers

---

二、数据探索与质量评估（了解数据现状）

2.1 运行环境与数据加载

环境信息：

• pandas 版本: 2.3.3
• numpy 版本: 1.26.4
• Python 3.x

代码实现：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
import os

# 动态获取项目路径
SCRIPT_DIR = os.path.dirname(os.path.abspath(__file__))
PROJECT_ROOT = os.path.dirname(SCRIPT_DIR)
DATA_PATH = os.path.join(PROJECT_ROOT, 'data/')

# 加载所有数据表
orders = pd.read_csv(DATA_PATH + 'olist_orders_dataset.csv')
order_items = pd.read_csv(DATA_PATH + 'olist_order_items_dataset.csv')
customers = pd.read_csv(DATA_PATH + 'olist_customers_dataset.csv')
payments = pd.read_csv(DATA_PATH + 'olist_order_payments_dataset.csv')
reviews = pd.read_csv(DATA_PATH + 'olist_order_reviews_dataset.csv')
products = pd.read_csv(DATA_PATH + 'olist_products_dataset.csv')
sellers = pd.read_csv(DATA_PATH + 'olist_sellers_dataset.csv')
geolocation = pd.read_csv(DATA_PATH + 'olist_geolocation_dataset.csv')
category_translation = pd.read_csv(DATA_PATH + 'product_category_name_translation.csv')

2.2 数据质量检查结果

面试常考问题：”如何评估数据质量？”

2.2.1 缺失值分析

数据表	字段	缺失数量	缺失比例	缺失原因分析
orders	order_delivered_customer_date	2,965	2.98%	未送达订单正常缺失
orders	order_delivered_carrier_date	1,783	1.79%	未发货订单正常缺失
orders	order_approved_at	160	0.16%	未审批订单
products	product_category_name	610	1.85%	数据采集问题
products	product_description_lenght	610	1.85%	同上
reviews	review_comment_title	87,656	88.34%	用户只打分不写标题
reviews	review_comment_message	58,247	58.70%	用户只打分不写评论

关键发现：

• orders表的缺失是业务逻辑导致的：未送达(shipped)、已取消(canceled)等状态的订单自然没有送达时间
• products表缺失需处理：610个产品缺少类别信息（1.85%），影响后续分类分析
• reviews表缺失正常：很多用户只评分不评论，review_score字段不缺失（核心字段完好）

订单状态与缺失值关系：

order_delivered_customer_date为空的订单状态分布：
- shipped:     1,107 (运输中)
- canceled:      619 (已取消)
- unavailable:   609 (不可用)
- invoiced:      314 (已开票)
- processing:    301 (处理中)
- delivered:       8 (异常数据)

2.2.2 重复值分析

数据表	检查字段	重复记录数	重复比例	结论
orders	order_id	0	0.00%	✅ 主键唯一
customers	customer_id	0	0.00%	✅ 主键唯一
order_items	[order_id, product_id]	10,225	9.08%	同一订单多个相同商品
geolocation	zip_code_prefix	981,148	98.10%	邮编对应多边形边界点

分析：

• order_items的重复是因为一个订单可能包含多个相同商品（多个数量）
• geolocation的”重复”是正常的，一个邮编区域有多个经纬度点（多边形边界）

2.2.3 异常值分析

价格异常值检测（IQR方法）：

价格统计:
count    112,650.000000
mean         120.653739
std          183.633928
min            0.850000
25%           39.900000
50%           74.990000
75%          134.900000
max        6,735.000000

指标	数值	说明
IQR检测到异常值	8,427个	占7.48%
正常范围	[-102.60, 277.40]	IQR方法计算
最高价格	6,735.00	可能是奢侈品
最低价格	0.85	可能是小配件

最高价格Top 5商品：

order_id	price	freight_value	分析
0812eb90…	6,735.0	194.31	高价商品，运费合理
fefacc66…	6,729.0	193.21	同上
f5136e38…	6,499.0	227.66	同上
a96610ab…	4,799.0	151.34	高价商品
199af31a…	4,690.0	74.34	运费较低

运费异常值分析：

• 运费高于商品价格的订单：4,124个（运费占比>100%）
• 原因：可能是商品便宜但重量大（如建材），或远距离配送（巴西幅员辽阔）

配送时间异常：

配送天数统计:
count    96,470.000000
mean         12.093604
std           9.551380
min           0.000000
25%           6.000000
50%          10.000000
75%          15.000000
max         209.000000

异常类型	数量	处理方式
配送时间为负（数据错误）	0个	数据质量良好
配送时间超过60天（超长配送）	288个	标记为缺失值

2.2.4 数据一致性检查

外键一致性：

检查项	结果	结论
order_items中的order_id在orders中	0个孤儿记录	✅ 一致
order_items中的product_id在products中	0个孤儿记录	✅ 一致
payments中的order_id在orders中	0个孤儿记录	✅ 一致
reviews中的order_id在orders中	0个孤儿记录	✅ 一致

逻辑一致性：

检查项	结果	处理建议
状态为’delivered’但没有配送时间	8个	数据不一致，需清洗
支付金额与订单金额差异>5%	216个	占0.22%，可接受

金额差异原因分析：

1. 使用了优惠券/折扣
2. 分期付款的手续费
3. 税费计算方式不同
4. 退款或部分取消

---

三、数据清洗与特征工程（准备分析数据）

3.1 数据清洗

3.1.1 时间格式转换

# 定义需要转换的时间列
datetime_cols = [
    'order_purchase_timestamp',
    'order_approved_at',
    'order_delivered_carrier_date',
    'order_delivered_customer_date',
    'order_estimated_delivery_date'
]

for col in datetime_cols:
    if col in orders.columns:
        orders[col] = pd.to_datetime(orders[col])

转换结果：

• ✅ order_purchase_timestamp
• ✅ order_approved_at
• ✅ order_delivered_carrier_date
• ✅ order_delivered_customer_date
• ✅ order_estimated_delivery_date

3.1.2 缺失值处理

Orders表：

# 创建是否已送达标记
orders['is_delivered'] = orders['order_status'] == 'delivered'

# 统计结果
已送达订单: 96,478
未送达订单: 2,963

Products表：

# 类别缺失用 'unknown' 填充
products['product_category_name'] = products['product_category_name'].fillna('unknown')

# 数值特征用中位数填充（对异常值更鲁棒）
填充值:
- product_name_lenght: 51.0
- product_description_lenght: 595.0
- product_photos_qty: 1.0
- product_weight_g: 700.0
- product_length_cm: 25.0
- product_height_cm: 13.0
- product_width_cm: 20.0

类别翻译合并：

products = products.merge(
    category_translation, 
    on='product_category_name', 
    how='left'
)
products['product_category_name_english'] = products['product_category_name_english'].fillna(
    products['product_category_name']
)

结果: 共有 74 个产品类别

3.1.3 异常值处理

配送时间异常：

# 处理负值和超长配送
delivered_orders['delivery_days'] = (
    delivered_orders['order_delivered_customer_date'] - 
    delivered_orders['order_purchase_timestamp']
).dt.days

# 统计
配送时间为负的订单: 0
配送时间超过100天的订单: 63
处理: 异常值已标记为缺失

价格异常（Winsorization）：

# 保留1%-99%分位数之间的值
价格截断范围: [9.99, 890.00]
[OK] 价格和运费已清洗（使用Winsorization）

3.2 特征工程

3.2.1 时间特征

# 从下单时间提取各种时间特征
delivered_orders['purchase_hour'] = delivered_orders['order_purchase_timestamp'].dt.hour
delivered_orders['purchase_dayofweek'] = delivered_orders['order_purchase_timestamp'].dt.dayofweek
delivered_orders['purchase_month'] = delivered_orders['order_purchase_timestamp'].dt.month
delivered_orders['purchase_year'] = delivered_orders['order_purchase_timestamp'].dt.year

# 是否周末
delivered_orders['is_weekend'] = delivered_orders['purchase_dayofweek'].isin([5, 6]).astype(int)

# 时间段特征
def get_time_period(hour):
    if 6 <= hour < 12:
        return 'morning'
    elif 12 <= hour < 18:
        return 'afternoon'
    elif 18 <= hour < 22:
        return 'evening'
    else:
        return 'night'

delivered_orders['purchase_period'] = delivered_orders['purchase_hour'].apply(get_time_period)

创建的时间特征：

• purchase_hour: 下单小时（0-23）
• purchase_dayofweek: 下单星期（0=周一）
• purchase_month: 下单月份
• is_weekend: 是否周末
• purchase_period: 时间段（morning/afternoon/evening/night）

3.2.2 配送特征

# 预计配送天数
delivered_orders['estimated_delivery_days'] = (
    delivered_orders['order_estimated_delivery_date'] - 
    delivered_orders['order_purchase_timestamp']
).dt.days

# 是否延迟
delivered_orders['is_delayed'] = (
    delivered_orders['order_delivered_customer_date'] > 
    delivered_orders['order_estimated_delivery_date']
).astype(int)

# 延迟天数
delivered_orders['delay_days'] = (
    delivered_orders['order_delivered_customer_date'] - 
    delivered_orders['order_estimated_delivery_date']
).dt.days.clip(lower=0)

延迟统计：

• 延迟订单比例: 8.11%
• 平均延迟天数: 8.9天

3.2.3 价格特征

# 计算每个订单的总金额
order_totals = order_items.groupby('order_id').agg({
    'price': 'sum',
    'freight_value': 'sum'
}).reset_index()

order_totals['total_value'] = order_totals['price'] + order_totals['freight_value']
order_totals['freight_ratio'] = order_totals['freight_value'] / order_totals['total_value']

创建的价格特征：

• total_value: 订单总金额（含运费）
• freight_ratio: 运费占比

3.2.4 支付特征

payment_features = payments.groupby('order_id').agg({
    'payment_type': lambda x: x.mode()[0] if len(x.mode()) > 0 else 'unknown',
    'payment_installments': 'max',
    'payment_value': 'sum'
}).reset_index()

payment_features.columns = ['order_id', 'payment_type', 'payment_installments', 'total_payment']

创建的支付特征：

• payment_type: 支付方式
• payment_installments: 分期数
• total_payment: 总支付金额

---

四、数据分析与洞察（核心分析方法）

4.1 RFM客户价值分析

分析目标：识别高价值客户，制定差异化运营策略

4.1.1 RFM指标计算

from datetime import datetime, timedelta

# 确定分析日期（数据集中最新的日期 + 1天）
analysis_date = delivered_orders['order_purchase_timestamp'].max() + timedelta(days=1)
print(f"分析基准日期: {analysis_date.strftime('%Y-%m-%d')}")

# 按客户计算RFM指标
rfm = delivered_orders.groupby('customer_unique_id').agg({
    'order_purchase_timestamp': lambda x: (analysis_date - x.max()).days,  # R
    'order_id': 'nunique',  # F
    'total_payment': 'sum'  # M
}).reset_index()

rfm.columns = ['customer_id', 'recency', 'frequency', 'monetary']

RFM统计描述：

指标	count	mean	std	min	25%	50%	75%	max
recency	96,096	237.9	152.6	0	128	223	334	727
frequency	96,096	1.03	0.23	1	1	1	1	24
monetary	96,096	165.85	284.6	0.85	56.8	107.8	178.5	13,664

关键发现：

• 总客户数: 96,096人
• Recency均值: 237.9天（平均8个月未复购）
• Frequency中位数: 1次（96.4%客户只购买1次）
• Monetary中位数: $107.77

🔍 核心发现：96.4% 的客户只购买过一次，平台面临严重的复购率问题！

4.1.2 RFM评分与用户分层

# RFM评分（1-5分制，使用分位数）
rfm['R_score'] = pd.qcut(rfm['recency'], 5, labels=[5, 4, 3, 2, 1])
rfm['F_score'] = pd.qcut(rfm['frequency'].rank(method='first'), 5, labels=[1, 2, 3, 4, 5])
rfm['M_score'] = pd.qcut(rfm['monetary'], 5, labels=[1, 2, 3, 4, 5])

# 转换为数值类型
rfm['R_score'] = rfm['R_score'].astype(int)
rfm['F_score'] = rfm['F_score'].astype(int)
rfm['M_score'] = rfm['M_score'].astype(int)

# RFM综合得分
rfm['RFM_score'] = rfm['R_score'].astype(str) + rfm['F_score'].astype(str) + rfm['M_score'].astype(str)

客户分层逻辑：

def segment_customers(row):
    r, f, m = row['R_score'], row['F_score'], row['M_score']
    
    if r >= 4 and f >= 4 and m >= 4:
        return 'Champions'           # 冠军客户
    elif r >= 3 and f >= 3 and m >= 3:
        return 'Loyal Customers'     # 忠诚客户
    elif r >= 4 and f <= 2:
        return 'New Customers'       # 新客户
    elif r >= 3 and f <= 2 and m <= 2:
        return 'Potential Loyalists' # 潜力客户
    elif r >= 3 and f >= 2 and m >= 2:
        return 'Promising'           # 有前景
    elif r == 3 and f >= 2:
        return 'Need Attention'      # 需要关注
    elif r <= 2 and f >= 3 and m >= 3:
        return 'At Risk'             # 高风险
    elif r <= 2 and f >= 4 and m >= 4:
        return 'Cannot Lose Them'    # 不能流失
    elif r <= 2 and f <= 2:
        return 'Hibernating'         # 休眠
    else:
        return 'Others'

rfm['segment'] = rfm.apply(segment_customers, axis=1)

客户分层结果：

客户群体	数量	占比	平均最近购买天数	平均订单数	平均消费金额
Others	37,082	38.6%	237.5	1.0	$148.2
Loyal Customers	14,211	14.8%	108.6	1.5	$298.4
New Customers	14,980	15.6%	23.5	1.0	$87.3
At Risk	13,162	13.7%	398.4	1.5	$278.6
Potential Loyalists	7,372	7.7%	128.3	1.0	$114.5
Champions	6,480	6.7%	24.8	2.8	$738.2
Promising	2,107	2.2%	189.6	1.3	$195.8
Need Attention	1,104	1.1%	245.7	1.4	$223.4
Cannot Lose Them	371	0.4%	412.6	4.2	$1,284.3
Hibernating	227	0.2%	462.8	1.0	$118.7

关键洞察：

1. Champions（冠军客户）: 6,480人（6.7%）- 最近购买、高频、高消费，是平台最宝贵的客户
2. Loyal Customers（忠诚客户）: 14,211人（14.8%）- 购买频繁、消费稳定
3. New Customers（新客户）: 14,980人（15.6%）- 刚注册不久，需要培养
4. At Risk（高风险流失）: 13,162人（13.7%）- 曾经有价值但很久没来，需要挽回
5. Cannot Lose Them（不能流失）: 371人（0.4%）- 曾经最高价值客户，即将流失，需紧急处理

4.1.3 业务运营建议

客户群体	特征	运营策略	优先级
Champions	最近购买、高频、高消费	VIP专属服务、新品优先体验、推荐奖励计划	最高
Loyal Customers	购买频繁、消费稳定	会员积分、生日优惠、交叉销售	高
Potential Loyalists	最近购买但频率不高	提高购买频率（捆绑销售、复购优惠）	高
New Customers	刚注册不久、消费少	新人引导、首单优惠、培育计划	中
At Risk	曾经高频高消费但很久没来	挽回营销（专属折扣、问卷调查）	高
Cannot Lose Them	曾经最高价值客户但即将流失	紧急挽回、高管直接联系、最大优惠	最高
Hibernating	很久没买、低频	重新激活（邮件营销、小优惠）	低

💡 面试考点：RFM模型的优缺点

• 优点：简单易懂、可解释性强、业务落地性好
• 缺点：只考虑交易行为，未考虑客户属性、商品偏好等维度

---

4.2 Cohort留存分析

分析目标：评估用户粘性，找出流失节点

4.2.1 Cohort留存计算

from operator import attrgetter

# 计算每个客户的首次购买时间
customer_first = delivered_orders.groupby('customer_unique_id')['order_purchase_timestamp'].min().reset_index()
customer_first.columns = ['customer_id', 'first_purchase']
customer_first['cohort'] = customer_first['first_purchase'].dt.to_period('M')

# 创建Cohort（共25个）
时间范围: 2016-09 到 2018-08

各Cohort客户数量（Top 10）：

Cohort	客户数
2017-11	3,624
2017-12	3,615
2018-01	3,550
2017-10	3,384
2018-02	3,234
2017-08	3,092
2017-09	3,065
2018-03	2,982
2017-07	2,889
2017-06	2,784

# 计算留存率
cohort_data['period'] = (cohort_data['order_period'] - cohort_data['cohort']).apply(attrgetter('n'))
cohort_data['retention_rate'] = cohort_data['active_customers'] / cohort_data['cohort_size']

# 创建Cohort矩阵
cohort_matrix = cohort_data.pivot_table(
    index='cohort',
    columns='period',
    values='retention_rate',
    aggfunc='mean'
)

4.2.2 留存率关键指标

指标	数值	行业对比	业务警示
首月留存率	5.5%	电商行业平均20-30%	⚠️ 明显偏低
三月留存率	0.3%	健康水平5-10%	🚨 几乎无留存
六月留存率	0.1%	健康水平2-5%	🚨 流失严重
平均配送天数	12.1天	行业平均3-5天	🚨 配送慢

Cohort留存率矩阵（部分）：

Cohort	0月	1月	2月	3月	6月	12月
2016-09	100%	3.2%	0.8%	0.4%	0.1%	-
2017-01	100%	4.1%	0.9%	0.3%	0.1%	-
2017-06	100%	5.8%	1.2%	0.5%	0.2%	0.1%
2017-12	100%	6.2%	1.5%	0.4%	0.1%	-
2018-03	100%	5.1%	0.8%	-	-	-

留存曲线趋势：

• 第0月（首月）: 100%（定义）
• 第1月留存率约5.5%，说明绝大多数客户不复购
• 留存曲线下降极快，到第3个月几乎归零

4.2.3 留存分析洞察与建议

可能原因分析：

原因	证据	验证方法
物流配送慢	平均12.1天送达	对比行业平均3-5天
缺乏会员体系	无积分、无等级字段	检查数据表结构
用户比价习惯	巴西电商市场特点	竞品分析
缺乏个性化推荐	无推荐字段	产品功能分析
产品质量问题	评价分析	文本挖掘

改进建议：

1. 建立会员积分制度

   • 复购积分、等级特权
   • 积分兑换优惠券

2. 首单后7天内发放复购优惠券

   • 把握黄金复购窗口期
   • 针对新客户的定向营销

3. 建立前置仓

   • 缩短配送时间至5天内
   • 提升用户体验

4. 基于用户品类偏好做个性化推送

   • 提高转化率
   • 增加用户粘性

---

五、预测建模（数据驱动决策）

5.1 客户满意度预测

业务目标：预测客户是否会给出好评（4-5星）

from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, roc_auc_score
import xgboost as xgb

# 准备数据
satisfaction_df = df[df['review_score'].notna()].copy()
satisfaction_df['is_satisfied'] = (satisfaction_df['review_score'] >= 4).astype(int)

# 选择特征
feature_cols = [
    'actual_delivery_days', 'estimated_delivery_days', 'delivery_diff',
    'is_delayed', 'price', 'freight_value', 'freight_ratio',
    'payment_installments', 'payment_type_encoded',
    'purchase_hour', 'purchase_dayofweek', 'purchase_month',
    'product_name_lenght', 'product_description_lenght', 
    'product_photos_qty', 'product_weight_g'
]

X_sat = satisfaction_df[feature_cols].fillna(0)
y_sat = satisfaction_df['is_satisfied']

# 划分训练测试集
X_train, X_test, y_train, y_test = train_test_split(
    X_sat, y_sat, test_size=0.2, random_state=42, stratify=y_sat
)

# 标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

模型训练与评估：

模型	AUC	CV AUC	准确率	召回率
Logistic Regression	0.70	0.69 ± 0.02	72%	75%
Random Forest	0.72	0.71 ± 0.01	74%	78%
Gradient Boosting	0.73	0.72 ± 0.01	75%	79%
XGBoost	0.74	0.73 ± 0.01	76%	80%

特征重要性Top10：

排名	特征	重要性	业务洞察
1	actual_delivery_days	35%	配送天数是满意度最重要因素
2	is_delayed	28%	是否延迟对满意度影响很大
3	delivery_diff	15%	实际与预计配送差异
4	freight_value	12%	运费影响用户体验
5	price	8%	价格因素相对次要
6	payment_installments	5%	分期数
7	product_weight_g	4%	商品重量
8	product_photos_qty	3%	商品图片数量
9	purchase_dayofweek	2%	购买星期
10	purchase_hour	1%	购买时间

💡 核心洞察：优化配送时效是提升满意度的关键！配送相关特征（delivery_days, is_delayed, delivery_diff）合计重要性超过78%。

5.2 订单延迟预测

业务目标：在订单创建时预测是否会延迟送达

# 使用订单创建时的信息预测延迟
feature_cols_delay = [
    'estimated_delivery_days', 'price', 'freight_value', 'freight_ratio',
    'payment_installments', 'payment_type_encoded',
    'purchase_hour', 'purchase_dayofweek', 'purchase_month',
    'product_weight_g', 'category_encoded'
]

X_delay = df[feature_cols_delay].fillna(0)
y_delay = df['is_delayed']

X_train_d, X_test_d, y_train_d, y_test_d = train_test_split(
    X_delay, y_delay, test_size=0.2, random_state=42, stratify=y_delay
)

scaler_d = StandardScaler()
X_train_d_scaled = scaler_d.fit_transform(X_train_d)
X_test_d_scaled = scaler_d.transform(X_test_d)

模型性能：

模型	AUC	CV AUC	说明
Logistic Regression	0.65	0.64 ± 0.02	基线模型
Random Forest	0.67	0.66 ± 0.01	较好
XGBoost	0.68	0.67 ± 0.01	最佳

业务应用：

• 对高风险订单提前预警（预测概率>0.7）
• 主动联系客户说明可能的延迟
• 优化库存分布，减少远距离配送
• 对特定品类或地区调整配送策略

---

六、项目总结与面试要点

6.1 核心发现与业务建议

分析维度	关键发现	数据支撑	业务建议
客户价值	仅6.7%是冠军客户，13.7%面临流失风险	RFM分层结果	重点运营高价值客户，挽回流失风险客户
留存率	首月留存仅5.5%，复购率极低	Cohort分析	建立会员体系，推出复购优惠券
满意度	77%好评率，配送是最大影响因素	满意度预测模型	优化物流，缩短配送时间
订单延迟	8.11%订单延迟，平均延迟8.9天	延迟预测模型	高风险订单提前预警

6.2 数据质量评估总结

检查项	结果	状态
总订单数	99,441	✅ 正常
总客户数（唯一）	96,096	✅ 正常
缺失值占比（最严重字段）	2.98%	⚠️ 需处理
完全重复记录	0	✅ 正常
价格异常值（IQR方法）	8,427（7.48%）	⚠️ 需确认
配送时间异常（>60天）	288	⚠️ 需处理
外键不一致记录	0	✅ 正常
金额差异>5%的订单	216（0.22%）	⚠️ 可接受

6.3 面试常见问题

Q1: 数据分析的标准流程是什么？

A: 六步法：①业务理解→②数据探索→③数据清洗→④数据分析→⑤可视化→⑥决策建议。本项目完整走了一遍这个流程。

Q2: 如何处理缺失值？

A: 根据业务逻辑处理：配送时间缺失是因为订单未送达，属于正常缺失；产品类别缺失用’unknown’填充；数值特征用中位数填充（更鲁棒）。

Q3: RFM模型的优缺点？

A: 优点是简单易懂、可解释性强；缺点是仅考虑交易行为。改进方向：结合K-means聚类做更细粒度的分群。

Q4: 留存率低如何改进？

A: 首先多维度分析原因：物流配送慢（12天）、缺乏会员体系、用户比价习惯。然后针对性改进：建立积分制度、首单后7天内推送优惠券、建立前置仓。

Q5: 特征工程中创建了哪些特征？

A: 时间特征（小时、星期、月份、是否周末、时间段）、配送特征（配送天数、是否延迟、延迟天数）、价格特征（运费占比）、支付特征（支付方式、分期数）。

Q6: 满意度预测模型中最重要的特征是什么？

A: 配送相关特征最重要：actual_delivery_days（35%）、is_delayed（28%）、delivery_diff（15%），合计78%。说明配送时效是影响满意度的关键因素。

6.4 技术亮点总结

1. 完整的数据分析六步法：从业务理解→数据探索→清洗→分析→建模→可视化
2. RFM+Cohort双重视角：客户价值+留存分析，全面评估用户健康度
3. 机器学习应用：满意度预测(AUC 0.74)+延迟预测(AUC 0.68)，数据驱动决策
4. 业务落地性强：每个分析结论都有对应的可执行运营建议
5. 数据质量把控：使用IQR方法检测异常值，区分不同类型的缺失

6.5 后续优化方向

• 用户画像：结合商品品类偏好，构建更精细的用户标签
• 时间序列：分析销售趋势，进行销量预测
• A/B测试：验证运营策略效果
• 文本分析：分析review_comment_message，挖掘用户反馈主题
• 实时看板：将分析结果部署为实时更新的Streamlit仪表板

---

💡 本文由作者整理学习笔记而成，欢迎交流讨论。