20个实战数据分析案例网站合集，可实操练习！

数据分析是现代企业中非常重要的一部分，它可以帮助企业更好地理解自己的业务和客户，并为企业的决策提供数据支持。在学习数据分析的过程中，实战案例是非常有用的。下面是从帆软数据分析作品库网站中选取的20个实战数据分析案例，提供了丰富的数据和工具，可以帮助你进行实操练习。

1.实战数据分析案例网站 1.1数据源网站

国家统计局： 

商务部官网：

前沿报告库： https://wk.askci.com/ListTable/

洞见研报： https://www.djyanbao.com/index

1.2数据分析网站

详见文章《最全集合！数据分析一般用什么软件？》

1.3数据分析案例合集网站

帆软数据分析作品库收录多达300+数据分析案例，涵盖50余个场景的数据分析可视化报告，均来自帆软BI数据分析大赛作品，涉及数分/商分/经分等多个领域的业务，为您提供丰富分数据分析的学习参考材料。

2.20个实战数据分析案例合集

以下20个数据分析案例均来自 帆软数据分析作品库 ，希望对您有所帮助：

【2022BI数据分析大赛】卖玻璃的小男孩  
【2021夏季挑战赛】某商超提升会员数分析  
【2021夏季挑战赛】疫情期间的水务数据分析  
【2020冬季挑战赛】电商那些事-基于人，货，场的电商平台数据分析  
一篇读懂零售数据分析  
【2020年冬季挑战赛】电商销售数据分析  
【2021夏季挑战赛】精细化运营-电商取消单分析  
【2022BI数据分析大赛】液态奶产品数据驾驶舱  
【2022BI数据分析大赛】企业财报数智化解决方案  
【2020冬季挑战赛】供产销企业的财务数据分析与内部审计  
【2022BI数据分析大赛】旅游业对全国经济发展的影响  
【2022BI数据分析大赛】效率提升探索  
【2022BI数据分析大赛】首钢股份库存管控平台  
 
 
【2021夏季挑战赛】航段油耗影响指标分析  
【2022BI数据分析大赛】2021年PVC产品运营分析  
【2022BI数据分析大赛】某车企运营分析平台  
 
【2021夏季挑战赛】亚洲人口可视化数据分析  
【2022BI数据分析大赛】超市盈利亏损分析  
【2022BI数据分析大赛】巴西电商平台交易数据分析  
【2022BI数据分析大赛】员工流失分析报告  
3.实战数据分析案例详解—— 巴西电商平台交易数据分析 3.1 背景简介

数据来源于巴西Olist（2016年8月-2018年8月）电商数据平台的数据。本次数据分析作品只筛选了2017-2018年的数据来进行分析。 数据来源链接：https://www.kaggle.com/jainaashish/orders-merged

分析目的：分析该数据可以看出近两年的销售业绩变化，卖家的经营状况，客户的区域分布，客户的购买偏好等，以便改善现有的状况，提升业绩。

3.2 分析思路介绍

3.2.1提出问题

①　在2017年1月-2018年8月，为什么销量呈现上涨趋势？

②　哪类商品最热销，可主推？

③　用户的地域对于销量的影响？如何做到精准营销？

④　用户偏好哪种支付模式，是否可以在线支付公司深度合作？

……

3.2.1分析框架

 3.2.3数据清洗整理

本作品分析数据来源于巴西电商平台的orders-merged交易数据，由于分析需要，在分析过程中只保留了2017-2018年（8月）的数据，相关字段描述如下：

序号   原始字段   字段类型   描述   作品是否使用  
1   product_id   字符型   产品ID   是  
2   seller_id   字符型   卖家ID   是  
3   order_id   字符型   订单ID   是  
4   customer_id   字符型   客户ID   是  
5   order_status   字符型   订单状态   否  
6   order_purchase_timestamp   日期型   下单时间   是  
7   order_approved_at   日期型   审批时间   否  
8   order_delivered_carrier_date   日期型   过账日期   否  
9   order_delivered_customer_date   日期型   订单交货日期   否  
10   order_estimated_delivery_date   日期型   预计交货日期   否  
11   customer_unique_id   字符型   客户标识ID   是  
12   customer_zip_code_prefix   数值型   客户邮政编号   否  
13   customer_city   字符型   客户城市   是  
14   customer_state   字符型   客户所在洲   是  
15   review_id   字符型   评论ID   是  
16   review_score   数值型   评论得分   是  
17   review_comment_title   字符型   评论标题   否  
18   review_comment_message   字符型   评论内容   否  
19   review_creation_date   日期型   满意度调查日期   是  
20   review_answer_timestamp   日期型   满意度回复日期   是  
21   payment_sequential   字符型   付款顺序   否  
22   payment_type   字符型   付款方式   是  
23   payment_installments   数值型   分期付款数   是  
24   payment_value   数值型   交易金额   是  
25   order_item_id   数值型   序号   否  
26   price   数值型   商品价格   是  
27   freight_value   数值型   运费   是  
28   seller_zip_code_prefix   数值型   卖家邮政编号   否  
29   seller_city   字符型   卖家城市   是  
30   seller_state   字符型   卖家所在洲   是  
31   product_category_name   字符型   商品类别名称   是  
32   product_name_lenght   数值型   产品名称长度   否  
33   product_description_lenght   数值型   产品说明长度   否  
34   product_photos_qty   数值型   产品照片数量   否  
35   product_weight_g   数值型   产品重量   否  
36   product_length_cm   数值型   产品长度   否  
37   product_height_cm   数值型   产品高度   否  
38   product_width_cm   数值型   产品宽度   否  

3.2.4指标体系

序号   指标名称   解释说明   是否派生  
1   交易金额   /   否  
2   商品价格   /   否  
3   客户数   FineBI计算逻辑为counted_agg(customer_id)   是  
4   客单价   客单价 = 总交易金额 / 用户数   是  
5   订单量   FineBI计算逻辑为counted_agg(order_id)   是  
6   笔单价   笔单价 = 总交易金额 / 订单量   是  
7   商家数   FineBI计算逻辑为counted_agg(seller_id)   是  
8   城市数量   FineBI计算逻辑为counted_agg(customer_city)   是  
3.3 数据分析过程

3.3.1整体情况

客单价 = 总交易金额 / 用户数；用户数：93104，客单价：162.45。

笔单价 = 总交易金额 / 订单量；近两年的总交易金额：15124382，订单量：96211，笔单价：157.20。

近两年Olist电商平台的用户量、交易金额、商家数量有逐渐上升的趋势。

3.3.2时间维度

年交易情况

2017年交易金额：6798411，截止到2018年8月交易金额：8325970，环比2017年增长22.47%。

2017订单量：43428，截止到2018年8月订单量：52783，环比2017年增长21.54%。

季度交易情况

月交易情况

交易金额整体上有逐渐上升的趋势。2017年11月达到峰值：1138353元，环比增加54.11%。其中，订单量为7289。接下来分析，为什么销量一直上涨，特别是2017年11月突然上涨到了最高峰。

这里针对2017年11月交易金额达到峰值问题下钻。查看2017年11月的交易金额、订单量情况，2017年11月24日这天的交易金额、订单量达到峰值，导致11月整个月的交易金额、订单量达到峰值。（注意到，11月24日是11月的最后一个星期五，即“黑色星期五”，由此可以得出其中一个结论，由于促销活动带来销量上涨）

由于这里的产品分类比较多，不好下钻到某些爆款产品的。下钻11月24是哪个洲的交易金额和订单量最多，11月24的交易金额、订单量主要来自SP这个洲。

继续下钻看看哪个城市的交易金额、订单量比较多。这里城市数量比较多，只截取了交易额、订单量最多的部分（前20），这里主要是由于sao paulo这个城市贡献的交易额和订单量。

3.3.3商家维度

数据结果显示，商家主要集中在SP、PR、MG这三个洲，占了78.83%。加上SC，占比超过了80%；SP洲的交易金额和订单量位居第一，与第二的PR洲差距明显，SP洲的交易金额占了总交易金额的64.57%，SP洲的头部效应明显。

SP、PR、MG这三个洲的累计交易金额和订单量都达到 81% 以上，该电商平台应该重点关注这三个洲。

另外商家数量2017-2018期间，一直处于增长趋势，这也是该平台销量呈现上涨趋势的原因之一。

3.3.4用户维度

流失用户占比等于总用户数的8.16%，流失状态占比较大，该电商应该更注重于用户维持。重要深耕用户人数占比为35.90%，交易金额 537.95 万，其次是重要挽回客户， 人数占比为22.99%  。重要深耕用户和重要挽留客户的交易金额总占比达到70%以上，这两类的客户应该重点关注。重要价值的客户的人数仅占了8.15%，占比少。

用户在10-13点、20-24点这个时间段写评论的较多，5分的占了总评论数的58.92%，4分的占了总评论数的19.65%，好评率约为78%，差评率超过20%，需要重点关注。

3.3.5产品维度

2017-2018各商家共供货 73 种品类，30984 种产品，平均售价为 125.17 元；明星产品偏少，建议优化产品结构。

前10类别名称的占了总交易额的62.47%，前17类别名称的占了总交易额的79.94%，头部效应明显。

3.4 总结与建议

促销活动与销售金额、订单量强相关，建议除了黑色星期五外，定期进行相关促销活动。

明星产品较少，建议鼓励商家做好市场调研，引进明星产品，并将明星产品与其他产品进行绑定销售。

做好用户回访，深入分析客户差评的原因，并进一步优化客服工作。

加强与在线支付公司credit_cart、boletol合作，维护好关系，达成长期合作合同，增加推广盈利收入。

数据分析可视化报告：

以上数据分析案例使用了FineBI制作，网站提供了丰富的数据和工具，可以帮助你进行实操练习，目前提供免费个人版。如果你想提高自己的数据分析能力，不妨试一试。