Case Study: Phân tích 10k đơn hàng bán lẻ với Python Pandas

 

1. Chuẩn bị dữ liệu

• File dữ liệu: orders.csv (10.000 dòng, mỗi dòng = 1 đơn hàng)
• Các cột ví dụ:
• order_id – mã đơn hàng
• order_date – ngày đặt hàng
• customer_id – mã khách hàng
• product_id, product_name, category – sản phẩm
• quantity, unit_price, discount – chi tiết đơn hàng
• payment_method – COD, credit, e-wallet
• city, region – thông tin địa lý
• status – delivered / returned / cancelled

Dữ liệu thật có thể export từ: Shopify, WooCommerce, Shopee/Lazada, ERP nội bộ.

2. Mục tiêu phân tích

• Doanh thu & lợi nhuận: Tổng doanh thu theo ngày/tháng/quý, biên lợi nhuận theo danh mục.
• Khách hàng: RFM Analysis (Recency, Frequency, Monetary).
• Sản phẩm: Top sản phẩm bán chạy, sản phẩm mang lại lợi nhuận cao nhất.
• Địa lý: Doanh thu theo khu vực/thành phố.
• Kênh thanh toán: Tỷ lệ COD vs e-wallet, ảnh hưởng tới tỷ lệ huỷ/trả.
• Tình trạng đơn hàng: Tỷ lệ thành công vs huỷ/hoàn.

3. Các bước phân tích với Pandas

3.1 Đọc dữ liệu

import pandas as pd

orders = pd.read_csv("orders.csv", parse_dates=["order_date"])
orders.head()

3.2 Thêm cột tính toán

orders["revenue"] = orders["quantity"] * orders["unit_price"] * (1 - orders["discount"])

3.3 Doanh thu theo tháng

orders.groupby(orders["order_date"].dt.to_period("M"))["revenue"].sum()

3.4 Top sản phẩm

orders.groupby("product_name")["revenue"].sum().sort_values(ascending=False).head(10)

3.5 RFM Analysis

snapshot_date = orders["order_date"].max() + pd.Timedelta(days=1)

rfm = orders.groupby("customer_id").agg({
    "order_date": lambda x: (snapshot_date - x.max()).days,
    "order_id": "count",
    "revenue": "sum"
}).rename(columns={
    "order_date": "Recency",
    "order_id": "Frequency",
    "revenue": "Monetary"
})

3.6 Doanh thu theo khu vực

orders.groupby("city")["revenue"].sum().sort_values(ascending=False).head(5)

3.7 Payment method analysis

orders.groupby("payment_method")["revenue"].sum()

4. Kết quả trực quan hóa (Matplotlib/Seaborn)

• Line chart: Doanh thu theo tháng
• Bar chart: Top 10 sản phẩm
• Heatmap: RFM segmentation
• Pie chart: Payment methods

5. Bài học kinh doanh

• Xác định khách hàng VIP (RFM) → ưu tiên chăm sóc.
• Sản phẩm mang lợi nhuận cao nhưng ít bán → chiến lược khuyến mãi.
• Thành phố nào chiếm tỷ trọng doanh thu lớn nhất → mở rộng logistics.
• COD có tỷ lệ huỷ cao → đẩy mạnh e-wallet discount.