数据分析项目合集

本仓库包含两个数据分析项目，涵盖电商用户行为分析和用户流失分析，使用 SQL + Python + PowerBI 技术栈。

📁 项目结构

data-analysis-projects/
├── project1_ecommerce_analysis/    # 项目一：电商用户行为分析
│   ├── sql/
│   │   └── queries.sql             # SQL查询语句
│   └── python/
│       └── data_cleaning.py        # 数据清洗与特征工程
│
└── project2_user_churn_analysis/   # 项目二：用户流失分析
    ├── sql/
    │   └── queries.sql             # SQL查询语句
    └── python/
        └── data_processing.py      # 数据处理与策略标签

📊 项目一：电商用户行为分析

项目简介

基于用户行为数据和商品信息数据，进行销售概况分析、品类分析、月度趋势分析和用户行为漏斗分析。

技术栈

• SQL：数据查询与聚合统计
• Python：数据清洗、特征工程、用户分层
• PowerBI：数据可视化与看板制作

核心功能

1. 全年交易概况：总用户数、总订单数、总销售额、平均客单价
2. 品类销售排行：各品类销售额、销售量、均价统计
3. 月度销售趋势：GMV和订单量的月度变化
4. 用户行为漏斗：浏览-收藏-购买的转化漏斗
5. 用户消费分层：基于消费金额的四象限用户分层
6. 商品价格分箱：价格带分布分析

数据表说明

• user_behavior：用户行为表（包含浏览、收藏、购买等行为）
• goods_info：商品信息表（包含商品ID、品类、品牌、价格等）

---

📉 项目二：用户流失分析

项目简介

针对支付环节的用户流失问题，从渠道、月度趋势、设备、用户等多个维度进行流失分析，并提供策略建议。

技术栈

• SQL：数据统计与中间表构建
• Python：策略标签生成、数据导出
• PowerBI：流失分析看板

核心功能

1. 渠道漏斗分析：各流量来源的转化漏斗与支付转化率
2. 月度趋势监控：支付转化率的月度变化与异常识别
3. 用户流失标签：用户级别的流失标记与流失次数统计
4. 设备交叉分析：不同设备+操作系统组合的流失率对比
5. 策略建议标签：基于数据自动生成优化建议

数据表说明

• data：用户行为数据表（包含访问页面、设备、渠道、时间等信息）

---

🚀 使用说明

环境要求

• Python 3.x
• MySQL 数据库
• PowerBI Desktop（用于可视化）

Python依赖

pip install pandas pymysql

使用步骤

1. 创建数据表：在MySQL中创建相应的数据表并导入数据
2. 执行SQL：运行 sql/queries.sql 中的查询语句
3. 运行Python脚本：执行 python/ 目录下的脚本进行数据处理
4. PowerBI可视化：将生成的CSV文件导入PowerBI制作看板

---

⚠️ 注意事项

1. 数据库配置：使用前请修改Python脚本中的数据库连接信息（host、user、password、database）
2. 敏感信息：请勿将真实的数据库密码、API密钥等敏感信息提交到公开仓库
3. 数据隐私：如涉及真实用户数据，请确保遵守相关数据隐私法规

---

📝 说明

本项目为数据分析练习项目，展示了 SQL 数据查询、Python 数据处理和 PowerBI 可视化的完整数据分析流程。