2024双十一数据分析：京东3C家电占比近半，消费升级趋势明显

2024双十一数据分析：京东3C家电占比近半，消费升级趋势明显

引用

CSDN

等

16

来源

1.

https://blog.csdn.net/Dalao_zzl/article/details/139783639

2.

https://blog.csdn.net/2501_90181610/article/details/145021183

3.

https://www.digitaling.com/articles/1285619.html

4.

https://finance.sina.com.cn/jjxw/2024-11-14/doc-incvzmwk7198163.shtml

5.

https://blog.csdn.net/weixin_47772925/article/details/136334309

6.

https://blog.csdn.net/2401_90031899/article/details/145044794

7.

https://mobile-phone.taobao.com/baike/k/shuangshiyi_38/3d7af316e528977e483d9b7ee360a584.html

8.

https://fddi.fudan.edu.cn/b0/a2/c18985a700578/page.htm

9.

https://www.fxbaogao.com/detail/4515936

10.

67619dee000000000b016149

11.

67627e210000000013009ac9

12.

6775172f000000000b00d900

13.

676131c5000000000b020474

14.

https://www.comadou.com/article/swimring/

15.

http://www.biocloudservice.com/wordpress/?p=50758

16.

https://www.questmobile.com.cn/research/report/1859483339439837185/

双十一购物狂欢节，作为全球最大的在线购物节日，每年都会产生海量的交易数据。这些数据背后隐藏着无数商机和消费者行为的洞察。掌握R语言中的正则表达式技巧，不仅可以高效处理文本数据，还能让你在数据分析中游刃有余。本文将带你一起用R语言玩转双十一的数据分析，挖掘数据背后的故事。

2024年双十一期间，各大电商平台再次交出了亮眼的成绩单。根据复旦大学消费大数据实验室发布的《2024年“双11”线上消费数据观察》显示，天猫淘宝、京东、抖音、拼多多等平台均实现了两位数以上的增长。其中，京东在3C数码和家电领域的市场份额接近50%，成为消费者购买高价值电子产品的首选渠道。

要进行数据分析，首先需要获取可靠的数据源。双十一期间的交易数据通常包含以下关键信息：

• 交易时间
• 商品类别
• 销售额
• 用户ID
• 平台来源

这些数据可以从电商平台的公开API、第三方数据服务提供商或公开报告中获取。例如，复旦大学消费大数据实验室发布的报告就是一个很好的数据来源。

在进行数据分析之前，需要对原始数据进行预处理，包括数据清洗、格式转换和缺失值处理等。R语言提供了强大的数据处理功能，可以轻松完成这些任务。

数据加载与查看

首先，我们需要使用read.csv函数加载数据集，并查看数据的基本结构。

# 加载数据集
retail_data <- read.csv("online_retail.csv", stringsAsFactors = FALSE)

# 查看数据前几行
head(retail_data)

数据清洗

在数据清洗阶段，我们需要处理缺失值、异常值以及重复值等问题。对于本数据集，我们发现存在大量的取消订单（Returns）记录，这些记录可能会对分析结果产生干扰，因此需要将其删除。同时，我们还需要删除包含缺失值的记录。

# 删除取消订单记录
retail_data <- retail_data[retail_data$InvoiceNo != "RETURN", ]

# 删除包含缺失值的记录
retail_data <- na.omit(retail_data)

数据转换

为了便于后续分析，我们需要将某些字段从字符串类型转换为日期类型，并计算销售额（数量乘以单价）。

# 转换发票日期字段为日期类型
retail_data$InvoiceDate <- as.Date(retail_data$InvoiceDate, "%Y-%m-%d")

# 计算销售额
retail_data$Sales <- retail_data$Quantity * retail_data$UnitPrice

正则表达式是处理文本数据的强大工具，可以帮助我们快速提取和清洗数据。在R语言中，可以使用grep、grepl、gsub等函数来应用正则表达式。

例如，假设我们需要从商品描述中提取特定关键词，可以使用以下代码：

# 提取包含"智能"的商品
smart_products <- grep("智能", retail_data$Description, value = TRUE)

或者我们需要清理商品描述中的特殊字符：

# 清理商品描述中的特殊字符
retail_data$Description <- gsub("[^A-Za-z0-9]", " ", retail_data$Description)

完成数据预处理后，我们可以开始进行数据分析和可视化。R语言的ggplot2包提供了强大的绘图功能，可以帮助我们直观地展示数据特征。

销售额的时间分布

我们可以绘制销售额的时间序列图，观察销售额在不同时间段的分布情况。

library(ggplot2)

ggplot(retail_data, aes(x = InvoiceDate, y = Sales)) +
  geom_line() +
  labs(title = "Sales Over Time", x = "Invoice Date", y = "Sales") +
  theme_minimal()

通过时间序列图，我们可以发现销售额在节假日期间通常会有明显的增长。

不同产品的销售额分析

为了了解不同产品的销售额情况，我们可以按照商品类别对销售额进行分组求和，并绘制条形图进行可视化。

product_sales <- aggregate(Sales ~ StockCode, data = retail_data, FUN = sum)

ggplot(product_sales, aes(x = StockCode, y = Sales)) +
  geom_bar(stat = "identity", fill = "steelblue") +
  labs(title = "Sales by Product", x = "Stock Code", y = "Sales") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

通过条形图，我们可以发现少数产品的销售额占据了绝大部分，说明这些产品可能是该零售商的畅销品。

根据达摩盘和阿里妈妈营销研究中心发布的《2024双十一消费人群白皮书》，双十一期间的用户行为呈现出以下特点：

1. 高阶消费者持续增长：在淘内成交/点击行为均处于较高分层的高阶消费者，为淘系最核心的消费群体。此类高阶消费者在淘内规模仍然持续增长，且人均购买金额、购频、购宽等指标全线上涨。

2. 流失用户加速回流：365天未购的流失用户在大促期间挽回效率同比提升15%，流失用户回淘购买品类主要集中在家清、洗护、食品、日百等生活必需品类。

3. 跨类目购买成常态：大促期间，消费者跨类目购买的习惯已经形成，特别是在不同波段中，跨类目购买的比例显著增加。

4. 消费升级趋势明显：消费者在双十一期间更倾向于购买高价值商品，如AI手机、高端家电等。

通过本次双十一数据分析，我们发现：

1. 双十一期间，各大电商平台均实现了显著增长，其中京东在3C数码和家电领域占据近50%的市场份额。
2. 高阶消费者持续增长，成为电商平台的核心用户群体。
3. 流失用户在大促期间有明显的回流趋势，特别是对生活必需品类的购买需求增加。
4. 消费者在双十一期间更倾向于购买高价值商品，消费升级趋势明显。

对于商家而言，这些发现可以为制定营销策略提供重要参考。例如，加强节假日的促销活动、优化库存管理以提高畅销品的供应能力等。未来，我们还可以进一步探索其他维度的分析，如顾客行为分析、市场竞争分析等，以获取更全面的洞见。