Wprowadzenie
Celem tego raportu jest analiza zestawu danych, w tym czyszczenie danych, wizualizacja, analiza opisowa oraz wnioskowanie statystyczne.
Obiektem analizy był zbiór danych, będący jedną z historycznych sprzedaży firmy supermarketów Biedronka, która została zarejestrowana w 3 różnych oddziałach przez 3 miesiące, od stycznia 2019 r. do marca 2019 r.
Dane jakie zostały zebrane są następujące
Invoice id - Numer identyfikacyjny faktury sprzedaży wygenerowany komputerowo
Branch - Oddział supercentrum
City - Lokalizacja supercentrów
Customer type - Typ klientów, zarejestrowany przez członków dla klientów korzystających z karty członkowskiej i normalny dla klientów bez karty członkowskiej
Gender - Płeć klienta
Product line - Ogólne grupy kategoryzacji przedmiotów - akcesoria elektroniczne, akcesoria modowe, żywność i napoje, zdrowie i uroda, dom i styl życia, sport i podróże
Unit price - Cena każdego produktu w $
Quantity - Liczba produktów zakupionych przez klienta
Tax - Opłata podatkowa w wysokości 5% dla klienta dokonującego zakupu
Date - Data zakupu
Time - Czas zakupu
Payment - Sposób płatności klienta - gotówka, karta kredytowa i portfel elektroniczny
COGS - Koszt sprzedawanych towarów
Gross margin percentage - Procentowa marża brutto
Gross income - Dochód brutto
Rating - Ocena satysfakcji klientów dotycząca ich ogólnego doświadczenia zakupowego
Data Cleansing i Wrangling
Wczytanie danych
# Wczytanie danych
library(readr)
supermarket_new <- read_csv("supermarket_new.csv")
# Podstawowa charakterystyka danych
summary(supermarket_new)## Invoice ID Branch City Customer type
## Length:1000 Length:1000 Length:1000 Length:1000
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Gender Product line Unit price Quantity
## Length:1000 Length:1000 Min. :10.08 Min. : 1.00
## Class :character Class :character 1st Qu.:32.88 1st Qu.: 3.00
## Mode :character Mode :character Median :55.23 Median : 5.00
## Mean :55.67 Mean : 5.51
## 3rd Qu.:77.94 3rd Qu.: 8.00
## Max. :99.96 Max. :10.00
##
## Tax 5% Total Date Time
## Min. : 0.5085 Min. : 10.68 Length:1000 Length:1000
## 1st Qu.: 5.9249 1st Qu.: 124.42 Class :character Class1:hms
## Median :12.0880 Median : 253.85 Mode :character Class2:difftime
## Mean :15.3794 Mean : 322.97 Mode :numeric
## 3rd Qu.:22.4453 3rd Qu.: 471.35
## Max. :49.6500 Max. :1042.65
##
## Payment cogs gross margin percentage gross income
## Length:1000 Min. : 10.17 Min. :4.762 Min. : 0.5085
## Class :character 1st Qu.:118.50 1st Qu.:4.762 1st Qu.: 5.9861
## Mode :character Median :241.76 Median :4.762 Median :12.1508
## Mean :307.59 Mean :4.762 Mean :15.4374
## 3rd Qu.:448.90 3rd Qu.:4.762 3rd Qu.:22.4295
## Max. :993.00 Max. :4.762 Max. :49.6500
## NA's :150
## Rating
## Min. : 4.000
## 1st Qu.: 5.600
## Median : 7.000
## Mean : 6.996
## 3rd Qu.: 8.500
## Max. :10.000
## NA's :150Dane zawierają informacje o sprzedaży, takie jak lokalizacja sklepów, ceny jednostkowe, ilości zakupionych produktów, rodzaj płatności i oceny klientów.
Czyszczenie danych
Sprawdzenie braków danych
Braki danych mogą wskazywać na problemy w procesie zbierania informacji. Sprawdzamy, które zmienne są najbardziej narażone na niekompletność.
## [1] 400## [1] 2.352941## # A tibble: 17 × 3
## variable n_miss pct_miss
## <chr> <int> <num>
## 1 gross income 150 15
## 2 Rating 150 15
## 3 City 100 10
## 4 Invoice ID 0 0
## 5 Branch 0 0
## 6 Customer type 0 0
## 7 Gender 0 0
## 8 Product line 0 0
## 9 Unit price 0 0
## 10 Quantity 0 0
## 11 Tax 5% 0 0
## 12 Total 0 0
## 13 Date 0 0
## 14 Time 0 0
## 15 Payment 0 0
## 16 cogs 0 0
## 17 gross margin percentage 0 0Usuwanie wartości specjalnych i zastosowanie reguł walidacji
Reguły walidacji pomagają w wykrywaniu i eliminowaniu błędnych wartości, co poprawia jakość analizowanych danych.
is.special <- function(x) {
if (is.numeric(x)) !is.finite(x) else is.na(x)
}
for (n in colnames(supermarket_new)) {
is.na(supermarket_new[[n]]) <- is.special(supermarket_new[[n]])
}
# Reguły walidacji
rules <- validator(
`Unit price` > 0,
Total <= `Unit price` * Quantity + `Tax 5%`,
Rating >= 1 & Rating <= 10
)
# Zastosowanie reguł
validation_results <- confront(supermarket_new, rules)
summary(validation_results)## name items passes fails nNA error warning
## 1 V1 1000 1000 0 0 FALSE FALSE
## 2 V2 1000 843 157 0 FALSE FALSE
## 3 V3 1000 850 0 150 FALSE FALSE
## expression
## 1 `Unit price` > 0
## 2 Total <= `Unit price` * Quantity + `Tax 5%`
## 3 Rating - 1 >= -1e-08 & Rating - 10 <= 1e-08## call: locate_errors(data, x, ref, ..., cl = cl, Ncpus = Ncpus)
## located 0 error(s).
## located 400 missing value(s).
## Use 'summary', 'values', '$errors' or '$weight', to explore and retrieve the errors.Wizualizacja Danych
Braki danych
Wykrezy wizualizujące braki danych pomagają określić, które zmienne najczęściej zawierają braki.
Na podstawie wykresów można stwierdzić, że braki danych występują w kolumnach City, Gross income oraz Rating. Najczęściej brakuje danych w pojedynczych kolumnach, co może sugerować niezależne mechanizmy ich utraty. Najwięcej braków występuje w kolumnie City (116), następnie Rating (113), a potem gross income (20).
Wykresy zależności
Analiza pokazuje, czy oceny klientów mają związek z dochodem brutto oraz czy różnią się w zależności od lokalizacji sklepu. Brak wyraźnej zależności między dochodem brutto a oceną – punkty są rozrzucone losowo, co sugeruje brak silnej korelacji. Oznacza to, że wyższy dochód brutto niekoniecznie prowadzi do wyższej oceny.
# Zależność między Rating a Gross Income
ggplot(supermarket_new, aes(x = `gross income`, y = Rating)) +
geom_point(aes(color = City), size = 2) +
theme_minimal()
# Zależność między Rating a City
ggplot(supermarket_new, aes(x = Rating, y = City)) +
geom_point(color = "darkorange", size = 2) +
theme_minimal()
Rozkład punktów sugeruje, że oceny są podobne we wszystkich miastach – brak wyraźnych trendów wskazujących, że w jednym mieście oceny są wyższe lub niższe.
Wykresy podsumowujące sprzedaż
Wykres przedstawia procentowy podział całkowitej sprzedaży (w tysiącach) w trzech miastach: Mandalay, Naypyitaw i Yangon. Yangon osiągnął najwyższy udział w sprzedaży (34,2%), następnie Naypyitaw (33,1%), a Mandalay ma najniższy wynik (32,7%). Różnice między miastami są niewielkie, co wskazuje na stosunkowo równomierny rozkład sprzedaży.
Wykres przedstawia procentowy rozkład zakupów według płci w różnych liniach produktów. Kobiety (oznaczone kolorem czerwonym) dominują w większości kategorii zakupowych, zwłaszcza w „Fashion accessories” i „Health and beauty”. Mężczyźni (oznaczeni kolorem niebieskim) mają większy udział w zakupach „Electronic accessories” oraz „Sports and travel”. W innych kategoriach, takich jak „Food and beverages” oraz „Home and lifestyle”, podział jest bardziej zrównoważony.
Wykres przedstawia zależność między liczbą zakupionych produktów a całkowitą ceną z podatkiem. Widoczna jest rosnąca tendencja – im więcej produktów kupiono, tym wyższa była łączna cena. Boxploty wskazują na zmienność cen dla różnych ilości zakupionych produktów, a zakresy wartości sugerują, że ceny mogą się różnić w zależności od rodzaju produktów.
Analiza Opisowa
Statystyki opisowe dla wybranych zmiennych
Przedstawione statystyki porównują różne cechy klientów pod względem płci (kobiety i mężczyźni) oraz analizują różnice w ich zachowaniach zakupowych. Nie stwierdzono istotnych statystycznie różnic między kobietami a mężczyznami pod względem miejsca zamieszkania (p = 0,14). Podział klientów na członków programu lojalnościowego i klientów zwykłych nie wykazuje istotnych różnic między płciami (p = 0,2). Wybory dotyczące kategorii produktów są porównywalne między kobietami a mężczyznami (p = 0,3). Średnia ocena zakupów jest zbliżona w obu grupach i wynosi 7,10 (kobiety) oraz 6,90 (mężczyźni), bez istotnej statystycznie różnicy (p > 0,9). Natomiast ilość kupowanych produktów różni się znacząco (p = 0,020). Kobiety kupują średnio więcej (mediana 6,00) niż mężczyźni (mediana 5,00). Nie zaobserwowano znaczących różnic w strukturze demograficznej klientów ani w wyborze kategorii produktów. Jednak kobiety kupują średnio większe ilości produktów niż mężczyźni, co jest jedyną istotną różnicą statystyczną w analizowanych danych.
czyste_dane %>%
select(City, Gender, `Customer type`, `Product line`, Total, Rating, Quantity) %>%
tbl_summary(by = Gender) %>%
add_p() %>%
bold_labels()| Characteristic | Female N = 5011 |
Male N = 4991 |
p-value2 |
|---|---|---|---|
| City | 0.14 | ||
| Mandalay | 163 (33%) | 170 (34%) | |
| Naypyitaw | 176 (35%) | 147 (29%) | |
| Yangon | 162 (32%) | 182 (36%) | |
| Customer type | 0.2 | ||
| Member | 261 (52%) | 240 (48%) | |
| Normal | 240 (48%) | 259 (52%) | |
| Product line | 0.3 | ||
| Electronic accessories | 84 (17%) | 86 (17%) | |
| Fashion accessories | 96 (19%) | 82 (16%) | |
| Food and beverages | 90 (18%) | 84 (17%) | |
| Health and beauty | 64 (13%) | 88 (18%) | |
| Home and lifestyle | 79 (16%) | 81 (16%) | |
| Sports and travel | 88 (18%) | 78 (16%) | |
| Total | 273 (133, 486) | 244 (118, 457) | 0.10 |
| Rating | 7.10 (5.50, 8.50) | 6.90 (5.60, 8.50) | >0.9 |
| Quantity | 6.00 (3.00, 8.00) | 5.00 (3.00, 8.00) | 0.020 |
| 1 n (%); Median (Q1, Q3) | |||
| 2 Pearson’s Chi-squared test; Wilcoxon rank sum test | |||
Macierz korelacji
Macierz korelacji przedstawia zależności między czterema zmiennymi: cena jednostkowa (Unit price), ilość (Quantity), łączna wartość (Total) oraz podatek 5% (Tax 5%).
Cena jednostkowa (Unit price) nie wykazuje istotnej korelacji z ilością (Quantity), co oznacza, że liczba kupowanych produktów nie zależy od ceny jednostkowej. Jest dodatnio skorelowana z całkowitą wartością zakupu (Total) oraz podatkiem 5% (Tax 5%), co jest logiczne, ponieważ wyższa cena jednostkowa wpływa na wzrost wartości zakupu i podatku.
Ilość (Quantity) nie jest skorelowana z ceną jednostkową, co sugeruje, że klienci kupują podobne ilości produktów niezależnie od ich ceny. Jest silnie dodatnio skorelowana z całkowitą wartością zakupu (Total), co oznacza, że im większa liczba zakupionych jednostek, tym wyższa wartość transakcji.
Łączna wartość (Total) jest dodatnio skorelowana zarówno z ilością, jak i ceną jednostkową, co potwierdza, że wzrost któregokolwiek z tych czynników prowadzi do wzrostu całkowitej wartości transakcji. Wykazuje silną dodatnią korelację z podatkiem 5% (Tax 5%), ponieważ podatek jest naliczany jako stały procent od wartości zakupu.
Podatek 5% (Tax 5%) jest w pełni skorelowany z łączną wartością zakupu (Total), co wynika z faktu, że jest on obliczany jako stały procent od tej wartości.
# Obliczanie korelacji
numeric_data <- czyste_dane %>% select(`Unit price`, Quantity, Total, `Tax 5%`)
corr_matrix <- cor(numeric_data, use = "complete.obs")
# Wizualizacja macierzy korelacji
corrplot(corr_matrix, method = "color")
Wnioskowanie Statystyczne
Porównanie cen jednostkowych między liniami produktów
Wykorzystano test Welcha ANOVA, który jest stosowany, gdy wariancje między grupami mogą się różnić. Wynik testu wskazuje wartość F(5, 462.07) = 0.44, z p = 0.82, co oznacza, że różnice w cenach jednostkowych między kategoriami produktów nie są istotne statystycznie.
Electronic accessories: średnia cena = 53.55 Fashion accessories: średnia cena = 57.15 Food and beverages: średnia cena = 56.01 Health and beauty: średnia cena = 54.85 Home and lifestyle: średnia cena = 55.32 Sports and travel: średnia cena = 56.99 Wartości średnie są bardzo zbliżone, co dodatkowo potwierdza brak istotnych różnic między liniami produktowymi.
Przeprowadzona analiza wykazała, że ceny jednostkowe produktów w różnych kategoriach nie różnią się znacząco. Wartość p = 0.82 sugeruje, że wszelkie zaobserwowane różnice mogą wynikać z losowej zmienności, a nie rzeczywistych rozbieżności w cenach
czyste_dane %>%
ggbetweenstats(
x = `Product line`,
y = `Unit price`,
pairwise.comparisons = TRUE,
p.adjust.method = "bonferroni",
ggtheme = theme_minimal()
)
Porównanie cen jednostkowych według typu klienta
Wykres przedstawia porównanie cen jednostkowych produktów w zależności od typu klienta – członków programu lojalnościowego („Member”) oraz klientów zwykłych („Normal”). Średnia cena jednostkowa dla klientów „Member” wynosi 56,21, a dla klientów „Normal” 55,14. Różnica między grupami jest niewielka i nieistotna statystycznie. Test t-Studenta dla prób o niejednakowych wariancjach (t_Welch) dał wynik t(997.8) = 0.64, p = 0.52, co oznacza, że nie ma istotnej różnicy między grupami na poziomie istotności 0.05. Wartość efektu Hedgesa (g_Hedges) wynosi 0.04, co wskazuje na bardzo mały efekt.
Przedział ufności dla różnicy średnich wynosi [-0.08, 0.16], co oznacza, że rzeczywista różnica może być bliska zeru, a nawet działać w przeciwnym kierunku. Bayesowski współczynnik wiarygodności (log_BF10 = 2.45) sugeruje, że nie ma silnych dowodów na różnicę między grupami.
Ogólnie rzecz biorąc, analiza pokazuje, że ceny jednostkowe produktów nie różnią się istotnie między członkami programu lojalnościowego a klientami zwykłymi.
czyste_dane %>%
ggbetweenstats(
x = `Customer type`,
y = `Unit price`,
pairwise.comparisons = TRUE,
p.adjust.method = "bonferroni",
ggtheme = theme_minimal()
)
Podsumowanie i Wnioski
Przeprowadzona analiza danych sprzedażowych supermarketów Biedronka pozwoliła na wyciągnięcie kilku istotnych wniosków.
Jakość danych – Zidentyfikowano brakujące wartości w zmiennych City, Gross income oraz Rating. Po przeprowadzeniu czyszczenia danych i imputacji braków możliwe było przeprowadzenie dalszej analizy bez istotnych zakłóceń.
Struktura sprzedaży – Sprzedaż była równomiernie rozłożona pomiędzy trzy oddziały, bez wyraźnych różnic w generowanych przychodach.
Profil klientów – Kobiety częściej kupowały produkty z kategorii Fashion accessories oraz Health and beauty, podczas gdy mężczyźni częściej wybierali Electronic accessories i Sports and travel. Różnice te jednak nie miały dużego wpływu na ogólną wartość sprzedaży.
Zachowania zakupowe – Kobiety kupowały średnio więcej produktów niż mężczyźni, co było jedyną istotną różnicą statystyczną w analizowanych danych. Nie stwierdzono istotnych różnic w wyborze sposobu płatności ani w ocenach satysfakcji klientów w zależności od płci.
Ceny jednostkowe produktów – Testy statystyczne nie wykazały istotnych różnic w cenach jednostkowych pomiędzy poszczególnymi kategoriami produktów. Oznacza to, że różne linie produktowe mają zbliżone ceny, co może wynikać z polityki cenowej firmy.
Ocena klientów a dochód brutto – Nie zaobserwowano istotnej korelacji między dochodem brutto a oceną klientów. Oznacza to, że wysokość zarobków klientów nie wpływa znacząco na ich poziom satysfakcji z zakupów.
Podsumowując, analiza wykazała, że sprzedaż w badanym okresie była stabilna i nie występowały duże różnice w zachowaniach zakupowych klientów w zależności od lokalizacji czy płci. Wyniki te mogą być przydatne w optymalizacji oferty oraz strategii marketingowej supermarketów Biedronka, szczególnie w kontekście docelowych grup klientów oraz polityki cenowej.