本文中使用的订单数据为“bilibili2月9日订单数据”，数据主要包含了商品编号、商品名称、商品价格、票号、座位、联系地址、渠道、下单时间、支付时间、支付单号、订单状态等字段。

拿到数据后，我们首先对订单类型进行分类，剔除其中“已取消”类型的订单，剩下的订单数据才是有效订单数据。

1. 订单类型分析和分类

订单类型有：

待支付：已经提交订单信息等待支付的订单已取消：取消的订单待发货：已经付款等待发货的订单待收货：已经发货等待收货的订单已完成：完成所有订单环节的订单

对其中的“已取消”类型进行针对性分析，分析其中是否存在“恶意订单占货”情况，之后的所有分析都建立在订单是有效订单的基础上。

筛选订单数据中状态为“已取消”的订单，按“商品价格”降序排序，发现高价商品中存在很多没有联系地址的订单数据，这样的数据属于比较异常的情况，很可能存在“恶意占货”的情况。

2. 订单时间分析思路

剔除无效订单之后，对订单数据进行进一步的时间相关数据分析。具体分析思路如下：

2.1 订单时间分布分析

将“支付时间”列拆分出“小时”，绘制用户订单量按小时波动的折线图，可以据此分析出电商平台用户的购买趋势，用户订单量特别大的阶段，属于高峰阶段。按小时维度统计，可以统计出用户一天24小时的购买趋势；按分钟和秒维度统计，可以分析出大促活动的效果如何（其他的，按日统计，可以分析出月订单量波动趋势；按周统计，可以分析出一个季度的订单量波动趋势；按月则是分析一年的订单量波动）。日常的订单量波动分析一般按小时统计即可。

从图中可以发现，每天晚上8点，订单量是最高的，之后的10点、11点也都处于订单量高峰阶段；凌晨3点~7点，处于订单量低谷期，比较符合年轻人的作息习惯。

也可以绘制订单量分布帕累托图，从帕累托图中，可以发现，累计订单量达到80%对应到横坐标上大约在16时，该小时内订单量达到788单。

2.2 订单价格分布分析

从订单数据中选择“订单价格”和“支付时间”列，将“支付时间”拆分出“小时”，绘制客单价按小时波动的折线图。

从图中可以看出，客单价分布和订单量分布并不是完全一致的，客单价高峰出现在中午12点左右，晚上8点反而是客单价低谷期。

继续绘制订单额按小时波动的折线图，可以看出，订单量、订单额、客单价三者之间互相相关，但两两之间并没有独立关联性。

2.3 订单时间分布与价格分布交叉分析

绘制订单量和客单价的组合图，进行进一步的交叉分析。

2.4 小结

不同分析类型对应的分析目的是不同的：

按季度/年进行统计：行业/ 市场需求波动分析按月统计：公司/ 部门业绩波动分析按小时统计：用户消费习惯分析按分钟/秒进行统计：促销/ 活动即时效果分析

3. 商品分析思路

3.1 商品客单价分布

从订单数据中选择“商品编号”和“商品价格”列，进行汇总统计，绘制商品客单价分布帕累托图。

从图中可以看出不同价格区间的商品分布占比，发现其中的主流商品价格是哪些。

3.2 商品销量分布

绘制商品销量柱状图，发现商品销量分布呈现明显的长尾分布规律。

呈长尾分布的数据可以通过取ln，将非线性关系转换为线性关系，进行进一步的回归分析，预测销量。

3.3 商品+时间双维度分析

取“商品编号”和“支付时间”列进行汇总统计，可以得到不同商品24小时的订单量波动折线图，

观察发现，10007114、10007970、10008248三种商品波动趋势比较一致，10004416比较特殊，可以找到该商品的数据，对其做进一步的针对性分析。

3.4 商品地区客单价分析

取“商品价格”和“联系地址”字段进行汇总统计，计算不同地区的客单价，绘制不同地区客单价分布柱状图。

看图发现，西藏地区客单价特别高，可能是由于该地区订单量少，所以偶然几个高额订单拉高了整个地区的客单价。可以结合不同地区订单量分布图进行分析。

看图可以发现，购买力相对较高的几个省份分别是广东省、江苏省、浙江省、上海市、四川省。

订单数据：链接: https://pan.baidu.com/s/1TM9bnpdbYPtD9McQEYSIDA 密码: qw2p