Introducció
En aquest cas pràctic, aplicarem els coneixements adquirits al llarg del curs per analitzar les dades de vendes d'una empresa fictícia. L'objectiu és identificar patrons, tendències i àrees de millora per optimitzar les operacions comercials i augmentar la rendibilitat.
Objectius del Cas Pràctic
- Comprendre les dades de vendes: Revisar i netejar les dades per assegurar la seva qualitat.
- Anàlisi descriptiva: Generar resums estadístics i visualitzacions per entendre el comportament de les vendes.
- Anàlisi predictiva: Utilitzar models predictius per anticipar les vendes futures.
- Anàlisi prescriptiva: Proposar accions concretes basades en els resultats de l'anàlisi.
Dades de Vendes
Descripció de les Dades
Les dades de vendes inclouen informació sobre les transaccions realitzades durant l'últim any. Els camps principals són:
- Data: Data de la transacció.
- Producte: Nom del producte venut.
- Categoria: Categoria del producte.
- Quantitat: Quantitat venuda.
- Preu Unitari: Preu per unitat del producte.
- Total Venda: Import total de la venda (Quantitat * Preu Unitari).
- Regió: Regió on s'ha realitzat la venda.
Exemple de Dades
| Data | Producte | Categoria | Quantitat | Preu Unitari | Total Venda | Regió |
|---|---|---|---|---|---|---|
| 2022-01-01 | Producte A | Electrònica | 10 | 50 | 500 | Nord |
| 2022-01-02 | Producte B | Moda | 5 | 30 | 150 | Sud |
| 2022-01-03 | Producte C | Alimentació | 20 | 10 | 200 | Est |
Pas 1: Neteja i Preparació de Dades
1.1. Revisió de Dades
Revisarem les dades per detectar valors nuls, duplicats o errors.
import pandas as pd
# Carregar les dades
dades_vendes = pd.read_csv('vendes.csv')
# Mostrar les primeres files
print(dades_vendes.head())
# Comprovar valors nuls
print(dades_vendes.isnull().sum())
# Eliminar duplicats
dades_vendes = dades_vendes.drop_duplicates()1.2. Tractament de Valors Nuls
Si hi ha valors nuls, decidirem com tractar-los (per exemple, omplir amb la mitjana, eliminar files, etc.).
# Omplir valors nuls amb la mitjana de la columna dades_vendes['Quantitat'].fillna(dades_vendes['Quantitat'].mean(), inplace=True) dades_vendes['Preu Unitari'].fillna(dades_vendes['Preu Unitari'].mean(), inplace=True)
Pas 2: Anàlisi Descriptiva
2.1. Resum Estadístic
Generarem un resum estadístic de les dades.
2.2. Visualització de Dades
Crearem gràfics per visualitzar les tendències de vendes.
import matplotlib.pyplot as plt
# Gràfic de vendes per mes
dades_vendes['Data'] = pd.to_datetime(dades_vendes['Data'])
dades_vendes['Mes'] = dades_vendes['Data'].dt.to_period('M')
vendes_per_mes = dades_vendes.groupby('Mes')['Total Venda'].sum()
plt.figure(figsize=(10, 6))
vendes_per_mes.plot(kind='bar')
plt.title('Vendes per Mes')
plt.xlabel('Mes')
plt.ylabel('Total Venda')
plt.show()Pas 3: Anàlisi Predictiva
3.1. Model de Regressió Lineal
Utilitzarem un model de regressió lineal per predir les vendes futures.
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
# Preparar les dades
dades_vendes['Mes_Num'] = dades_vendes['Mes'].apply(lambda x: x.month)
X = dades_vendes[['Mes_Num']]
y = dades_vendes['Total Venda']
# Dividir les dades en entrenament i prova
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Crear i entrenar el model
model = LinearRegression()
model.fit(X_train, y_train)
# Predir les vendes
prediccions = model.predict(X_test)
# Comparar prediccions amb valors reals
resultats = pd.DataFrame({'Real': y_test, 'Predicció': prediccions})
print(resultats.head())Pas 4: Anàlisi Prescriptiva
4.1. Propostes d'Acció
Basat en els resultats de l'anàlisi descriptiva i predictiva, proposarem accions concretes per millorar les vendes.
- Optimització d'Inventaris: Ajustar els nivells d'inventari basant-se en les prediccions de vendes per evitar excessos o escassetats.
- Promocions Estratègiques: Planificar promocions durant els mesos amb vendes més baixes per augmentar els ingressos.
- Segmentació de Mercat: Identificar les regions amb més potencial de creixement i enfocar les estratègies de màrqueting en aquestes àrees.
Conclusió
En aquest cas pràctic, hem aplicat diverses tècniques d'analítica de negocis per analitzar les dades de vendes d'una empresa fictícia. Hem revisat i netejat les dades, generat resums estadístics i visualitzacions, utilitzat models predictius per anticipar les vendes futures i proposat accions concretes per optimitzar les operacions comercials. Aquest procés ens ha permès comprendre millor el comportament de les vendes i prendre decisions informades per millorar la rendibilitat de l'empresa.
Curs d'Analítica de Negocis
Mòdul 1: Introducció a l'Analítica de Negocis
- Conceptes Bàsics d'Analítica de Negocis
- Importància de l'Analítica en les Operacions Comercials
- Tipus d'Analítica: Descriptiva, Predictiva i Prescriptiva
Mòdul 2: Eines d'Analítica de Negocis
- Introducció a les Eines d'Analítica
- Microsoft Excel per a Analítica de Negocis
- Tableau: Visualització de Dades
- Power BI: Anàlisi i Visualització
- Google Analytics: Anàlisi Web
Mòdul 3: Tècniques d'Anàlisi de Dades
- Neteja i Preparació de Dades
- Anàlisi Descriptiu: Resum i Visualització
- Anàlisi Predictiu: Models i Algoritmes
- Anàlisi Prescriptiu: Optimització i Simulació
Mòdul 4: Aplicacions de l'Analítica de Negocis
Mòdul 5: Implementació de Projectes d'Analítica
- Definició d'Objectius i KPIs
- Recopilació i Gestió de Dades
- Anàlisi i Modelatge de Dades
- Presentació de Resultats i Presa de Decisions
Mòdul 6: Cases Pràctics i Exercicis
- Cas Pràctic 1: Anàlisi de Vendes
- Cas Pràctic 2: Optimització d'Inventaris
- Exercici 1: Creació de Dashboards en Tableau
- Exercici 2: Anàlisi Predictiu amb Excel