在數據分析上，常透過長條圖來比較不同項目的數據高低，本章節將透過顧客回購資料「CH3–6_顧客回購資料.csv」搭配長條圖，帶領讀者一窺顧客交易資料在商務上的應用。

一、導入套件包與資料集

透過程式碼1，載入本章節所需之套件包與顧客回購資料集，如下所示。

程式碼1：

# 套件包import pandas as pdimport numpy as npfrom datetime import timedelta, datetime, tzinfo, timezoneimport plotly.express as pximport plotly.offline as pyimport mathimport os# 資料集data = pd.read_csv(‘CH3–6_顧客回購資料.csv’, encoding=’utf-8-sig’).drop(columns=[‘Unnamed: 0’])data.head()

產出：

該資料集為 經過「店商交易資料.csv」提取2018年的資料加以整理後，所產出的一份回購資料，在該資料內我們透過區分不同廣告、月份以及顧客的為第幾次購買，來查看在不同情境下的購買人數以及貢獻利潤有多高。

舉圖2. 的此兩列為例，代表在九月時，因受到廣告系列「B2KMP」推播而促成第1次購買的顧客有122位、總共貢獻了1,389,665元的利潤，平均貢獻1,145元的利潤；而在九月時因受到廣告系列「B2KMP」推播而促成第2次購買的顧客有22位，總共貢獻了29,239元的利潤，平均貢獻1,145元的利潤，以此類推。

首先，我們將以廣告系列「critei」為例繪製長條圖，找出潛在的決策參考。透過程式碼2，篩選出「廣告系列」為「critei」的資料，如下。

程式碼2：

chosen_data = data[data['廣告系列']=='critei']chosen_data.head(8)

產出：

二、繪圖－長條圖

挑選好廣告資料後，便可透過套件包plotly進行圖片繪製。

我們根據資料集中的「月份」設定x值、透過「平均利潤」設定y值，並透過「第幾次購買」來區分長條的顏色，相較於之前的繪圖程式，新增了兩項設定以做到直觀地繪圖效果：

1. facet_col：可根據輸入欄位內的不同數值、類別，個別繪製子圖。此圖根據「第幾次」購買區分。

2. facet_col_wrap：繪製子圖的欄位數量，此圖設定為3欄。

如下程式碼3所示。

程式碼3：

fig = px.bar(chosen_data,x = ‘月份’, y = ‘平均利潤’, color = ‘第幾次購買’, title = ‘2018年行銷活動回購分析_critei’,facet_col=”第幾次購買”, facet_col_wrap=3)fig.show()

產出：

接著，透過下方程式碼4，進一步設定長條圖的佈景主題，以達到美觀易讀的效果。

程式碼4：

# 修改條寬for pdata in fig.data:pdata[“width”] = 0.8# 佈景主題設定fig.update_layout(width=1600, height=800, showlegend=False, xaxis_range=(0.5, 12.5), yaxis_range=(0, 3500))fig.layout.coloraxis.showscale = False # 隱藏比例尺fig.update_xaxes(showticklabels=True, tickmode=’linear’) # 顯示x座標所有數值fig.update_yaxes(showticklabels=True) # 顯示y座標數值fig.show()

產出：

根據圖5.，雖然可以根據子圖進行比較、分析，但在缺乏比較標準的情況下會較難找尋決策參考，因此接下來會依序為圖片繪製上年均、月均利潤線。

三、繪圖－年均利潤折線圖

透過程式碼5，計算出年均利潤，將值存入新增串列「year_mean_profit」中，如下。

程式碼5：

print(‘2018年的平均利潤為：’ ,round(chosen_data[‘平均利潤’].mean(),2))year_mean_profit = [round(chosen_data[‘平均利潤’].mean(),2)]*12

產出：

2018年的平均利潤為： 993.16

然而算出年均利潤後，並不能使用往常的方式直接繪圖，在區分出多張子圖後，需指定子圖的欄、列座標，才可在該子圖上進行繪圖。

透過程式碼6，可幫助我們掌握共有幾列的子圖。

程式碼6：

print('該資料集內共有' ,math.ceil(chosen_data["第幾次購買"].nunique()), '種類型的回購資料，')print('分別為：',chosen_data["第幾次購買"].unique().tolist())total_row = math.ceil(chosen_data["第幾次購買"].nunique()/3)print('因此共有', total_row, '列的子圖')

產出：

該資料集內共有 5 種類型的回購資料，分別為： [1, 2, 3, 4, 5]因此共有 2 列的子圖

子圖會以一列3張圖的方式呈現，但繪製最後一列時則可能有所不同，根據程式碼7，計算最後一列共會出現幾張子圖。

程式碼7：

if total_row==1 :first_row_col = chosen_data["第幾次購買"].nunique()else:first_row_col = chosen_data["第幾次購買"].nunique()%3print('第一列會有', first_row_col, '張圖片')

產出：

第一列會有 2 張圖片

蒐集完相關資訊後，便可根據迴圈與判斷式，在不同的情況下為每張子圖繪製年平均線。

程式碼8：

# 如果圖形不只有一列:if total_row !=1:# 那就透過for迴圈依序指定欄與列的編碼for row in range(1, total_row+1):# 如果現在在繪製第一列時:if row == 1:# 便根據第一列有的圖片數量給與列編碼for col in range(1, first_row_col+1):fig.add_scatter(x = list(range(1, 13)), y = year_mean_profit, name = '年每人平均利潤', row=row, col=col, line=dict(color="firebrick"), mode="lines")# 如果現在不是繪製第一列時:else:# 就依序給予1~3的列編碼for col in range(1, 4):fig.add_scatter(x = list(range(1, 13)), y = year_mean_profit, name = '年每人平均利潤', row=row, col=col, line=dict(color="firebrick"), mode="lines")# 如果圖形只有一列:else:# 便根據第一列有的圖片數量給與列編碼for col in range(1, first_row_col+1):fig.add_scatter(x = list(range(1, 13)), y = year_mean_profit, name = '年每人平均利潤', row=1, col=col, line=dict(color="firebrick"), mode="lines")fig.show()

產出：

四、繪圖－月均利潤折線圖

繪製完年均線後，我們可用同樣地概念繪製月均線，下方程式碼9可協助計算每個月份的平均利潤，存入新增串列「mon_mean_profit」。

程式碼9：

mon_mean_profit = []for mon in chosen_data['月份'].unique():print(str(mon)+'月的平均利潤為：' ,round(chosen_data[chosen_data['月份']==mon]['平均利潤'].mean(),2))mon_mean_profit.append(round(chosen_data[chosen_data['月份']==mon]['平均利潤'].mean(),2))

產出：

1月的平均利潤為： 1112.02月的平均利潤為： 1036.03月的平均利潤為： 789.674月的平均利潤為： 732.05月的平均利潤為： 947.56月的平均利潤為： 1388.57月的平均利潤為： 740.338月的平均利潤為： 773.09月的平均利潤為： 1149.010月的平均利潤為： 854.511月的平均利潤為： 1060.512月的平均利潤為： 1178.6

完成後便可根據程式碼10，繪製月均線。

程式碼10：

# 如果圖形不只有一列:if total_row !=1:# 那就透過for迴圈依序指定欄與列的編碼for row in range(1, total_row+1):# 如果現在在繪製第一列時:if row == 1:# 便根據第一列有的圖片數量給與列編碼for col in range(1, first_row_col+1):fig.add_scatter(x = chosen_data['月份'].unique(), y = mon_mean_profit, name = '月每人平均利潤', row=row, col=col, line=dict(color="royalblue"))# 如果現在不是繪製第一列時:else:# 就依序給予1~3的列編碼for col in range(1, 4):fig.add_scatter(x = chosen_data['月份'].unique(), y = mon_mean_profit, name = '月每人平均利潤', row=row, col=col, line=dict(color="royalblue"))# 如果圖形只有一列:else:# 便根據第一列有的圖片數量給與列編碼for col in range(1, first_row_col+1):fig.add_scatter(x = chosen_data['月份'].unique(), y = mon_mean_profit, name = '月每人平均利潤', row=1, col=col, line=dict(color="royalblue"))fig.show()

產出：

五、產出分析成果

了解一系列的繪圖方法後，便可透過程式碼11，根據不同的廣告系列進行繪圖產出，如下所示。

程式碼11：

# 迴圈逐一挑選廣告系列for ad in data['廣告系列'].unique().tolist():# 選取該廣告系列的回購資料chosen_data = data[data['廣告系列']==ad]## 繪圖－長條圖fig = px.bar(chosen_data,x = '月份', y = '平均利潤', color = '第幾次購買', title = '2018年行銷活動回購分析_'+ad,facet_col="第幾次購買", facet_col_wrap=3)# 修改條寬for pdata in fig.data:pdata["width"] = 0.8# 佈景主題設定fig.update_layout(width=1600, height=800, showlegend=False, xaxis_range=(0.5, 12.5), yaxis_range=(0, 3500))fig.layout.coloraxis.showscale = False # 隱藏比例尺fig.update_xaxes(showticklabels=True, tickmode='linear') # 顯示x座標所有數值fig.update_yaxes(showticklabels=True) # 顯示y座標數值## 繪圖－年均利潤折線圖# 計算2018年平均利潤year_mean_profit = [round(chosen_data['平均利潤'].mean(),2)]*12# 計算共有幾列子圖total_row = math.ceil(chosen_data["第幾次購買"].nunique()/3)# 計算第一列會有幾張圖片if total_row==1 :first_row_col = chosen_data["第幾次購買"].nunique()else:first_row_col = chosen_data["第幾次購買"].nunique()%3# 依序為每張子圖繪製「年均利潤折線圖」# 如果圖形不只有一列:if total_row !=1:# 那就透過for迴圈依序指定欄與列的編碼for row in range(1, total_row+1):# 如果現在在繪製第一列時:if row == 1:# 便根據第一列有的圖片數量給與列編碼for col in range(1, first_row_col+1):fig.add_scatter(x = list(range(1, 13)), y = year_mean_profit, name = '年每人平均利潤', row=row, col=col, line=dict(color="firebrick"), mode="lines")# 如果現在不是繪製第一列時:else:# 就依序給予1~3的列編碼for col in range(1, 4):fig.add_scatter(x = list(range(1, 13)), y = year_mean_profit, name = '年每人平均利潤', row=row, col=col, line=dict(color="firebrick"), mode="lines")# 如果圖形只有一列:else:# 便根據第一列有的圖片數量給與列編碼for col in range(1, first_row_col+1):fig.add_scatter(x = list(range(1, 13)), y = year_mean_profit, name = '年每人平均利潤', row=1, col=col, line=dict(color="firebrick"), mode="lines")## 繪圖－月均利潤折線圖# 計算月均利潤mon_mean_profit = []for mon in chosen_data['月份'].unique():mon_mean_profit.append(round(chosen_data[chosen_data['月份']==mon]['平均利潤'].mean(),2))# 依序為每張子圖繪製「月均利潤折線圖」# 如果圖形不只有一列:if total_row !=1:# 那就透過for迴圈依序指定欄與列的編碼for row in range(1, total_row+1):# 如果現在在繪製第一列時:if row == 1:# 便根據第一列有的圖片數量給與列編碼for col in range(1, first_row_col+1):fig.add_scatter(x = chosen_data['月份'].unique(), y = mon_mean_profit, name = '月每人平均利潤', row=row, col=col, line=dict(color="royalblue"))# 如果現在不是繪製第一列時:else:# 就依序給予1~3的列編碼for col in range(1, 4):fig.add_scatter(x = chosen_data['月份'].unique(), y = mon_mean_profit, name = '月每人平均利潤', row=row, col=col, line=dict(color="royalblue"))# 如果圖形只有一列:else:# 便根據第一列有的圖片數量給與列編碼for col in range(1, first_row_col+1):fig.add_scatter(x = chosen_data['月份'].unique(), y = mon_mean_profit, name = '月每人平均利潤', row=1, col=col, line=dict(color="royalblue"))# 將成果另存新檔py.plot(fig, filename='CH3-6產出成果_2018年行銷活動回購分析_'+ad, auto_open=True) # 網頁檔fig.write_image('CH3-6產出成果_2018年行銷活動回購分析_'+ad+'.png') # 圖檔

透過回購分析圖，可找到隱含的決策參考，我們以廣告「critei」與廣告「GINEP」為例，兩者的分析圖如下所示。

透過兩廣告系列可發現，當消費者第一次回購(第幾次購買=2)時，消費金額與第一次購買相差不大，但隨著次數逐漸增加，購買金額與人數呈現明顯地下滑，驗證了廣告持續投放效益遞減的現象。

此外我們也可以透過圖中的數據發現，受廣告系列「critei」促成的交易普遍在年初年末帶來的利潤高於平均；而受廣告系列「GINEP」促成的交易則在年中時表現較佳，在後續針對不同時間、回購次數的客人時，都可以作為推播廣告挑選的參考。

以上為本章節的長條圖教學，善用視覺化分析，便也可將資料變成黃金哦。

作者：徐子皓、張友志(臺灣行銷研究特邀作者)、鍾皓軒(臺灣行銷研究有限公司創辦人）