브라질 온라인 쇼핑에 대한 통찰력을 제공하는 SQL 기능

개요

목표선도적인 소매 회사인 는 성장하는 온라인 쇼핑 트렌드에 부응하기 위해 브라질에서 전자 상거래 사업을 확장했습니다. 경쟁이 치열한 이 시장에서 성공하려면 Target이 브라질 전자상거래의 역학을 이해하고 데이터 기반 통찰력을 활용하여 운영을 개선하는 것이 중요합니다. 이 기사에서는 다음을 사용하여 Target의 전자 상거래 데이터 세트를 분석합니다. 구조화된 쿼리 언어 (SQL) 파워 쿼리는 브라질에서의 운영 개선을 위한 실행 가능한 권장 사항을 제공합니다.

학습 목표

Target의 전자상거래 데이터 세트를 분석하여 SQL에 능숙해집니다.
SQL 쿼리를 사용하여 데이터 정리 및 준비를 포함하여 데이터 세트의 초기 탐색을 수행하는 방법을 알아봅니다.
SQL 쿼리를 사용하여 브라질의 전자상거래 동향을 분석하고 해석하는 방법을 이해합니다.
SQL 쿼리를 사용하여 전자 상거래 데이터의 계절성 패턴을 식별하고 분석하는 기술을 개발합니다.
SQL 분석을 통해 고객 구매 패턴 및 선호도에 대한 귀중한 통찰력을 추출하는 방법을 배웁니다.
데이터 세트의 SQL 분석을 기반으로 전자 상거래 운영을 개선하기 위해 데이터 기반 권장 사항 및 실행 가능한 통찰력을 만드는 기능을 개발합니다.

자세히 보기: SQL 데이터 과학 초보자!

이 기사는 데이터 과학 블로그.

차례

데이터 세트의 초기 탐색

분석에 들어가기 전에 초기 탐색을 수행했습니다. Target의 전자상거래 데이터 세트. 여기에는 데이터 검사, 정리 및 분석 준비가 포함되었습니다. 다음 SQL 쿼리를 사용하여 "customers" 테이블의 열 데이터 유형을 확인했습니다. BigQuery:

SELECT column_name, data_type
FROM `target-analysis-sql.target.INFORMATION_SCHEMA.COLUMNS`
WHERE table_name = 'customers';

각 테이블의 데이터 유형을 이해함으로써 데이터 세트의 정확한 분석 및 해석을 보장합니다.

데이터 세트에서 다루는 기간을 이해하기 위해 다음 SQL 쿼리를 실행했습니다.

SELECT DISTINCT MIN(order_purchase_timestamp) start_date, MAX(order_purchase_timestamp) end_date
FROM `target.orders`;

이를 통해 데이터의 시작 날짜와 종료 날짜, 즉 4년 2016월 17일부터 2018년 XNUMX월 XNUMX일까지를 결정할 수 있었습니다.
, 분석을 위한 컨텍스트를 제공합니다.

또한 특정 기간 동안 주문한 고객의 도시와 주를 조사했습니다. 다음 SQL 쿼리는 고객 분포를 식별하는 데 도움이 되었습니다.

SELECT DISTINCT c.customer_city, c.customer_state, COUNT(o.customer_id) order_count
FROM target.orders o
JOIN target.customers c
ON o.customer_id = c.customer_id
GROUP BY 1, 2
ORDER BY 3 DESC;

여기에서 SP 주에서만 상파울루 시보다 주문이 더 많다는 것을 알 수 있습니다.
다음 5개 도시를 합친 것입니다. 이것은 상파울루가 가장 인구가 많고 부유하기 때문입니다.
브라질의 주.

자세히 알아보기 : 기초부터 고급까지 SQL의

브라질 전자상거래의 성장 추세 탐색

브라질의 전자 상거래 환경은 최근 몇 년 동안 상당한 성장을 보였습니다. 시나리오를 종합적으로 이해하기 위해서는 주문 수, 매출, 계절성 등 다양한 측면을 분석하는 것이 필수적입니다. 이 섹션에서는 데이터 세트를 자세히 살펴보고 브라질의 전자 상거래 추세에 대한 통찰력을 발견합니다.

브라질에서 전자 상거래에 대한 성장 추세가 있습니까?

브라질에서 전자상거래의 성장 추세를 확인하기 위해 시간 경과에 따른 주문 수를 조사했습니다. SQL 쿼리를 사용하여 주문 구매 타임스탬프에서 연도와 월을 추출하고 고유한 주문 ID를 계산했습니다. 다음 쿼리가 실행되었습니다.

SELECT EXTRACT(YEAR FROM o.order_purchase_timestamp) AS year, EXTRACT(MONTH FROM o.order_purchase_timestamp) AS month, COUNT(DISTINCT o.order_id) AS order_count
FROM `target.orders` o
JOIN `target.customers` c
ON o.customer_id = c.customer_id
GROUP BY year, month
ORDER BY year, month;

주문 수 분석을 기반으로 브라질의 전자 상거래가 증가하는 추세를 관찰할 수 있습니다. 구매 건수는 약간의 변동과 함께 전반적으로 상승 추세를 보였습니다. 그러나 주문 수만으로는 비즈니스 성장 속도를 나타내지 않는다는 점에 유의해야 합니다. 보다 정확한 이해를 위해서는 매출 성장도 고려해야 합니다.

SELECT EXTRACT(YEAR FROM o.order_purchase_timestamp) AS year, EXTRACT(MONTH FROM o.order_purchase_timestamp) AS month, ROUND(SUM(p.payment_value), 2) as revenue
FROM `target.orders` o
JOIN `target.payments` p ON o.order_id = p.order_id
GROUP BY year, month
ORDER BY year, month;

여기서도 위와 비슷한 경향을 볼 수 있습니다.

전체 시나리오를 어떻게 설명할 수 있습니까?

브라질의 전자 상거래 시나리오에 대한 완전한 그림을 그리려면 판매에 영향을 미치는 여러 요인을 고려하는 것이 중요합니다. 이러한 요소에는 고객 인구 통계, 고객 기반 증가, 기술 발전, 판매자 수, 주문 용이성, 고객 만족도, 시간 경과에 따른 신뢰, 반품 및 교환 정책, 결제 옵션, 배송 시간, 주문 취소 및 전반적인 경제 상황이 포함됩니다. . 이러한 측면에 대한 전체론적 분석은 브라질의 전자상거래 환경에 대한 보다 포괄적인 이해를 제공할 것입니다.

특정 달에 정점을 찍는 일부 계절성을 볼 수 있습니까?

데이터 세트를 분석하면서 특정 달에 계절성이 존재하는지 조사했습니다. 주문 구매 타임스탬프에서 월을 추출하여 각 월의 고유한 주문 ID 수를 계산했습니다. 다음 쿼리가 실행되었습니다.

SELECT EXTRACT(MONTH FROM order_purchase_timestamp) AS month, COUNT(DISTINCT order_id) AS order_count
FROM `target.orders`
GROUP BY month
ORDER BY month;

제공된 제한된 데이터 세트를 고려할 때 계절성 추세에 대한 결정적인 결론을 도출하기가 어렵습니다. 그러나 Tableau의 분석 및 시각화를 통해 전자상거래 주문의 일부 계절성을 관찰할 수 있습니다. 주문 건수는 일반적으로 XNUMX월부터 XNUMX월까지 증가하며 그 사이에 변동이 있습니다. 특히 XNUMX월과 XNUMX월은 브라질 카니발 시즌과 맞물려 주문량이 급증하고 있다. 또한 XNUMX월에는 주문 수가 최고조에 달하며, 이는 잠재적으로 국가 주류인 cachaça를 위한 Festival de Cachaça와 관련이 있습니다. 이러한 계절성 추세를 검증하려면 더 큰 데이터 세트를 사용한 추가 분석이 필요하다는 점에 유의해야 합니다.

브라질 고객의 구매 패턴 이해

브라질 고객의 구매 패턴에 대한 통찰력을 얻기 위해 하루 중 대부분의 주문이 접수된 시간을 분석했습니다. 주문 구매 타임스탬프를 새벽, 아침, 오후, 밤의 네 가지 기간으로 분류하기 위해 다음 SQL 쿼리를 실행했습니다.

SELECT CASE WHEN EXTRACT(HOUR FROM o.order_purchase_timestamp) BETWEEN 0 AND 5 THEN 'Dawn' WHEN EXTRACT(HOUR FROM o.order_purchase_timestamp) BETWEEN 6 AND 11 THEN 'Morning' WHEN EXTRACT(HOUR FROM o.order_purchase_timestamp) BETWEEN 12 AND 17 THEN 'Afternoon' WHEN EXTRACT(HOUR FROM o.order_purchase_timestamp) BETWEEN 18 AND 23 THEN 'Night' END AS hour, COUNT(o.order_id) AS order_count
FROM target.orders o
JOIN target.customers c
ON o.customer_id = c.customer_id
GROUP BY hour
ORDER BY order_count DESC;

분석 결과 브라질 고객은 낮 시간, 특히 오후와 밤에 대부분의 주문을 하는 경향이 있는 것으로 나타났습니다. 이는 고객이 여가 시간이나 일상 활동을 마친 후 온라인 쇼핑을 선호한다는 것을 나타냅니다. 여기에서 기록된 타임스탬프가 구매 당시의 정확한 시간대를 반영한다고 가정한다는 점에 유의하는 것이 중요합니다.

고객의 구매 패턴을 이해하면 전자 상거래 비즈니스가 운영을 최적화하는 데 도움이 됩니다. 피크 구매 시간을 식별함으로써 회사는 고객 서비스 담당자 및 재고와 같은 리소스를 할당하여 고객 요구를 보다 효과적으로 충족하고 원활한 쇼핑 경험을 제공할 수 있습니다.

이러한 방식으로 데이터를 분석하면 브라질 고객의 행동과 선호도에 대한 귀중한 통찰력을 얻을 수 있습니다. 이 정보를 사용하여 Target과 같은 전자 상거래 회사는 마케팅 전략과 판촉 캠페인을 특정 기간에 맞게 조정하여 도달 범위와 잠재적 판매를 극대화할 수 있습니다.

결론적으로 브라질 고객의 구매 패턴을 분석하면 해당 국가에서 전자상거래의 성장 추세를 알 수 있고 전자상거래 시나리오를 완전히 이해하기 위해 다양한 요인을 고려하는 것이 중요함을 강조하며 온라인 구매를 선호하는 시간대를 밝힐 수 있습니다. 쇼핑. 이러한 통찰력으로 무장한 Target 및 기타 전자 상거래 비즈니스는 운영을 개선하고 고객 만족도를 향상시키기 위해 데이터 기반 의사 결정을 내릴 수 있습니다.

브라질 지역 전자상거래 주문의 진화: 주별 동향 및 고객 분포 공개

주별 월별 주문 분석

브라질 지역의 전자상거래 주문의 진화를 이해하기 위해 각 주의 월별 주문 수를 분석했습니다. 다음은 SQL 쿼리 실행입니다.

SELECT c.customer_state, EXTRACT(month FROM o.order_purchase_timestamp) AS month, COUNT(o.order_purchase_timestamp) AS order_count
FROM target.orders o
JOIN target.customers c
ON o.customer_id = c.customer_id
GROUP BY c.customer_state, month
ORDER BY c.customer_state, month;

위의 그래프는 브라질 각 주의 월별 주문 수를 보여 주별로 고객 구매 동향에 대한 중요한 통찰력을 제공합니다. 상파울루(SP)가 특정 달에 지속적으로 가장 많은 수의 주문을 기록하고 있으며 리우데자네이루(RJ)와 미나스제라이스(MG)가 그 뒤를 잇고 있습니다.

브라질 전역의 고객 분포

브라질의 전자 상거래 환경을 더 자세히 살펴보기 위해 주 전역의 고객 분포를 조사했습니다. 다음 SQL 쿼리가 실행되었습니다.

SELECT c.customer_state, COUNT(c.customer_id) AS no_of_customers
FROM `target.customers` c
GROUP BY c.customer_state
ORDER BY no_of_customers DESC;

데이터에 따르면 상파울루(SP) 주가 가장 많은 고객을 보유하고 있으며, 이는 브라질에서 가장 인구가 많은 주라는 지위 때문일 수 있습니다. 이 발견은 또한 이전 분석과 일치하며 주의 인구와 주문 수 사이에 양의 상관관계가 있음을 나타냅니다.

전자상거래 주문의 진화와 브라질 전역의 고객 분포를 이해하는 것은 Target과 같은 기업이 마케팅 전략을 조정하고 물류를 최적화하며 고객 경험을 향상하는 데 매우 중요합니다. 이 SQL 기반 분석을 활용하여 전자 상거래 회사는 특정 지역을 효과적으로 타겟팅하고 전략적으로 리소스를 할당하며 다양한 주에 있는 고객의 고유한 선호도와 요구 사항을 충족하는 개인화된 경험을 제공할 수 있습니다.

결론적으로 브라질 전역의 전자상거래 주문 및 고객 분포의 진화를 분석하면 시장 역학에 대한 귀중한 통찰력을 얻을 수 있습니다. SQL 및 데이터 기반 접근 방식을 활용함으로써 기업은 경쟁 우위를 확보하고 성장을 주도하며 빠르게 진화하는 브라질 지역의 전자 상거래 환경에서 영향력을 극대화할 수 있습니다.

경제에 미치는 영향: 비용 추세 및 국가별 가격 및 화물 가치 분석

2017년부터 2018년까지(XNUMX월~XNUMX월) 주문 비용의 증가율 조사

경제에 미치는 영향을 이해하기 위해 2017월부터 2018월까지만 고려하여 XNUMX년부터 XNUMX년까지 주문 비용의 증가율을 계산했습니다. 다음 SQL 쿼리가 실행되었습니다.

SELECT EXTRACT(MONTH FROM o.order_purchase_timestamp) AS month, ( ( SUM(CASE WHEN EXTRACT(YEAR FROM o.order_purchase_timestamp) = 2018 AND EXTRACT(MONTH FROM o.order_purchase_timestamp) BETWEEN 1 AND 8 THEN p.payment_value END) - SUM(CASE WHEN EXTRACT(YEAR FROM o.order_purchase_timestamp) = 2017 AND EXTRACT(MONTH FROM o.order_purchase_timestamp) BETWEEN 1 AND 8 THEN p.payment_value END) ) / SUM(CASE WHEN EXTRACT(YEAR FROM o.order_purchase_timestamp) = 2017 AND EXTRACT(MONTH FROM o.order_purchase_timestamp) BETWEEN 1 AND 8 THEN p.payment_value END) )*100 AS percent_increase
FROM `target.orders` o
JOIN `target.payments` p ON o.order_id = p.order_id
WHERE EXTRACT(YEAR FROM o.order_purchase_timestamp) IN (2017, 2018) AND EXTRACT(MONTH FROM o.order_purchase_timestamp) BETWEEN 1 AND 8
GROUP BY 1
ORDER BY 1;

2017월부터 2018월까지만 포함하여 138.53년부터 XNUMX년까지 전체 주문 비용 증가율은 XNUMX%입니다. 월별 증가율을 살펴보면 XNUMX월의 증가율이 가장 높고 XNUMX월과 XNUMX월의 순으로 증가율이 높습니다.

고객 상태별 가격 및 운임 가치의 평균 및 합계 분석

주 수준에서 가격 및 운임 값에 대한 통찰력을 얻기 위해 고객 주별로 이러한 값의 평균과 합계를 계산했습니다. 다음은 SQL 쿼리 실행입니다.

SELECT c.customer_state, ROUND(AVG(i.price), 2) AS mean_price, ROUND(SUM(i.price), 2) AS total_price, ROUND(AVG(i.freight_value), 2) AS mean_freight_value, ROUND(SUM(i.freight_value), 2) AS total_freight_value
FROM `target.orders` o
JOIN `target.order_items` i ON o.order_id = i.order_id
JOIN `target.customers` c ON o.customer_id = c.customer_id
GROUP BY c.customer_state;

분석 결과 흥미로운 결과가 드러났습니다. 상파울루(SP)는 총 가격 가치와 총 화물 가치가 가장 높은 반면 놀랍게도 모든 주 중에서 평균 가격 가치와 평균 화물 가치가 가장 낮습니다. 반면 파라이바(PB) 주는 평균 가격 가치와 평균 운임 가치가 가장 높습니다.

경제에 미치는 영향을 이해하려면 비용 추세와 가격 및 화물 가치에 대한 종합적인 분석이 필요합니다. SQL 쿼리를 활용하고 상태별 패턴을 조사함으로써 기업은 경제 환경에 대한 귀중한 통찰력을 얻고, 잠재적인 성장 기회를 식별하고, 가격 전략을 최적화하고, 물류를 강화하고, 전반적인 경제적 영향을 주도하기 위한 데이터 기반 의사 결정을 내릴 수 있습니다.

판매, 화물 및 배송 시간 분석: 브라질의 인사이트

구매, 배송 및 예상 배송 사이의 날짜 계산

주문 구매, 배송 및 예상 배송 사이의 시간을 이해하기 위해 다음 SQL 쿼리를 사용하여 일수를 계산했습니다.

SELECT order_id, DATE_DIFF(order_delivered_customer_date, order_purchase_timestamp, DAY) AS delivered_in_days, DATE_DIFF(order_estimated_delivery_date, order_purchase_timestamp, DAY) AS estimated_delivery_in_days, DATE_DIFF(order_estimated_delivery_date, order_delivered_customer_date, DAY) AS estimated_minus_actual_delivery_days
FROM `target.orders`
WHERE DATE_DIFF(order_delivered_customer_date, order_purchase_timestamp, DAY) IS NOT NULL
ORDER BY delivered_in_days;

주별 평균 배송 시간 및 예상 배송의 평균 차이 찾기

배송에 걸리는 평균 시간과 예상 배송과 실제 배송 간의 평균 차이에 대한 통찰력을 얻기 위해 다음 SQL 쿼리를 사용하여 상태 수준의 평균을 계산했습니다.

SELECT c.customer_state, ROUND(AVG(DATE_DIFF(order_delivered_customer_date, order_purchase_timestamp, DAY)), 2) AS avg_time_to_delivery, ROUND(AVG(DATE_DIFF(order_estimated_delivery_date, order_delivered_customer_date, DAY)), 2) AS avg_diff_estimated_delivery
FROM `target.orders` o
JOIN `target.customers` c ON o.customer_id = c.customer_id
WHERE DATE_DIFF(order_purchase_timestamp, order_delivered_customer_date, DAY) IS NOT NULL AND DATE_DIFF(order_estimated_delivery_date, order_delivered_customer_date, DAY) IS NOT NULL
GROUP BY c.customer_state
ORDER BY avg_time_to_delivery;

결과에서 상파울루(SP)의 평균 배송 시간이 가장 짧고 Roraima(RR)의 평균 배송 시간이 가장 길다는 것을 알 수 있습니다.

주별 데이터 그룹화 및 평균 화물 가치, 배송 시간 및 예상 배송 차이 계산

운임 값, 배송 시간, 주 수준에서 예상 배송과 실제 배송의 차이 간의 관계를 분석하기 위해 다음 SQL 쿼리를 사용하여 평균을 계산했습니다.

SELECT c.customer_state, ROUND(AVG(i.freight_value), 2) AS mean_freight_value, ROUND(AVG(DATE_DIFF(o.order_delivered_customer_date, o.order_purchase_timestamp, DAY)), 2) AS time_to_delivery, ROUND(AVG(DATE_DIFF(o.order_estimated_delivery_date, o.order_delivered_customer_date, DAY)), 2) AS diff_estimated_delivery
FROM `target.orders` o
JOIN `target.order_items` i ON o.order_id = i.order_id
JOIN `target.customers` c ON o.customer_id = c.customer_id
GROUP BY c.customer_state
ORDER BY mean_freight_value;

분석 결과 평균 화물 가치와 배송 시간 사이에 약한 양의 상관관계가 있음이 밝혀졌습니다. 상파울루(SP)는 평균 운임 가치가 가장 낮고 Roraima(RR)는 평균 운임 가치가 가장 높습니다.

영업, 화물 및 배송 시간의 역학 관계를 이해하는 것은 기업이 운영을 최적화하고 고객 만족도를 개선하는 데 매우 중요합니다. SQL 쿼리를 활용하고 상태별 패턴을 분석함으로써 회사는 판매 추세에 대한 귀중한 통찰력을 얻고 물류를 최적화하며 데이터 기반 의사 결정을 내려 전반적인 효율성과 고객 경험을 향상시킬 수 있습니다.

결제 유형 분석: 주문 및 결제 분할에 대한 인사이트

다양한 지불 유형에 대한 월별 주문 수

결제 유형의 추세를 이해하기 위해 다양한 결제 유형에 대한 월별 주문 수를 분석했습니다. 다음은 SQL 쿼리 실행입니다.

SELECT p.payment_type, EXTRACT(MONTH FROM o.order_purchase_timestamp) AS month, COUNT(DISTINCT o.order_id) AS order_count
FROM `target.orders` o
JOIN `target.payments` p
ON o.order_id = p.order_id
GROUP BY 1, 2
ORDER BY 1, 2;

분석은 XNUMX월부터 XNUMX월까지 전반적인 상승 추세와 XNUMX월부터 XNUMX월까지 또 다른 상승 추세를 보여줍니다. 신용카드 거래는 UPI가 가장 많이 사용하는 결제 수단입니다. 직불 카드 거래는 가장 선호되지 않는 옵션입니다. 특히 신용카드 결제 시 '지금 구매 후 결제' 등의 혜택이나 신용카드로 받는 캐쉬백 등으로 신용카드 거래가 다른 결제수단에 비해 급증하고 있다.

할부 결제 건수에 따른 주문 건수

할부분포에 대한 인사이트를 얻기 위해 할부횟수에 따른 주문건수를 분석하였다. 다음은 SQL 쿼리 실행입니다.

SELECT p.payment_installments, COUNT(o.order_id) AS order_count
FROM `target.orders` o
JOIN `target.payments` p
ON o.order_id = p.order_id
WHERE o.order_status != 'canceled'
GROUP BY 1
ORDER BY 2 DESC;

분석 결과 대부분의 주문(최대 주문 수)이 단 한 번의 지불 할부만 있는 것으로 나타났습니다. 가장 높은 할부 수는 24회이며, 이는 18회 주문과 관련이 있습니다.

결제 유형 및 할부 기본 설정을 이해하는 것은 비즈니스가 결제 프로세스를 최적화하고 고객 기본 설정을 충족하는 데 필수적입니다. SQL 쿼리를 활용하고 결제 추세를 분석함으로써 회사는 결제 옵션을 개선하고 프로세스를 능률화하며 전반적인 고객 경험을 향상시키기 위해 정보에 입각한 결정을 내릴 수 있습니다.

결론적으로, 분석은 지불 유형 및 할부 기본 설정에 대한 귀중한 통찰력을 제공합니다. 신용카드 거래의 대중화, 신용카드 사용 증가 추세, 일시불 할부 주문의 확산 등을 부각시킨다. 이러한 통찰력은 기업이 지불 전략을 조정하고 고객 만족도를 향상시키는 데 도움이 될 수 있습니다.

분석을 기반으로 실행 가능한 통찰력 및 권장 사항

실행 가능한 통찰력

데이터는 SP 상태가 다음 XNUMX개 상태를 합친 것보다 훨씬 더 많은 주문을 가지고 있음을 보여줍니다. 이것은 다른 주에서 개선의 기회를 나타냅니다. 이러한 상태에 집중하면 주문 수를 늘리고 고객 기반을 확장하는 데 도움이 될 수 있습니다.
계절별 매출 변동이 관찰되며 명절 기간에는 매출이 증가합니다. 기업은 이러한 성수기를 활용하고 고객 만족도를 향상하여 전체 매출 성장을 가져올 수 있도록 그에 따라 마케팅 및 판매 전략을 계획해야 합니다.
배송 기간이 긴 지역에서 배송 시간을 개선하면 고객 만족도에 긍정적인 영향을 미치고 반복 구매를 장려할 수 있습니다. 물류를 간소화하고 효율적인 배송 프로세스를 구현하는 것이 이를 달성하는 데 핵심입니다.
SP 및 RJ와 같은 상태는 이미 주문 수가 많습니다. 판매를 더욱 늘리고 브랜드 충성도를 높이려면 개인화된 마케팅 캠페인, 로열티 프로그램, 탁월한 고객 서비스 경험과 같은 고객 유지 전략에 집중하는 것이 좋습니다.
고객 인구 통계를 분석하면 특정 대상 고객에 맞게 제품 및 마케팅 전략을 조정하는 데 유용한 통찰력을 얻을 수 있습니다. 이러한 맞춤화는 판매 및 고객 만족도 증가로 이어질 수 있습니다.
데이터는 XNUMX월과 XNUMX월 주문이 감소했음을 나타냅니다. 비수기 동안 할인이나 프로모션을 제공하면 고객이 이 기간 동안 구매하도록 유도하여 매출을 높일 수 있습니다.
데이터에는 경제 상황에 대한 정보가 포함되어 있지 않지만 판매에 미치는 영향을 분석하면 개선 및 투자 영역을 식별하고 경기 변동 중에 탄력성을 보장하는 데 도움이 될 수 있습니다.

결론

결론적으로 브라질 시장의 전자 상거래 데이터 분석은 고객 구매 패턴, 판매 추세, 지불 선호도 및 배송 경험에 대한 귀중한 통찰력을 제공합니다. 이러한 패턴과 추세를 이해함으로써 기업은 정보에 입각한 결정을 내리고 전략을 구현하여 운영을 최적화하고 성장을 촉진할 수 있습니다. 분석에서 얻은 주요 내용은 다음과 같습니다.

주요 요점

SP 주는 브라질의 전자 상거래 시장을 지배하고 있으며 잠재적인 성장 기회를 위해 다른 주에 집중할 필요가 있음을 나타냅니다.
고객 인구통계를 분석하면 특정 대상 고객에게 제품 및 마케팅 전략을 맞춤화하여 판매 증가로 이어질 수 있습니다.
비성수기에 할인을 제공하면 고객에게 인센티브를 제공하고 비수기에는 매출을 높일 수 있습니다.

이 기사에 표시된 미디어는 Analytics Vidhya의 소유가 아니며 작성자의 재량에 따라 사용됩니다.

생성 데이터 인텔리전스

브라질 온라인 쇼핑에 대한 인사이트를 제공하는 SQL 기능

개요