project · olist

Olist 电商经营分析

围绕销售总览、月度趋势、地区表现、支付方式与分期行为展开的全链路经营分析。SQL 完成多表关联与指标提取,Python 与 Power BI 完成可视化表达。

项目定位

分析重点
经营分析、指标拆解、区域差异、支付结构与可视化表达。
技术栈
SQL(MySQL)、Python(Pandas、Matplotlib)、Power BI。
数据来源
Olist 巴西电商公开数据集(Kaggle)。

summary_kpi

核心指标总览

首页用于快速判断平台经营表现,按规模到订单到单价到用户到质量到履约的顺序展示关键指标。

成交总额(GMV)
1542 万
15,422,461.77
有效订单量
9.6 万
96,477
平均客单价
159.9
元/单
去重买家数
9.3 万
93,358
终态失败率
1.26%
终态失败订单占比
平均配送天数
12.5 天
下单到送达

项目核心结论

1

平台成交规模在 2017 年进入明显爬坡期,2017-11 至 2018-05 进入高位运行区间。其中 2017-11 成交总额达到 115.35 万,为样本期单月峰值;2018-03 至 2018-05 连续三个月保持在 112 万左右,说明平台在后期已形成较稳定的高交易体量。

2

区域表现呈现出明显的规模核心区 + 高客单外围区结构。SP 以 577.03 万成交总额和 4.05 万有效订单绝对领先,但客单价仅 142.48,明显低于 PA、PB、AL 等低订单量高客单价州,说明头部州主要靠订单规模驱动,部分长尾州则更依赖单笔金额支撑。

3

支付与分期结构揭示出较清晰的消费分层:credit_card 贡献 1210.11 万成交总额,占主导地位;而信用卡订单中,单期平均订单金额仅 95.92,2-5 期提升至 147.33,6-10 期进一步升至 301.74,10 期以上达到 359.40,表明高金额订单明显更依赖中高分期完成支付。

4

整体订单完成质量较稳,终态失败率仅 1.26%,但履约效率存在显著区域差异。SP 平均配送天数仅 8.7 天,而 RR、AP、AM 等州已达到 29.34、27.18、26.36 天,说明平台在全国扩展后,远距离与低密度区域的物流效率明显弱于核心市场。

dashboard

Power BI 仪表板展示

summary_kpi

KPI 总览页

展示成交总额、有效订单量、平均客单价、去重买家数、终态失败率与平均配送天数,用于快速判断平台整体规模、订单质量与履约效率。当前首页指标显示:成交总额约 1542 万,终态失败率仅 1.26%,平均配送天数为 12.5 天。

KPI 总览页
monthly_trend

月度成交额与订单量

按月展示成交总额与有效订单量变化,用于识别平台增长阶段与波动区间。结果显示 2017-11 为单月成交峰值,2018-03 至 2018-05 维持高位运行,说明后期交易规模趋于稳定。

月度成交额与订单量
monthly_aov

月度客单价趋势

展示主业务阶段的月度客单价变化,用于观察订单质量与价格结构是否稳定,并辅助判断成交规模波动是由订单量还是单价主导。

月度客单价趋势
state_analysis

各州成交总额 Top 10

展示成交总额排名前 10 的州,用于识别核心贡献地区与区域集中度。结合州维度表现可见,SP、RJ、MG 是最主要的交易贡献区域。

各州成交总额 Top 10
payment_analysis

支付方式成交总额

展示不同支付方式对应的成交总额,用于识别主导支付方式及支付结构差异。结果显示 credit_card 是最核心的支付路径。

支付方式成交总额
installment_analysis

分期档位分析

展示不同分期档位下的订单数与平均订单金额,用于观察信用卡分期结构与高金额订单特征。结果显示平均订单金额随分期数上升而显著抬升。

分期档位分析

metrics

指标口径说明

GMV
已妥投订单对应支付金额之和
有效订单量
去重后的有效订单数
平均客单价
成交总额 / 有效订单量
去重买家数
去重后的真实买家数量
终态失败率
终态失败订单数 / 全量订单数
平均配送天数
已妥投订单从下单到送达的平均耗时

challenge

项目难点与处理

理清订单表、支付表和客户表之间的关联关系,保证 SQL 提取结果与 Power BI 展示口径保持一致。
区分 customer_id 与 customer_unique_id 的业务含义,避免把订单级客户键误用为真实用户级标识。
在配送时长分析中识别极端偏长订单,并结合业务语境决定是否保留,从而兼顾数据真实性与分析解释性。
强化先定口径再做图的分析流程,避免出现 SQL 与可视化结果前后不一致的问题。

sql directory

SQL 模块目录

按 GitHub 中的实际 SQL 文件拆分展示用途与入口。完整代码放在 GitHub 仓库中。

01_data_audit.sql
数据审计

用于完成数据预览、时间窗口确认、订单状态分布检查,以及州维度订单量与终态失败率摸底。

02_sales_performance.sql
销售表现

用于输出核心经营指标、月度经营趋势,并补充支付方式与信用卡分期结构分析。

03_dimension_deep_dive.sql
维度深挖

用于完成区域分析、履约分析,以及三表合并后的区域经营质量对比。

11_summary_kpi.sql
首页总览指标

用于生成 summary_kpi 页的一行总览数据,包含成交总额、有效订单量、客单价、买家数、终态失败率与平均配送天数。

12_monthly_business_trend.sql
月度经营趋势

用于生成月度趋势页数据,按月份输出成交总额、有效订单量与客单价。

13_state_performance.sql
州维度表现

用于生成州表现页数据,综合输出客户州的成交、订单、客单价、终态失败率与配送时长。

14_payment_type_analysis.sql
支付方式分析

用于生成支付方式页数据,比较不同支付方式下的订单量、成交总额与客单价。

15_installment_analysis.sql
分期结构分析

用于生成分期分析页数据,比较不同信用卡分期档位下的订单数与平均订单金额。

sql highlight

关键 SQL 示例

网页中只展开 1 段最能体现项目能力的重点 SQL,其余文件保留在 GitHub 仓库中。

11_summary_kpi.sql · 首页总览指标

通过交易、买家、终态失败率与配送天数四组指标,汇总成 summary_kpi 页的一行结果。

11_summary_kpi.sql
with payment_agg as (
    select
        order_id,
        sum(payment_value) as payment_value
    from olist_order_payments_dataset
    group by order_id
),

     trade_kpi as (
         select
             round(sum(p.payment_value), 2) as gmv,
             count(distinct o.order_id) as valid_order_cnt,
             round(sum(p.payment_value) / count(distinct o.order_id), 2) as aov
         from olist_orders_dataset o
                  join payment_agg p on o.order_id = p.order_id
         where o.order_status = 'delivered'
     ),

     customer_kpi as (
         select count(distinct c.customer_unique_id) as unique_customer_cnt
         from olist_orders_dataset o
                  join olist_customers_dataset c on o.customer_id = c.customer_id
         where o.order_status = 'delivered'
     ),

     fail_kpi as (
         select round(sum(order_status in ('canceled', 'unavailable')) / count(*) * 100, 2) as fail_rate_pct
         from olist_orders_dataset
         where order_status in ('delivered', 'canceled', 'unavailable')
     ),

     delivery_kpi as (
         select round(avg(datediff(order_delivered_customer_date, order_purchase_timestamp)), 2) as avg_delivery_days
         from olist_orders_dataset
         where order_status = 'delivered'
           and order_delivered_customer_date is not null
           and order_purchase_timestamp is not null
     )

select
    t.gmv as '成交总额',
    t.valid_order_cnt as '有效订单量',
    t.aov as '客单价',
    c.unique_customer_cnt as '去重买家数',
    f.fail_rate_pct as '终态失败率',
    d.avg_delivery_days as '平均配送天数'
from trade_kpi t
         cross join customer_kpi c
         cross join fail_kpi f
         cross join delivery_kpi d;

project value

项目价值

本项目完整覆盖了从业务问题拆解、SQL 数据提取、指标口径定义,到 Python / Power BI 可视化展示与项目包装的分析流程,重点体现数据口径意识、业务指标解释能力与项目表达能力。