金融工程专业学生,聚焦 SQL、Python 与 Power BI 的数据分析项目实践,关注业务问题拆解、指标口径定义、经营分析与可视化表达。
当前展示项目为 Olist 电商经营分析,后续将继续补充银行营销转化分析与更多数据分析作品。
项目定位
summary_kpi
首页用于快速判断平台经营表现,按“规模 → 订单 → 单价 → 用户 → 质量 → 履约”的顺序展示关键指标。
平台成交规模在 2017 年进入明显爬坡期,2017-11 至 2018-05 进入高位运行区间。其中 2017-11 成交总额达到 115.35 万,为样本期单月峰值;2018-03 至 2018-05 连续三个月保持在 112 万左右,说明平台在后期已形成较稳定的高交易体量。
区域表现呈现出明显的“规模核心区 + 高客单外围区”结构。SP 以 577.03 万成交总额和 4.05 万有效订单绝对领先,但客单价仅 142.48,明显低于 PA、PB、AL 等低订单量高客单价州,说明头部州主要靠订单规模驱动,部分长尾州则更依赖单笔金额支撑。
支付与分期结构揭示出较清晰的消费分层:credit_card 贡献 1210.11 万成交总额,占主导地位;而信用卡订单中,单期平均订单金额仅 95.92,2-5 期提升至 147.33,6-10 期进一步升至 301.74,10 期以上达到 359.40,表明高金额订单明显更依赖中高分期完成支付。
整体订单完成质量较稳,终态失败率仅 1.26%,但履约效率存在显著区域差异。SP 平均配送天数仅 8.7 天,而 RR、AP、AM 等州已达到 29.34、27.18、26.36 天,说明平台在全国扩展后,远距离与低密度区域的物流效率明显弱于核心市场。
本项目围绕销售总览、月度趋势、地区表现、支付方式和分期行为展开分析,重点回答平台交易规模、区域差异、支付结构与履约效率几个核心问题。
在实现路径上,先用 SQL 完成数据审计、指标提取与维度分析,再使用 Python 与 Power BI 做可视化展示,最后整理为可用于 GitHub 展示、简历补充与面试讲解的项目作品。
pbix/:Power BI 项目文件sql/:数据审计、指标提取与分析查询images/:项目截图与可视化图片README.md:项目说明文档dashboard
展示成交总额、有效订单量、平均客单价、去重买家数、终态失败率与平均配送天数,用于快速判断平台整体规模、订单质量与履约效率。当前首页指标显示:成交总额约 1542 万,终态失败率仅 1.26%,平均配送天数为 12.5 天。

按月展示成交总额与有效订单量变化,用于识别平台增长阶段与波动区间。结果显示 2017-11 为单月成交峰值,2018-03 至 2018-05 维持高位运行,说明后期交易规模趋于稳定。

展示主业务阶段的月度客单价变化,用于观察订单质量与价格结构是否稳定,并辅助判断成交规模波动是由订单量还是单价主导。

展示成交总额排名前 10 的州,用于识别核心贡献地区与区域集中度。结合州维度表现可见,SP、RJ、MG 是最主要的交易贡献区域。

展示不同支付方式对应的成交总额,用于识别主导支付方式及支付结构差异。结果显示 credit_card 是最核心的支付路径。

展示不同分期档位下的订单数与平均订单金额,用于观察信用卡分期结构与高金额订单特征。结果显示平均订单金额随分期数上升而显著抬升。

metrics
challenge
customer_id 与 customer_unique_id 的业务含义,避免把订单级客户键误用为真实用户级标识。sql directory
这里按 GitHub 中的实际 SQL 文件拆分展示用途与入口。目录卡片可直接跳转到下方对应代码块,网页负责说明阅读路径,完整代码建议继续放在 GitHub 仓库中。
用于完成数据预览、时间窗口确认、订单状态分布检查,以及州维度订单量与终态失败率摸底。
用于输出核心经营指标、月度经营趋势,并补充支付方式与信用卡分期结构分析。
用于完成区域分析、履约分析,以及三表合并后的区域经营质量对比。
用于生成 summary_kpi 页的一行总览数据,包含成交总额、有效订单量、客单价、买家数、终态失败率与平均配送天数。
用于生成月度趋势页数据,按月份输出成交总额、有效订单量与客单价。
用于生成州表现页数据,综合输出客户州的成交、订单、客单价、终态失败率与配送时长。
用于生成支付方式页数据,比较不同支付方式下的订单量、成交总额与客单价。
用于生成分期分析页数据,比较不同信用卡分期档位下的订单数与平均订单金额。
sql
SQL 文件分为两层:01-03 用于数据审计、销售表现与维度深挖,11-15 用于为 Power BI 页面提取总览、趋势、地区、支付和分期分析数据。网页中只展开 3 段最能体现项目能力的重点 SQL,其余文件通过目录和说明展示,完整代码保留在 GitHub 仓库中。
通过交易、买家、终态失败率与配送天数四组指标,汇总成 summary_kpi 页的一行结果。
with payment_agg as (
select
order_id,
sum(payment_value) as payment_value
from olist_order_payments_dataset
group by order_id
),
trade_kpi as (
select
round(sum(p.payment_value), 2) as gmv,
count(distinct o.order_id) as valid_order_cnt,
round(sum(p.payment_value) / count(distinct o.order_id), 2) as aov
from olist_orders_dataset o
join payment_agg p
on o.order_id = p.order_id
where o.order_status = 'delivered'
),
customer_kpi as (
select
count(distinct c.customer_unique_id) as unique_customer_cnt
from olist_orders_dataset o
join olist_customers_dataset c
on o.customer_id = c.customer_id
where o.order_status = 'delivered'
),
fail_kpi as (
select
round(
sum(order_status in ('canceled', 'unavailable')) / count(*) * 100,
2
) as fail_rate_pct
from olist_orders_dataset
where order_status in ('delivered', 'canceled', 'unavailable')
),
delivery_kpi as (
select
round(avg(datediff(order_delivered_customer_date, order_purchase_timestamp)), 2) as avg_delivery_days
from olist_orders_dataset
where order_status = 'delivered'
and order_delivered_customer_date is not null
and order_purchase_timestamp is not null
)
select
t.gmv as '成交总额',
t.valid_order_cnt as '有效订单量',
t.aov as '客单价',
c.unique_customer_cnt as '去重买家数',
f.fail_rate_pct as '终态失败率(%)',
d.avg_delivery_days as '平均配送天数(天)'
from trade_kpi t
cross join customer_kpi c
cross join fail_kpi f
cross join delivery_kpi d;分别计算州维度交易、终态失败率与配送天数,再合并成地区页总表。
with payment_agg as (
select
order_id,
sum(payment_value) as payment_value
from olist_order_payments_dataset
group by order_id
),
state_trade as (
select
c.customer_state,
round(sum(p.payment_value), 2) as gmv,
count(distinct o.order_id) as valid_order_cnt,
round(sum(p.payment_value) / count(distinct o.order_id), 2) as aov
from olist_orders_dataset o
join payment_agg p
on o.order_id = p.order_id
join olist_customers_dataset c
on o.customer_id = c.customer_id
where o.order_status = 'delivered'
group by c.customer_state
),
state_fail as (
select
c.customer_state,
round(
sum(o.order_status in ('canceled', 'unavailable')) / count(*) * 100,
2
) as fail_rate_pct
from olist_orders_dataset o
join olist_customers_dataset c
on o.customer_id = c.customer_id
where o.order_status in ('delivered', 'canceled', 'unavailable')
group by c.customer_state
),
state_delivery as (
select
c.customer_state,
round(avg(datediff(o.order_delivered_customer_date, o.order_purchase_timestamp)), 2) as avg_delivery_days
from olist_orders_dataset o
join olist_customers_dataset c
on o.customer_id = c.customer_id
where o.order_status = 'delivered'
and o.order_delivered_customer_date is not null
and o.order_purchase_timestamp is not null
group by c.customer_state
)
select
t.customer_state as '客户州',
t.gmv as '成交总额',
t.valid_order_cnt as '有效订单量',
t.aov as '客单价',
f.fail_rate_pct as '终态失败率(%)',
d.avg_delivery_days as '平均配送天数(天)'
from state_trade t
join state_fail f
on t.customer_state = f.customer_state
join state_delivery d
on t.customer_state = d.customer_state
order by t.gmv desc;先聚合信用卡订单,再按分期档位输出订单数与平均订单金额。
with credit_card_order as (
select
p.order_id,
max(p.payment_installments) as payment_installments,
sum(p.payment_value) as order_payment_value
from olist_order_payments_dataset p
join olist_orders_dataset o
on p.order_id = o.order_id
where p.payment_type = 'credit_card'
and o.order_status = 'delivered'
group by p.order_id
),
installment_base as (
select
case
when payment_installments = 1 then '1. 单期'
when payment_installments between 2 and 5 then '2. 低分期(2-5期)'
when payment_installments between 6 and 10 then '3. 中分期(6-10期)'
when payment_installments > 10 then '4. 高分期(10期以上)'
else '未知'
end as installment_group,
order_payment_value
from credit_card_order
)
select
installment_group as '分期档位',
count(*) as '订单数',
round(avg(order_payment_value), 2) as '平均订单金额'
from installment_base
group by installment_group
order by installment_group;business suggestion
resume usage
project value
本项目完整覆盖了从业务问题拆解、SQL 数据提取、指标口径定义,到 Python / Power BI 可视化展示与项目包装的分析流程,重点体现数据口径意识、业务指标解释能力与项目表达能力。