1. Wstęp i podsumowanie ogólne

Celem niniejszego raportu jest analiza danych sprzedażowych sklepu internetowego. Na początku przyjrzyjmy się ogólnym wynikom w podziale na główne kategorie produktów oraz płeć klientów, co pozwoli nam zidentyfikować najważniejsze segmenty biznesowe.

Sprzedaż według kategorii produktów

#przygotowanie tabeli  poprzez grupowanie kategorii
sales_by_category <- sales_data %>% 
  group_by(`Product Category`) %>%
  summarise(
    Calkowita_sprzedaz = sum(`Total Amount`),
    Srednia_sprzedaz = round(mean(`Total Amount`), 2),
    Liczba_zamowien = n()
  ) %>%
  arrange(desc(Calkowita_sprzedaz))
Kategoria Całkowita Sprzedaż (USD) Średnia Kwota Zamówienia (USD) Liczba Zamówień
Electronics 156905 458.79 342
Clothing 155580 443.25 351
Beauty 143515 467.48 307

Sprzedaż według płci klientów

sales_by_gender <- sales_data %>% 
  group_by(Gender) %>%
  summarise(
    Calkowita_sprzedaz = sum(`Total Amount`),
    Srednia_sprzedaz = round(mean(`Total Amount`), 2),
    Liczba_zamowien = n()
  ) %>%
  arrange(desc(Calkowita_sprzedaz))
Płeć Całkowita Sprzedaż (USD) Średnia Kwota Zamówienia (USD) Liczba Zamówień
Female 232840 456.55 510
Male 223160 455.43 490

2. Płeć a Kategoria Produktu

Wiedząc już, jak wyglądają ogólne trendy, możemy połączyć oba te wymiary. Przekształcimy dane (korzystając z formatu szerokiego - pivot_wider), aby bezpośrednio zestawić ze sobą sumę wydatków kobiet i mężczyzn w poszczególnych działach.

tabela_roznic <- sales_data %>%
  group_by(`Product Category`, Gender) %>%
  summarise(
    Calkowita_sprzedaz = sum(`Total Amount`),
    .groups = "drop"
  ) %>%
  pivot_wider(
    names_from = Gender,
    values_from = Calkowita_sprzedaz
  ) %>%
  mutate(
    Roznica_F_minus_M = Female - Male
  )
Kategoria Produktu Kobiety (USD) Mężczyźni (USD) Różnica (Kobiety - Mężczyźni)
Beauty 74830 68685 6145
Clothing 81275 74305 6970
Electronics 76735 80170 -3435

Wizualizacja różnic

sales_by_category_gender <- sales_data %>% 
  group_by(`Product Category`, Gender) %>% 
  summarise(Calkowita_sprzedaz = sum(`Total Amount`), .groups = "drop") 

wykres1<-ggplot(sales_by_category_gender, aes(x = `Product Category`, y = Calkowita_sprzedaz, fill = Gender)) +
  geom_col(position = "dodge", color = "black", linewidth = 0.2) +
  theme_minimal() + 
  labs(
    title = "Całkowita sprzedaż w kategoriach z podziałem na płeć",
    subtitle = "Porównanie wydatków kobiet i mężczyzn",
    x = "Kategoria produktu",
    y = "Łączna kwota wydatków (USD)",
    fill = "Płeć"
  ) +
  scale_fill_manual(values = c("Female" = "darkolivegreen1", "Male" = "cornflowerblue"))
  ggplotly(wykres1)

Wniosek biznesowy nr 1:

Kobiety wyraźnie dominują w zakupach produktów z kategorii Beauty oraz Clothing. Sugeruje to, że kampanie promocyjne w tych obszarach powinny być precyzyjniej kierowane do grupy żeńskiej. Z kolei mężczyźni generują większe przychody w dziale Electronics. Warto rozważyć akcje promocyjne skierowane właśnie do nich.

3. Analiza trendów w czasie

Ważnym aspektem każdego biznesu detalicznego jest sezonowość. Sprawdźmy, jak kształtowała się łączna sprzedaż w poszczególnych miesiącach badanego okresu. Użyjemy do tego biblioteki lubridate.

sales_by_month <- sales_data %>%
  mutate(Miesiac = month(Date, label = TRUE, abbr = FALSE)) %>%
  group_by(Miesiac) %>%
  summarise(Calkowita_sprzedaz = sum(`Total Amount`), .groups = "drop")

wykres2<-ggplot(sales_by_month, aes(x = Miesiac, y = Calkowita_sprzedaz, group = 1)) +
  geom_line(color = "black", linewidth = 1.2) + 
  geom_point(color = "red", size = 3) +       
  theme_minimal() +
  labs(
    title = "Miesięczne trendy sprzedaży",
    subtitle = "Zmienność przychodów sklepu na przestrzeni roku",
    x = "Miesiąc",
    y = "Całkowita sprzedaż (USD)"
  ) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
  ggplotly(wykres2)

Wniosek biznesowy nr 2:

Analiza trendu miesięcznego pozwala zidentyfikować piki sprzedażowe oraz okresy spowolnienia. W miesiącach o historycznie najniższej sprzedaży warto zaplanować dodatkowe akcje wyprzedażowe, aby stymulować popyt.

4. Segmentacja klientów według wieku

Klienci w różnym wieku mają różne nawyki zakupowe. Zamiast analizować każdy pojedynczy rocznik, przypisaliśmy klientów do czterech głównych przedziałów wiekowych za pomocą funkcji case_when().

sales_by_age <- sales_data %>%
  mutate(Grupa_wiekowa = case_when(
    Age < 25 ~ "1. Poniżej 25 lat",
    Age >= 25 & Age <= 40 ~ "2. Dorośli (25-40 lat)",
    Age > 40 & Age <= 55 ~ "3. Średni wiek (41-55 lat)",
    Age > 55 ~ "4. Powyżej 55 lat"
  )) %>%
  group_by(Grupa_wiekowa) %>%
  summarise(
    Calkowita_sprzedaz = sum(`Total Amount`),
    .groups = "drop"
  )

wykres3<-ggplot(sales_by_age, aes(x = Grupa_wiekowa, y = Calkowita_sprzedaz, fill = Grupa_wiekowa)) +
  geom_col(color = "black", linewidth = 0.2) +
  theme_minimal() +
  labs(
    title = "Przychody według grup wiekowych",
    subtitle = "Która generacja zostawia w sklepie najwięcej pieniędzy?",
    x = "Grupa wiekowa",
    y = "Całkowita sprzedaż (USD)"
  ) +
  scale_fill_brewer(palette = "Set2") +
  theme(legend.position = "none")
ggplotly(wykres3)

Wniosek biznesowy nr 3:

Podział na grupy jasno wskazuje, która generacja stanowi naszą grupę docelową. Optymalizacja budżetu reklamowego powinna uwzględniać platformy społecznościowe (np. Facebook lub Instagram) najchętniej używane przez najbardziej dochodową grupę wiekową.