精华内容
下载资源
问答
  • 2021-04-18 17:10:19

    第章编程简介

    1.1MATLAB工作界面布局与路径设置

    1.1.1MATLAB工作界面布局

    1.1.2MATLAB路径设置

    1.2变量的定义与数据类型

    1.2.1变量的定义与赋值

    1.2.2MATLAB中的常量

    1.2.3MATLAB中的关键字

    1.2.4数据类型

    1.2.5数据输出格式

    1.3常用函数

    1.4数组运算

    1.4.1矩阵的定义

    1.4.2特殊矩阵

    1.4.3高维数组

    1.4.4定义元胞数组()

    1.4.5定义结构体数组

    1.4.6几种数组的转换

    1.4.7矩阵的算术运算

    1.4.8矩阵的关系运算

    1.4.9矩阵的逻辑运算

    1.4.10矩阵的其他常用运算

    1.5MATLAB语言的流程结构

    1.5.1条件控制结构

    1.5.2循环结构

    1.5.3trycatch试探结构

    1.5.4break、、和函数

    1.6M代码的编写与调试

    1.6.1脚本文件

    1.6.2函数文件

    1.6.3匿名函数和内联函数

    1.6.4子函数与嵌套函数

    1.6.5函数的递归调用

    1.6.6M代码的调试()

    1.6.7MATLAB常用快捷键和快捷命令

    1.7MATLAB绘图基础

    1.7.1图形对象与图形对象句柄

    1.7.2二维图形绘制

    1.7.3三维图形绘制

    1.7.4图形的打印和输出

    第章数据的导入与导出

    2.1案例:从文件中读取数据

    2.1.1利用数据导入向导导入文件

    2.1.2调用高级函数读取数据

    2.1.3调用低级函数读取数据

    2.2案例:把数据写入文件

    2.2.1调用函数写入数据

    2.2.2调用函数写入数据

    2.3案例:从文件中读取数据

    2.3.1利用数据导入向导导入文件

    2.3.2调用函数读取数据

    2.4案例:把数据写入文件

    第章数据的预处理

    3.1案例:数据的平滑处理

    3.1.1smooth函数

    3.1.2smoothts函数

    3.1.3medfilt1函数

    3.2案例:数据的标准化变换

    3.2.1标准化变换公式

    3.2.2标准化变换的实现

    3.3案例:数据的极差归一化变换

    3.3.1极差归一化变换公式

    3.3.2极差归一化变换的实现

    第章概率分布与随机数

    4.1案例:概率分布及概率计算

    4.1.1概率分布的定义

    4.1.2几种常用概率分布

    4.1.3概率密度、分布和逆概率分布函数值的计算

    4.2案例:生成一元分布随机数

    4.2.1均匀分布随机数和标准正态分布随机数

    4.2.2RandStream类

    4.2.3常见一元分布随机数

    4.2.4任意一元分布随机数

    4.2.5一元混合分布随机数

    4.3案例:生成多元分布随机数

    4.4案例:蒙特卡洛方法

    4.4.1有趣的蒙提霍尔问题

    4.4.2抽球问题的蒙特卡洛模拟

    4.4.3用蒙特卡洛方法求圆周率π

    4.4.4用蒙特卡洛方法求积分

    4.4.5街头骗局揭秘

    第章描述性统计量和统计图

    5.1案例背景

    5.2案例描述

    5.3案例:描述性统计量

    5.3.1均值

    5.3.2方差和标准差

    5.3.3最大值和最小值

    5.3.4极差

    5.3.5中位数

    5.3.6分位数

    5.3.7众数

    5.3.8变异系数

    5.3.9原点矩

    5.3.10中心矩

    5.3.11偏度

    5.3.12峰度

    5.3.13协方差

    5.3.14相关系数

    5.4案例:统计图

    5.4.1箱线图

    5.4.2频数(率)直方图

    5.4.3经验分布函数图

    5.4.4正态概率图

    5.4.5pp图

    5.4.6qq图

    5.5案例扩展:频数和频率分布表

    5.5.1调用函数作频数和频率分布表

    5.5.2调用自编函数作频数和频率分布表

    第章参数估计与假设检验

    6.1案例:参数估计

    6.1.1常见分布的参数估计

    6.1.2自定义分布的参数估计

    6.2案例:正态总体参数的检验

    6.2.1总体标准差已知时的单个正态总体均值的检验

    6.2.2总体标准差未知时的单个正态总体均值的检验

    6.2.3总体标准差未知时的两个正态总体均值的比较检验

    6.2.4总体均值未知时的单个正态总体方差的χ检验

    6.2.5总体均值未知时的两个正态总体方差的比较检验

    6.2.6检验功效与样本容量的计算

    6.3案例:常用非参数检验

    6.3.1游程检验

    6.3.2符号检验

    6.3.3Wilcoxon符号秩检验

    6.3.4MannWhitney秩和检验

    6.3.5分布的拟合与检验

    6.4案例:核密度估计

    6.4.1经验密度函数

    6.4.2 核密度估计

    6.4.3核密度估计的实现

    6.4.4核密度估计的案例分析

    第章理论及应用实例

    7.1Copula函数的定义与基本性质

    7.1.1二元函数的定义及性质

    7.1.2多元函数的定义及性质

    7.2常用的函数

    7.2.1正态函数

    7.2.2tCopula函数

    7.2.3阿基米德函数

    7.3Copula函数与相关性度量

    7.3.1Pearson线性相关系数ρ

    7.3.2Kendall秩相关系数τ

    7.3.3Spearman秩相关系数ρ

    7.3.4尾部相关系数λ

    7.3.5基于函数的相关性度量

    7.3.6基于常用二元函数的相关性度量

    7.4案例:沪深股市日收益率的二元模型

    7.4.1案例描述

    7.4.2确定边缘分布

    7.4.3选取适当的函数

    7.4.4参数估计

    7.4.5与有关的函数

    7.4.6案例的计算与分析

    第章方差分析

    8.1案例:单因素一元方差分析

    8.1.1单因素一元方差分析的实现

    8.1.2案例分析

    8.2案例:双因素一元方差分析

    8.2.1双因素一元方差分析的实现

    8.2.2案例分析

    8.3案例:多因素一元方差分析

    8.3.1多因素一元方差分析的实现

    8.3.2案例分析一

    8.3.3案例分析二

    8.4案例:单因素多元方差分析

    8.4.1单因素多元方差分析的实现

    8.4.2案例分析

    8.5案例:非参数方差分析

    8.5.1非参数方差分析的实现

    8.5.2KruskalWallis检验的案例分析

    8.5.3Friedman检验的案例分析

    第章回归分析

    9.1MATLAB回归模型类

    9.1.1线性回归模型类

    9.1.2非线性回归模型类

    9.2案例:一元线性回归

    9.2.1数据的散点图

    9.2.2模型的建立与求解

    9.2.3回归诊断

    9.2.4稳健回归

    9.3案例:一元非线性回归

    9.3.1数据的散点图

    9.3.2模型的建立与求解

    9.3.3回归诊断

    9.3.4利用曲线拟合工具作一元非线性拟合

    9.4案例:多元线性和广义线性回归

    9.4.1可视化相关性分析

    9.4.2多元线性回归

    9.4.3多元多项式回归

    9.4.4拟合效果图

    9.4.5逐步回归

    9.5案例:多元非线性回归

    9.5.1案例描述

    9.5.2模型建立

    9.5.3模型求解

    9.6案例:多项式回归

    9.6.1多项式回归模型

    9.6.2多项式回归的实现

    9.6.3多项式回归案例

    第章聚类分析

    10.1聚类分析简介

    10.1.1距离和相似系数

    10.1.2系统聚类法

    10.1.3K均值聚类法

    10.1.4模糊均值聚类法

    10.2案例:系统聚类法的案例分析

    10.2.1系统聚类法的函数

    10.2.2样品聚类案例

    10.2.3变量聚类案例

    10.3案例:均值聚类法的案例分析

    10.3.1K均值聚类法的函数

    10.3.2K均值聚类法案例

    10.4案例:模糊均值聚类法的案例分析

    10.4.1模糊均值聚类法的函数

    10.4.2模糊均值聚类法案例

    第章判别分析

    11.1判别分析简介

    11.1.1距离判别

    11.1.2贝叶斯判别

    11.1.3Fisher判别

    11.2案例:距离判别法的案例分析

    11.2.1classify函数

    11.2.2案例分析

    11.3案例:贝叶斯判别法的案例分析

    11.3.1NaiveBayes类

    11.3.2案例分析

    11.4案例:判别法的案例分析

    11.4.1Fisher判别分析的实现

    11.4.2案例分析

    第章主成分分析

    12.1主成分分析简介

    12.1.1主成分分析的几何意义

    12.1.2总体的主成分

    12.1.3样本的主成分

    12.1.4关于主成分表达式的两点说明

    12.2主成分分析的函数

    12.2.1pcacov函数

    12.2.2princomp函数

    12.2.3pcares函数

    12.3案例:从协方差矩阵或相关系数矩阵出发求解主成分

    12.3.1调用函数做主成分分析

    12.3.2结果分析

    12.4案例:从样本观测值矩阵出发求解主成分

    12.4.1调用函数做主成分分析

    12.4.2结果分析

    12.4.3调用函数重建观测数据

    第章因子分析

    13.1因子分析简介

    13.1.1基本因子分析模型

    13.1.2因子模型的基本性质

    13.1.3因子载荷阵和特殊方差阵的估计

    13.1.4因子旋转

    13.1.5因子得分

    13.1.6因子分析中的现象

    13.2因子分析的函数

    13.3案例:基于协方差矩阵或相关系数矩阵的因子分析

    13.4案例:基于样本观测值矩阵的因子分析

    13.4.1读取数据

    13.4.2调用函数作因子分析

    第章利用生成和文档

    14.1组件对象模型()

    14.1.1什么是

    14.1.2COM接口

    14.2MATLAB中的控件接口技术

    14.2.1actxcontrol函数

    14.2.2actxcontrollist函数

    14.2.3actxcontrolselect函数

    14.2.4actxserver函数

    14.2.5利用调用对象

    14.2.6调用函数创建组件服务器

    14.3案例:利用生成文档

    14.3.1调用函数创建服务器

    14.3.2建立文本文档

    14.3.3插入表格

    14.3.4插入图片

    14.3.5保存文档

    14.3.6完整代码

    14.4案例:利用生成文档

    14.4.1调用函数创建服务器

    14.4.2新建工作簿

    14.4.3获取工作表对象句柄

    14.4.4插入、复制、删除、移动和重命名工作表

    14.4.5页面设置

    14.4.6选取工作表区域

    14.4.7设置行高和列宽

    14.4.8合并单元格

    14.4.9边框设置

    14.4.10设置单元格对齐方式

    14.4.11写入单元格内容

    14.4.12插入图片

    14.4.13保存工作簿

    14.4.14完整代码

    附录图像处理中的统计应用案例

    A.1基于图像资料的数据重建与拟合

    A.1.1案例描述

    A.1.2重建图像数据

    A.1.3曲线拟合

    A.2基于均值聚类的图像分割

    A.2.1灰度图像分割案例

    A.2.2真彩图像分割案例

    A.3基于中位数算法的运动目标检测

    A.3.1案例描述

    A.3.2中位数算法原理

    A.3.3本案例的实现一

    A.3.4本案例的实现二

    A.3.5本案例的实现三

    A.4基于贝叶斯判别的手写体数字识别

    A.4.1样本图片的预处理

    A.4.2创建朴素贝叶斯分类器对象

    A.4.3判别效果

    A.5基于主成分分析的图像压缩与重建

    A.5.1基于主成分分析的图像压缩与重建原理

    A.5.2图像压缩与重建的实现

    附录统计工具箱函数大全参考文献

    更多相关内容
  • 数据分析实例MovieLens 1M数据集测量评价分歧美国1880~2010年婴儿名字分析名字趋势计量命名多样性的增加“最后一个字母”革命男孩的名字变成女孩的名字(以及反向)2012年美国联邦选举委员会数据库按职业和雇主的...
  • 《MATLAB小波分析与应用:30个案例分析》中十章节的案例的Matlab的编程,可帮助读者学习小波分析
  • MATLAB神经网络30个案例分析 案例1 BP神经网络的数据分类-语音特征信号分类 案例2 BP神经网络的非线性系统建模-非线性函数拟合 案例3 遗传算法优化BP神经网络-非线性函数拟合 案例4 神经网络遗传算法函数极值寻优-非...
  • 数据分析精华案例-财务报表分析
  • matlab神经网络30个案例分析
  • python大数据分析与机器学习商业案例实战_用户评论情感分析模型_编程实例课程教程.pdf
  • 《MATLAB神经网络43个案例分析》是在《MATLAB神经网络30个案例分析》的基础上修改、补充而成的,秉承着“理论讲解—案例分析—应用扩展”这特色,帮助读者更加直观、生动地学习神经网络。 《MATLAB神经网络43...
  • python大数据分析与机器学习商业案例实战_新闻聚类分群模型_编程实例课程教程.pdf
  • titanic大数据数据分析案例,jupyter notebook 原码说明非常详细,带有数据集,代码,分析图表,特征工程分析
  • 本需求分析说明书对本项目第阶段的内容进行分析, 对需求细节和实现方式进行了较 为详细的阐述。 本需求说明书供业务和科技部门人员、 软件需求提供人员、 软件的概要设计 人员、软件的开发人员、软件的测试人员...
  • matlab智能算法实例分析加视频讲解,主要设计人工智能方向
  • python大数据分析与机器学习商业案例实战_人脸识别模型_编程实例课程教程.pdf
  • SPSS数据分析实例详解.pdfSPSS数据分析实例详解.pdfSPSS数据分析实例详解.pdfSPSS数据分析实例详解.pdfSPSS数据分析实例详解.pdfSPSS数据分析实例详解.pdf
  • 有限元分析实例详解 静力学周炬,有利于对工程实践的理解与应用
  • python大数据分析与机器学习商业案例实战_手写数字识别模型_编程实例课程教程.pdf
  • 基于python的情感分析,含有案例分析完整python脚本源码及所用数据。
  • MATLAB小波分析与应用30个案例分析源代码 《MATLAB小波分析与应用:30个案例分析》中十章节的案例的Matlab的编程,可帮助读者学习小波分析
  • 任务1 实训撰写软件危机典型案例分析 PAGE PAGE 3 任务描述 软件危机典型案例分析 1搜集软件危机典型案例 2具体说明案例由于软件危机产生的后果 3分析案例软件危机产生原因 4查询软件工程相关知识 5尽可能地提出你...
  • python数据分析参考案例,在线选房系统代码和数据,网络收集
  • 本资源包含Matlab30智能算法的案例分析,每个案例都有相对应的源代码
  • python大数据分析与机器学习商业案例实战_客户流失预警模型_编程实例课程教程.pdf
  • 在工程项目中各个案例非常丰富,种类繁多,但只要在分析案例时注重调研分析,以用户需求为中心,利用数据库设计的理论指导,定能...为了使数据库研发人员更好的学习数据库,现提供了10常见的数据库工程项目分析案例
  • 今天给大家分享一个数据分析案例:线下连锁水果店销售数据分析案例,分析过程我也会以类动图的方式呈现给大家,真正意义上做到收藏即学会。 目录1 案例背景2 问题确认与指标拆解题3 问题解决思路4 案例实操4.1 利用...

    大家早上好,本人姓吴,如果觉得文章写得还行的话也可以叫我吴老师。欢迎大家跟我一起走进数据分析的世界,一起学习!

    感兴趣的朋友可以关注我或者我的数据分析专栏,里面有许多优质的文章跟大家分享哦。


    今天给大家分享一个数据分析案例:线下连锁水果店销售数据分析案例,分析过程我也会以类动图的方式呈现给大家,真正意义上做到收藏即学会。

    1 案例背景

    果多吃水果连锁超市是华北地区的热门线下水果超市。该超市覆盖华北5个省份,且在京津冀地区门店超过90家;与其他动辄SKU过百的水果连锁超市相比,公司专供60种热门水果,其中由果多吃自建供应链的具有自主商标的高品质产品在数量上逐年增加,为企业提供了丰厚利润。自2015至2018年,其年净利润涨幅保持在10%以上,其中2018年的净利润额达7835万。
    在这里插入图片描述
    作为一家线下连锁水果超市,果多吃通过直营+加盟的模式铺开连锁网络。通过标准化的储存方式、仓库的创新设计、高效能的设备以及与供应商的同步数据来确保物美价廉。

    其长期的稳定盈利,一方面得益于有针对性的店面规划和商品规划,另一方面得益于完备的会员制度和有效的会员激励方案。公司设计了一套商品分配系统,能够依据各个地区的商品销售特点自动划分该地区的水果供应配比,而总公司一般只需要按照整体需求安排水果采购即可;

    2019年,公司发现季度利润有下降趋势,下图是近年来的企业季度利润表现。从图中可以看出,2019年Q1和Q2的利润同比都为负数。连续两个季度无法维持利润增长,如果保持现有利润增幅,将无法满足公司董事会设定的利润目标,企业领导十分着急。
    在这里插入图片描述
    所以现在,老板该咱定了个目标:对比去年达到5%的年净利润增长。

    按照前几年的Q1Q2季度利润占比和近年的实际利润情况,估计全年利润为7600万左右,如果需要对去年保持5%的利润增长,则需要达到约8200万利润(7835万 * (1+5%)),还需要填补600万的利润缺口。按去年的季度利润占比,第三季度的利润平均占全年的28%,第四季度占全年的18%,我们预估第四季度的利润提高难度要大于第三季度。所以我们给第三季度分配400万利润提高额,给第四季度分配200万利润提高额。

    在这里插入图片描述

    2 问题确认与指标拆解题

    已知利润=收入-成本,那我们可以主要从增加收入和减少成本两大方面入手,具体如下。

    在这里插入图片描述

    3 问题解决思路

    在这里插入图片描述
    **方案1:**未盈利店铺Q3承担100万毛利额增长额

    我们通过店铺的盈利状况,发现接近有23家店铺未盈利(约占92家店面的25%)。我们将25%的毛利额增长任务分配至这25%的未盈利店铺,利用部分商品打折促销的营销推广方式,让店铺增加客流量,提高打折水果销量,同时也提高非打折水果的销售概率。以这个方式来达到店铺毛利额增长的目标;

    通过25%的毛利额增长任务拆解单店的日均毛利额增长任务:

    • 亏损店铺本季度承担毛利额增长总额为:400万 * 25% = 100万
    • 每店铺平均每日承担的毛利额增长额为:100万 / 90天 / 23店铺数 = 483元
    • 为了将目标设置得稍微高一些,我们将目标从483元 提高到了 500元

    **方案2:**利用高销量高利润商品带来300万毛利额增长额

    我们将75%的毛利额增长任务分配至所有店铺,分析热销水果,预测水果的销量变动趋势,改变不同水果的进货配比,从而达到增加毛利额的目标;

    通过75%的毛利额增长任务拆解单店的日均毛利额增长任务:

    • 所有店铺本季度承担毛利额增长总额为:400万 * 75% = 300万
    • 每店铺平均每日承担的毛利额增长额为:300万 / 90天 / 92店铺数 = 360元

    4 案例实操

    在这里插入图片描述

    4.1 利用分组分析找到亏损店铺做营销优化,实验验证结论

    我们在本阶段完成以下几个任务:

    1.拆分出亏损店铺

    其中亏损店铺的划分为:日毛利额小于4000的店铺;

    关于我们日毛利额4000的标准,我们的计算标准如下:

    • 租金成本:我们水果店铺单店的面积在80㎡左右,按每平米8元的日租金,每日租金为:640元
    • 人员成本:水果店单店的员工数平均8人,每人每月平均工资4000元,折合每日工资为:1067元
    • 税:水果店的单店税收平均到每天约为:1000元
    • 水电及其他成本,每日约为:300元
    • 装修及设备分摊成本,每日约为:1000元

    2.从亏损店铺中抽取部分店铺做精细化销售方案实验

    其中精细化销售方案指线下店铺常用的部分商品打折促销的活动

    3.分析实验效果,前后对比,确定是否将该方案推广到其他亏损店铺

    数据介绍

    92家店铺 店铺ID 日均销量等4个维度(每个字段的介绍)
    在这里插入图片描述
    分组分析介绍
    在这里插入图片描述
    分析结果

    三店平均日均净利润增长额:1176元

    23号店铺:净利润增额205元(未达目标)

    39号店铺:净利润增额2262元

    64号店铺:净利润增额1061元
    在这里插入图片描述
    数据处理: 统计(excel 工具实现)

    1. 对店铺亏损程度排序,查看大致亏损情况–按日均毛利升序排序

    在这里插入图片描述

    1. 找出日均毛利小于4000元(亏损店铺)–筛选出日均毛利小于4000的店铺

    在这里插入图片描述

    1. 抽取3个样例店铺(id 为23 ,39, 64) 进行推广实验并与之对比,数据如下

    在这里插入图片描述

    1. 计算推广前后的利润对比
      1. 对比日均毛利额是否增长
      2. 每日每斤平均利润 = 日均毛利额度/日均销量

    在这里插入图片描述

    1. 23号店是否关店决策

    按现有日均毛利额增长速度,23号店预计未来3个月都无法达成盈利的状态,可以考虑关店;
    3个月后预估的毛利 = 日均毛利*(1 + 增长幅度)

    在这里插入图片描述

    4.2 运用对比分析法解决哪类产品销售好的问题?

    • 拆分出不同销量的水果,尝试对水果做销量对比
    • 使用对比分析方法完成任务

    数据介绍

    数据为一具体店铺17天抽样的507条销售记录,数据维度包括销售日期 产品ID 折扣 数量等10个维度。

    在这里插入图片描述
    对比分析介绍

    在这里插入图片描述
    分析结果
    通过对比销量分析,发现葡萄和荔枝的销量明显高于其他品类;

    为了进一步分析销量和利润的综合效果,需要结合利润维度做矩阵关联分析;

    同时为了决策进货量,需要进一步进行趋势分析。

    数据处理:统计(excel 工具实现)

    1. 【数据】–>【高级筛选】–>选择“将筛选结果复制到其他位置”,列表区域选中D列,指定复制到的位置,勾选“选择不重复记录”。

    在这里插入图片描述

    1. 统计各品类的总销售量(sumif(范围,条件,求和项)

    在这里插入图片描述

    1. 设施统计表格格式(字体,背景色等)

    在这里插入图片描述
    数据分析: 对比分析(图表更直接----可视化)

    1. 选中左侧所有数据 -->【插入】–> 图表区域选择柱形图。

    在这里插入图片描述

    1. 选中图表右键添加数据标签(Excel 右侧可以设置图标样式)。

    在这里插入图片描述

    4.3 利用矩阵关联法找到销量好和利润高的品类

    拆分出不同销量和利润的水果,为接下来的进货量调整做准备。(使用矩阵关联分析方法完成任务)

    1. 利润高 :平均利润高(因为水果每次进价不一样,售价也不一样)
    2. 平均利润 = 总利润/总销量
    3. 总销量 = 数量的总和
    4. 总利润 = 利润的总和
    5. 求利润 = 销售额 - 成本 * 数量
    6. 销售额 = 单价 * 数量 * 折扣

    矩阵分析法

    是指将事物的两个重要指标作为分析的依据,进行分类关联分析,找出解决问题的一种分析方法,也称为矩阵关联分析法,简称矩阵分析法。

    只要两个指标之间线性无关且放在一起有意义都可以用象限分析 。如:转化率和客单价, 售罄率和单款产出 , 单款库存深度(数量)和 上新款数。

    1. 每次营销活动的点击率和转化率

    在这里插入图片描述

    1. 各类服装库存与销量

    在这里插入图片描述

    1. 用户对产品重要性与满意度

    在这里插入图片描述
    作用:将有相同特征的事件进行归因分析,总结其中的共性原因;建立分组优化策略。

    在这里插入图片描述
    销量高和平均利润都高:重点对待

    销量高但是平均利润少:一般保持

    销量低但是平均利润高:重点发展

    销量和平均利润双低:需要查明原因或减少进货量的品类

    分析结果

    1. 处在重点对待象限的品类是荔枝,可以增加进货量
    2. 处于需要查明原因或减少进货量的品类是芒果,可以减少进货量

    数据处理: 统计(excel 工具实现)

    1. excel 去重筛选所有品类 数据菜单–高级筛选
    2. 统计销量(sumif)

    在这里插入图片描述

    1. 统计总利润(sumif)

    在这里插入图片描述

    1. 统计总销量(sumif)

    在这里插入图片描述

    1. 计算平均利润

    在这里插入图片描述

    数据分析: 象限分析(图表更直接----可视化)

    知识点:象限图(散点图改进)

    1. 选中销量和平均利润数据绘制散点图

    在这里插入图片描述

    1. 计算销量与平均利润的平均值

    在这里插入图片描述

    1. 调整散点图的X,Y轴交叉点为销量和利润的均值,之变为矩阵图

    在这里插入图片描述

    1. 去掉散点图的X,Y轴刻度

    在这里插入图片描述

    1. 选中横纵网格线,按下“del”键删除网格
    2. 添加坐标轴的标题,便于区分各象限的含义

    在这里插入图片描述

    1. 设置数据标签
      a. 选中图表右键"添加数据标签"
      b. 选中标签右键“数据标签选项”–选中单元格的值并框选所有产品类目,去掉Y值

    在这里插入图片描述

    1. 最终展现结果如下

    在这里插入图片描述

    1. 可以看出芒果的销量、利润都不高,可以将精力放到其他水果的销量上

    4.4 运用趋势分析法分析水果总需求如何?

    • 挑选出毛利额较高的品类和毛利额较低的品类,预测两者的后续销量趋势

      • 使用趋势分析法预测销量趋势
    • 根据预测的销量趋势判断是否需要增加进货量或者减少进货量,并判断为了完成利润目标需要增加多少进货量

    • 趋势分析法
      趋势是市场表现的方向,趋势分析可以帮助我们把握市场大方向,不犯原则性错误。
      趋势有三种方式:上升,下降和平稳
      纵向分析:不同时间的段指标进行比较

    在这里插入图片描述

    分析结果

    荔枝的趋势预测小幅上升,说明顾客对于荔枝的需求正在增长,可以提高荔枝进货量。

    同样,利润较低的芒果趋势预测小幅下降,说明顾客对于芒果需求正在降低,可以减少芒果进货量。

    数据处理

    1. 数据量少的情况下,我们选择时间粒度为日。excel 去重筛选所有时间段
      【数据】–>【高级筛选】–> 列表区域选择日期列

    在这里插入图片描述

    1. 统计每天荔枝的销售量并设置表格式 (sumifs(求和项,范围1,条件1,,范围2,条件2,…))

    在这里插入图片描述

    数据分析: 趋势分析(图表更直接----可视化)-- 时间段趋势用折线图表示

    1. 【插入】–>【图表区】–> 选择“带数据标记折线图”(时间段少时用)

    在这里插入图片描述

    1. 选中图表对象,增加趋势线并对图表进行美化

    在这里插入图片描述

    1. 设置标记点

    在这里插入图片描述

    1. 以同样的方式绘制芒果销量趋势图

    在这里插入图片描述#pic_center

    5 结论分析报告

    1.各店的精细化销售方案能将亏损店铺日均毛利额提高1176元

    • 通过三店的精细化销售推广,23号店日均毛利额提升205元,提升幅度达23.85%;39号店铺日均毛利额提升2262元,提升幅度68.17%;64号店铺日均毛利额提升1061元,提升幅度30.07%;三店铺日均毛利额提高1176元
    • 按三店的最低提升幅度23.85%估计23家亏损店铺的整体日均利润提升额为1.6万,平均每个店铺712元,大于目标500元
    • 后续可以对24个亏损店铺推广,按每个店铺712元的毛利提升,预计整体一个季度可以提升143万利润。可完成36.8%毛利额增长目标

    在这里插入图片描述

    2.调整水果进货后能将店铺的日均毛利额提高

    • 通过矩阵关联法,分析出荔枝属于高销量高利润商品、芒果属于低销量低利润商品;
    • 通过预测两者销量趋势,可以预测到荔枝销量呈上升趋势,芒果销量呈下降趋势。我们决定增加荔枝进货量,减少芒果进货量。结合矩阵关联法,可以看出,这种调整组合可以有效提高店面整体毛利额;
    • 假设我们的进货调整方案为:
      荔 枝 调 整 进 货 量 = ( 目 标 利 润 + ( 芒 果 利 润 ∗ 芒 果 下 降 销 量 ) ) / 荔 枝 利 润 荔枝调整进货量=(目标利润+(芒果利润*芒果下降销量))/ 荔枝利润 =(+()/

    可以计算得出需要增加荔枝量在230斤到330斤之间

    • 后续可按相同方式预测其他水果销量,可以综合地提高其他品类的进货量,而非单一提高一个品类的进货量,从而使我们达到目标的策略更加稳妥可行

    在这里插入图片描述
    在这里插入图片描述

    推荐关注的专栏

    👨‍👩‍👦‍👦 机器学习:分享机器学习理论基础和常用模型讲解
    👨‍👩‍👦‍👦 数据分析:分享数据分析实战项目和常用技能整理


    关注我,了解更多相关知识!

    CSDN@报告,今天也有好好学习

    展开全文
  • 有限元分析实例

    2018-04-23 17:00:54
    非常实用的有限元分析资料,有这方面需求的同学可以参考一下。
  • ANSYS疲劳分析结果实例.pdf
  • 利用最近次的营销活动的信息,分析什么对推销结果的影响最大,如何确定银行定期产品推销中最具价值的客户。

    大家早上好,本人姓吴,如果觉得文章写得还行的话也可以叫我吴老师。欢迎大家跟我一起走进数据分析的世界,一起学习!

    感兴趣的朋友可以关注我或者我的数据分析专栏,里面有许多优质的文章跟大家分享哦。

    (有需要完整代码和数据的可以评论留下你的邮箱,我会尽快发送给你!)


    项目简介

    利用最近一次的营销活动的信息,分析什么对推销结果的影响最大,如何确定银行定期产品推销中最具价值的客户。

    PS: 这是最初上传到UCI机器学习库的经典营销银行数据集,该数据集提供了有关金融机构营销活动的信息,但在本篇博客当中我们仅会用到EXCEL进行数据分析,使用机器学习进行分析我们留到之后再介绍。

    1 数据理解

    字段名理解
    age年龄(数值)
    job职业(分类:admin, bluecollar, entrepreneur, housemaid, management, retired, self-employed, services,student, technician, unemployed, unknown)
    marital婚姻状况(分类:divorced, married, single, unknown)
    education学历(分类:primary, secondary, tertiary and unknown)
    default失信状况(分类:yes, no)
    balance资产余额(数值)
    housing房屋贷款(分类:yes, no, unknown)
    loan个人贷款(分类:yes, no, unknown)
    contact联系方式(分类:cellular, telephone)
    day最后一次电话营销的日期(数值:月份中的哪一天)
    month最后一次电话营销的月份(分类:jan, feb, mar, apr,…,nov, dev)
    duration通话时长(数值:以秒为单位,0的话最终输出结果必然是0)
    campaign联系次数(数值:此活动中联系该客户的次数)
    pdays距上次联系完客户后的天数(数值:999代表未联系过该客户)
    previous这次活动前与这位客户联系的次数(数值)
    poutcome上次营销的结果(分类:yes, no, unknown)
    deposit定期存款(分类:yes, no)客户是否已购买定期存款

    2 数据清洗

    此次数据除了部分未知数据(unknown),其它暂不需要清洗。

    3 确定思路

    首先这个balance,我不太确定具体指什么,目前推测应该是客户存放在银行的资金(负数应该代表欠了银行钱吧哈哈),总不可能是代表这个人的个人全部资产吧(银行得不到这方面的信息),所以暂时留着。

    然后这个day和month,如果说有年份的话还能将其分为周一周二等,但是没有,数据集出处也没有明确标注是哪一年,所以如果用来分析的话可能也只能按月来分析,但按以往的经验和数据量的大小来看,应该用处不大。

    至于duration的话,因为当duration为0时结果必然是失败的,说明这个数据的记录应该是银行人员在营销完记录下的,而现实中你无法在营销前就得到该数据,所以这个数据没有用。

    那么接下来我们如何下手呢?
    首先我们可以将数据分为两种类型:
    1、客户的个人信息
    2、营销人员与客户的联系信息
    那么接下来我们可以按照这两种数据提出几个问题:
    1、用户的个人信息是否对结果有着明显的影响(哪些属性影响大)?
    2、营销人员的行为是否对结果有着明显的影响(哪些属性影响大)?

    4 分析过程

    4.1 年龄

    此时我们探究年龄与结果是否有明显的影响。
    首先我们可以查看以下数据集中的年龄统计分布情况:

    在这里插入图片描述
    可以发现共有11162名最小值为18,最大值为95,最小值为18。我们可以按照我们的认知,将客户分为几个不同年龄阶段。

    在这里插入图片描述

    分组的话主要是用到了VLOOKUP函数进行分组。
    在这里插入图片描述
    此时得到分组后,我们可以生成数据透视表来查看情况。

    在这里插入图片描述
    从图当中我们可以明显的看到在老年人群体中最终购买了定期存款的比例最大,为80.2%,而其他群体最终的结果并没有明显的差距。

    4.2 失信状况default

    在这里插入图片描述
    有失信记录的在结果上没有什么差别,无失信记录的最终购买的比例低于没有购买的,但是数据量较小,不能作为参考。

    4.3 个人资产balance

    同年龄一样,balance是数值型,因而最好先将其分组。

    在这里插入图片描述
    这里我主要采用箱型图来查看balance数据的分布,以便后续进行分组。
    可以看到的是数据主要是集中在0-2000之间,有少部分低于该区间,然后有部分大于该区间。

    按下图进行分组:

    在这里插入图片描述
    结果如下:

    在这里插入图片描述
    这里主要可以发现的是负资产的客户最终购买的可能性较低,而资产较高的客户购买的可能性稍微大些。

    4.4 housing&loan

    接下来的房屋贷款和个人贷款,这个我打算放在一起进行分析。
    具体如下:

    在这里插入图片描述
    可以看到无房贷和无个人贷款的客户最终购买的可能性最大,为59.65%。其余的只要有任何一个贷款购买的可能性就比较低。

    4.5 上次营销结果poutcome

    同理,生成透视图查看一下:

    在这里插入图片描述
    (包括这次在内,当生成透视图时发现有部分数据(如unknown、other)是我们不想要的,记得筛选掉)

    从图中我们可以明显发现,上次营销成功的客户这次购买的可能性也极大。

    5 总结

    结论:从上述结果我们可以发现,老年人且上次营销成功的群体最有可能购买产品,而有贷款且低资产的用户购买的可能性会很小。

    PS: 这次没有其他过多的因素考量,如产品实际的业务情况、数据具体来源等,而我主要也是利用自己以往的经验来选取数据进行分析,没有做过多的分析比较。


    推荐关注的专栏

    👨‍👩‍👦‍👦 机器学习:分享机器学习实战项目和常用模型讲解
    👨‍👩‍👦‍👦 数据分析:分享数据分析实战项目和常用技能整理


    关注我,了解更多相关知识!


    CSDN@报告,今天也有好好学习

    展开全文
  • python大数据分析与机器学习商业案例实战_医学病症关联规则分析_编程实例课程教程.pdf
  • python大数据分析与机器学习商业案例实战_医疗肿瘤预测模型_编程实例课程教程.pdf
  • Python开发二手房数据分析预测系统完整项目流程实战_编程案例实例详解课程教程.pdf

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,585,320
精华内容 634,128
关键字:

如何分析一个案例