Unit 7: 電商銷售 AI 數據分析

Step 1: 載入電商數據

# 匯入資料處理套件
import pandas as pd
# 匯入繪圖套件
import matplotlib.pyplot as plt
# 匯入統計視覺化套件
import seaborn as sns

# 載入電商銷售 CSV 數據
df = pd.read_csv('data/ecommerce_sales.csv')
# 將訂單日期轉換為 datetime 格式
df['Order_Date'] = pd.to_datetime(df['Order_Date'])
# 提取月份週期（格式：2024-01）
df['Month'] = df['Order_Date'].dt.to_period('M')

# 計算每筆訂單總金額 = 數量 × 單價
df['Total_Amount'] = df['Quantity'] * df['Unit_Price']

# 顯示資料概要（使用千分位格式）
print(f"訂單數量: {len(df):,}")
print(f"時間範圍: {df['Order_Date'].min()} ~ {df['Order_Date'].max()}")
print(f"產品類別: {df['Category'].unique()}")

Step 2: 月營收趨勢圖

# 依月份分組計算營收總額
monthly_revenue = df.groupby('Month')['Total_Amount'].sum().reset_index()
# 將月份轉為字串格式（方便繪圖顯示）
monthly_revenue['Month'] = monthly_revenue['Month'].astype(str)

# 建立畫布
fig, ax = plt.subplots(figsize=(14, 6))
# 繪製長條圖（營收柱狀圖）
ax.bar(monthly_revenue['Month'], monthly_revenue['Total_Amount'],
       color='#6c5ce7', alpha=0.8)

# 加上趨勢線（紅色圓點連線）
ax.plot(monthly_revenue['Month'], monthly_revenue['Total_Amount'],
        'ro-', linewidth=2, markersize=8)

# 設定標題和軸標籤
ax.set_title('月營收趨勢', fontsize=16)
ax.set_xlabel('月份')
ax.set_ylabel('營收 (元)')
# X 軸標籤旋轉 45 度（避免重疊）
ax.tick_params(axis='x', rotation=45)

# 儲存圖表
plt.tight_layout()
plt.savefig('output/月營收趨勢.png', dpi=300)

Step 3: 產品類別分析

# 依產品類別分組，計算銷售總額並由高到低排序
category_sales = df.groupby('Category')['Total_Amount'].sum().sort_values(ascending=False)

# 建立 1x2 子圖佈局
fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 左圖：圓餅圖（顯示各類別銷售佔比）
axes[0].pie(category_sales.values, labels=category_sales.index,
            autopct='%1.1f%%',  # 顯示百分比（小數點後1位）
            colors=plt.cm.Purples(np.linspace(0.3, 0.9, len(category_sales))))  # 紫色漸層
axes[0].set_title('各類別銷售佔比')

# 右圖：水平長條圖（銷售額排名）
axes[1].barh(category_sales.index, category_sales.values, color='#6c5ce7')
axes[1].set_xlabel('銷售額 (元)')
axes[1].set_title('各類別銷售額排名')

# 儲存圖表
plt.tight_layout()
plt.savefig('output/產品類別分析.png', dpi=300)

Step 4: AI 銷售洞察分析

# 匯入 LangChain OpenAI 模組
from langchain_openai import ChatOpenAI
# 匯入提示模板類別
from langchain_core.prompts import ChatPromptTemplate

# 初始化語言模型
llm = ChatOpenAI(model="gpt-5.6-luna")

# 依產品類別分組計算統計數據
sales_stats = df.groupby('Category').agg({
    'Total_Amount': ['sum', 'mean'],  # 銷售總額、平均金額
    'Order_ID': 'count',               # 訂單數量
    'Quantity': 'sum'                  # 銷售數量
}).round(0)  # 四捨五入為整數

# 建立銷售分析提示模板
analysis_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是電商數據分析專家，請用繁體中文提供商業洞察"),
    ("human", """根據以下銷售數據：
{stats}

請分析：
1. 主力產品類別及其特點
2. 銷售趨勢觀察
3. 提升營收的具體建議""")
])

# 使用 LCEL 串接並執行
chain = analysis_prompt | llm
response = chain.invoke({"stats": sales_stats.to_string()})
# 輸出 AI 分析結果
print(response.content)

Step 5: RFM 客戶分群分析

# 匯入日期時間模組
from datetime import datetime

# 設定基準日期（最後一筆訂單日期）
today = df['Order_Date'].max()

# 依客戶 ID 分組，計算 RFM 三項指標
rfm = df.groupby('Customer_ID').agg({
    # Recency（近期購買）：距離上次購買的天數
    'Order_Date': lambda x: (today - x.max()).days,
    # Frequency（購買頻率）：訂單次數
    'Order_ID': 'count',
    # Monetary（消費金額）：消費總額
    'Total_Amount': 'sum'
}).rename(columns={
    'Order_Date': 'Recency',
    'Order_ID': 'Frequency',
    'Total_Amount': 'Monetary'
})

# 將 RFM 值轉換為 1-4 分評分（使用四分位數切分）
# R 分數：天數越少分數越高（4=最近購買）
rfm['R_Score'] = pd.qcut(rfm['Recency'], 4, labels=[4,3,2,1])
# F 分數：次數越多分數越高
rfm['F_Score'] = pd.qcut(rfm['Frequency'].rank(method='first'), 4, labels=[1,2,3,4])
# M 分數：金額越高分數越高
rfm['M_Score'] = pd.qcut(rfm['Monetary'], 4, labels=[1,2,3,4])
# 組合 RFM 分數字串（如：444 表示高價值客戶）
rfm['RFM_Score'] = rfm['R_Score'].astype(str) + rfm['F_Score'].astype(str) + rfm['M_Score'].astype(str)

# 顯示前 10 筆客戶 RFM 分析結果
print(rfm.head(10))

Step 6: AI 客戶行銷建議

# 匯入 JSON 輸出解析器
from langchain_core.output_parsers import JsonOutputParser

# 建立客戶洞察提示模板（指定 JSON 輸出格式）
customer_prompt = ChatPromptTemplate.from_messages([
    ("system", """你是CRM專家。根據客戶RFM分數提供行銷建議。
輸出JSON：{{"segment": "客群名稱", "strategy": "行銷策略", "channel": "推薦管道"}}"""),
    ("human", "客戶RFM分數：R={r}, F={f}, M={m}")
])

# 初始化 JSON 解析器
parser = JsonOutputParser()
# 串接完整鏈：提示模板 → 語言模型 → JSON 解析
customer_chain = customer_prompt | llm | parser

# 篩選高價值客戶（R >= 3 且 M >= 3）
vip_customers = rfm[
    (rfm['R_Score'].astype(int) >= 3) &
    (rfm['M_Score'].astype(int) >= 3)
].head(5)  # 取前 5 名

# 迴圈分析每位 VIP 客戶
for idx, row in vip_customers.iterrows():
    # 執行 AI 分析鏈
    result = customer_chain.invoke({
        "r": row['R_Score'],
        "f": row['F_Score'],
        "m": row['M_Score']
    })
    # 輸出客戶分群和建議策略
    print(f"客戶 {idx}: {result['segment']} - {result['strategy']}")

Unit 7 專案總結

← 返回課程首頁