Olist business analysis

Олиско-бизнес-анализ

Введение

Olist-это бразильский стартап, который работает в сегменте электронной коммерции, в основном через рынок. Это хорошо распространено в стране. Этот проект представляет собой подробный анализ комплексных данных олистов. Оригинальный набор данных Olist содержит информацию о 100 тыс. Заказов с 2016 по 2018 год, сделанный на нескольких рынках в Бразилии. Его функции позволяют просматривать заказ из нескольких измерений: от статуса заказа, цены, оплаты и производительности груза до местоположения клиента, атрибутов продукта и, наконец, обзоров, написанных клиентами. Схема набора данных такова, как ниже:-

• OLIST_ORDER_CUSTOMERS_DATASET - В этом наборе данных есть информация о клиенте и его местоположении. Используйте его, чтобы идентифицировать уникальных клиентов в наборе данных заказов и для поиска места доставки заказов.
• OLIST_GEOLOCATE_DATASET - Этот набор данных имеет информацию о бразильских почтовых индексах и координатах LAT/LNG.
• OLIST_ORDEM_ITEMS_DATASET - Этот набор данных включает данные об элементах, приобретенных в каждом порядке.
• olist_order_payments_dataset - Этот набор данных включает в себя данные об вариантах оплаты заказов.
• OLIST_ORDER_REVIEWS_DATASET - Этот набор данных включает в себя данные об отзывах, сделанных клиентами.
• olist_orders_dataset - это основной набор данных. Каждая необходимая информация отображается в каждом заказе в этом.
• OLIST_PRODUCTS_DATASET - Этот набор данных включает в себя данные о продуктах, продаваемых Olist.
• OLIST_SELLERS_DATASET - Этот набор данных включает в себя данные о продавцах, которые выполняли заказы, сделанные в Olist.

Многочисленные задачи анализа выполняются в наборе данных, начиная от описательного анализа до прогнозирования и прогнозного анализа.

Анализ

Различные задачи анализа перечислены и объяснены ниже:-

Соединение данных

Исходные данные используются для получения нескольких наборов данных с помощью соединений и манипуляций. Записная книжка манипулирования данными и комбинированная тетрадь Юпитера содержит пошаговый процесс и объяснения.

• customer_data - Карты клиентов в своих местах в широте и долготе
• Customer_order - Карты каждого заказа для клиента и купленных продуктов
• transaction_data - транзакционный набор данных
• customer_payment - Информация о покупках и информации о платежах, агрегирована для каждого клиента
• Deliver_data - Карты заказа каждого клиента продавцу, выполняющему его, и место продавца
• Product_reviews - отображает отзывы на продукты

Предварительный анализ данных

Предварительный анализ ноутбуков содержит подробный анализ. Этот ноутбук визуализирует и суммирует оригинальные и комбинированные наборы данных, чтобы найти тенденции, шаблоны или неисправности. Этот анализ дает целостный взгляд на набор данных TH.

Ассоциация добыча правил

Используя транзакционный набор данных, созданный из исходного набора данных, добыча правил ассоциации выполняется с использованием алгоритмов частых рисунков - деревьев роста FP. Модель возвращает частые наборы элементов с порогом достоверности 10%. Записная книжка по добыче правил ассоциации содержит подробное объяснение этой задачи.

Анализ продукта

Цель этого анализа - найти самые популярные продукты, популярные категории продуктов и категорию популярных продуктов в экосистеме Olist. Кроме того, сроки доставки и характеристики продукта, такие как - описание, количество фотографий и т. Д., Сравнены с популярностью, чтобы найти корреляции в данных. Записная книжка -анализа продукта содержит подробный код.

Обзоры анализа настроений

Анализ настроений проводится в обзорах, предлагаемых клиентами. Записная книжка содержит контролируемые и неконтролируемые методы для анализа настроений, анализ настроений. Контролируемый метод использует рейтинг, предоставляемый в качестве ярлыка для анализа настроений, тогда как метод неконтролируемой методики- Afinn, TextBlob для выполнения анализа.

Прогноз фрахтовой стоимости

Стоимость груза - это стоимость доставки, связанную с каждым заказом. Записная книжка по прогнозированию стоимости фрахта содержит подробные шаги построения модели для прогнозирования стоимости доставки для заказа, учитывая расстояние между продавцом и клиентом, размеры и вес продукта. Кроме того, модель также создается и развернута на Azureml как веб -сервис. WebApp создается с использованием Dash Plotly, чтобы запросить модель для прогнозов фрахта.

Веб -приложение

Веб -приложение развернуто на Heroku, встроенном Dash Plotly. Приложение обеспечивает переднюю часть модели предиктора грузовых значений, построенной на платформе Azureml. Веб -приложение имеет следующую структуру файла.

 __ app.py
__ layout.py
__ requirements.txt
__ Procfile
__ Resources
  |__ API_key
  |__ URL 
  |__ ship.png

Схема ниже представлена ​​веб -службы, созданной на Azureml.

Развертывание Heroku

Файл App.py содержит экземпляр сервера, а файл Mayout.py содержит макет, который будет представлен. Файл требований.txt содержит зависимости веб -приложения

 pip freeze > requirements.txt

Procfile используется для запуска экземпляра сервера приложений на виртуальную машину. Содержимое проклина

 web: gunicorn app:server

Как только файлы будут готовы, подтолкните репо до Heroku Master

 heroku create new_app
git add .
git commit -m "intial push"
git push heroku master
heroku ps:scale web=1

Занятое веб -приложение можно получить на Heroku по этой ссылке. https://olist-freight-app.herokuapp.com/

Примечание.- Веб-сервис на Azure в настоящее время не работает. Пожалуйста, создайте аналогичную веб -службу на Azure и соответственно измените файлы API_KEY и URL.

Заключение

Набор данных Olist был проанализирован на нескольких фронтах. Каждый анализ выявил новую информацию и понимание, как сообщается в ноутбуке. Для любых запросов, свяжитесь - [email protected] и [email protected]