燃气灶行业分析、淘宝平台销售分析

内容：1.燃气灶（不含集成灶）整体行业分析 2.淘宝平台销量分析 3.针对性建议（涉及商业信息就略）

一、基本情况

（一）产品定义：

以液化石油气（液态）、人工煤气、天然气等气体燃料进行直火加热的厨房用具

按气源：分为煤气灶、液化气灶、天然气灶；

按灶眼：分为单灶、双灶和多眼灶。

（二）销售渠道

主要分为线上、线下模式。

线下：商超、专卖店（授权店）、加盟店、个体等其他店铺

线上：各网购平台、直播平台，以及占比较小、渠道来源复杂的私域流量（厂家的推手、有粉丝的个人、朋友圈带货达人等）

从一些咨询机构获取的整体数据来看：

2022年数据，线上零售989万台，占总46.0%，较2021年增加了5%；线下零售1162万台，占比54.0%；

目前来看：

线下渠道占比五成多，占比呈逐年减弱趋势；

线上平台占比四成多，并呈逐年上升趋势，有望超过线下渠道，未来的整体市场，会被各类线上、直播逐步挖墙脚；

咨询机构虽然有比较宽泛的渠道和信息来源，但数据也不一定完全准，但大趋势是对的！

（三）当前行业现状

历史：我国燃气灶起步于1980年，近几十年以来，国内外各种燃具进入市场；

市场整体需求在下降，原因可能是①其他炊具替代影响（**集成灶**）②人口增长放缓③房地产销量下滑

未来大趋势：燃气灶市场较为成熟，客户需求主要在①旧灶换新灶②家庭必备③小餐饮店需要

总体来看：头部的品牌，已占据大部分销量，并且头部效应会愈发明显，小品牌生存空间将进一步缩小；

整体销量图

近年来，2017年为顶峰，销量3186.8万台，零售额215.2亿元。2018年以来，逐年下降，至2020年销量2803.9万台，

零售额为188.4亿元；

近期数据，2022年，国内燃气灶零售量为2151万台，较上年下降15%。

销售额图

2022年，国内燃气灶零售额约为170亿元，与零售量一样有所下滑，但销售额下滑比例比数量少，证明平均单价有所上升；

二、线上情况分析

纸上得来终觉浅，咨询机构的数据可信又不能完全信，实际干一票看看情况：

搜了一下淘宝关键词：“燃气灶不锈钢单炉”的数据；

基于以下假设：

假设1：大品牌应该有自己的线上销售团队，如果线下销售靠前的牌子，线上不会太差；

假设2：线上销售额，占比约一半，可以代表整体的销售排名；

拟爬取淘宝和1688的销售数据：

2.1爬数据

大概长这样

基本处理：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from pyecharts.charts import Bar
from pyecharts.options import *
plt.rcParams['font.sans-serif'] = ['SimHei']

# 只将一些需要的列导入，重命名
path = "C:/Users/Administrator/Downloads/rqz.xlsx"
df = pd.read_excel(path,usecols=[0,3,4,5,6,7,8,9,10,11,12,13])
pd.set_option('display.max_columns',10)
df.columns = ['title','advan1','advan2','price1','advan3','price2','sales','city','province','shop_name','promo1','promo2']
# 先把完全重复的删掉
df = df.drop_duplicates(subset=['title','shop_name','sales','price1','price2'],keep='first')
# 查看缺失值
# import missingno as msgo
# msgo.bar(df)

同一个店铺，可能有多个商品被搜到，并且还有价格一样但标题不同的，还有同一个店完全一样的链接，被搜到多次，毕竟能爬100个页面，数据约3072条；知道这个很重要，因为在后面的数据处理和分析中，会被这东西坑！

advan--short for advantage ，每个商品可以放最多三个标签；
promo--promotion ,促销标签，最多可以有两个，略微复杂；

2.1.2处理价格、销量

# 抓的数据，整数和小数部分，是分开的
df['price'] = df['price1'] + df['price2']
df.drop(['price1','price2'],axis=1,inplace=True)

# 处理销售数量
def clean_sales(df):
    if '看过' in df.sales:
        return 0
    elif '万' in df.sales:
        return int(df.sales.split('万')[0]) * 10000
    elif '+' in df.sales:
        return int(df.sales.split('+')[0])
    else:
        return int(df.sales.split('人')[0])

df['sale_amount'] = df.apply(clean_sales,axis=1)
df.drop('sales',axis=1,inplace=True)

销量按照最少的来取，这些销量要看看规则，例如2万+人付款，200+人付款，很少的几十个以内的，会显示具体数字；还有极少部分多少人看过，选了两个点进去，发现销量都比较少，想着销量真不错，也不至于不写多少人买，直接写0算了；

2.2销量动态图

# 选择销量、销售额靠前的 逆序是为了横向柱状图从大到小显示
groups_1 = df.groupby('shop_name')['money'].sum().sort_values(ascending=True)[-30:]
groups_2= df.groupby('shop_name')['sale_amount'].sum().sort_values(ascending=True)[-30:]

from pyecharts.charts import Bar,Grid,Page
bar_1 = Bar()
bar_1.add_xaxis(list(groups_1.index))
bar_1.add_yaxis("销售额",list(groups_1.values))


bar_1.reversal_axis() # 翻转x和y轴
bar_1.set_global_opts(title_opts=opts.TitleOpts(title='销售额'),
                    xaxis_opts=opts.AxisOpts(name='店铺名称'),
                    yaxis_opts=opts.AxisOpts(name='抓取的销售额'),
                    datazoom_opts=[opts.DataZoomOpts(type_='inside',orient='horizontal',xaxis_index=0,pos_left='10%'),
                                   opts.DataZoomOpts(type_='inside',orient='vertical',xaxis_index=1,pos_right='10%'),
                                  ],
                    legend_opts=opts.LegendOpts(type_='plain',pos_left="30%")
                      
                    )
bar_1.set_series_opts(label_opts=opts.LabelOpts(position="right"), # 设置数值显示在右侧
                    markline_opts=opts.MarkLineOpts(
                        data=[
                        opts.MarkLineItem(type_='max', name='最大值'),
#                         opts.MarkLineItem(type_='min', name='最小值'),
                        opts.MarkLineItem(type_='average', name='平均值')
                            ],linestyle_opts=opts.LineStyleOpts(color='red',opacity=.5,width=2,type_='dashed')
                    )
                     )
# 设置第二个柱状图
bar_2 = Bar()
bar_2.add_xaxis(list(groups_2.index))
bar_2.add_yaxis("销量",groups_2.values.tolist())
bar_2.set_series_opts(label_opts=opts.LabelOpts(position="right"),
                     markline_opts=opts.MarkLineOpts(
                        data=[
                        opts.MarkLineItem(type_='max', name='最大值'),
                        opts.MarkLineItem(type_='average', name='平均值')
                            ],linestyle_opts=opts.LineStyleOpts(color='grey',width=2,type_='dashed'))
                    
                )
bar_2.set_global_opts(
                        title_opts=opts.TitleOpts(title='销量'),
                    xaxis_opts=opts.AxisOpts(name='店铺名称'),
                    yaxis_opts=opts.AxisOpts(name='抓取的销量'),

                    )  
bar_2.reversal_axis()
# # 显示图像
grid = Grid(init_opts=opts.InitOpts(width="1600px",height="1200px"))
grid.add(bar_1,grid_opts=opts.GridOpts(pos_bottom='49%'))
grid.add(bar_2,grid_opts=opts.GridOpts(pos_top='60%'))
grid.render_notebook()

2.3 竞争对手地域分析

competitor = group_place.set_index(['province','city'],inplace=False)
# 添加临时辅助列
temp=competitor.groupby(level=0)['shop_name'].sum()
hehe=pd.merge(left=competitor,right=temp,left_index=True,right_index=True,how='left')
hehe2 = hehe.sort_values(['shop_name_y','shop_name_x'],ascending=False)

col_1 = 100*(hehe2['sale_amount'].cumsum()/hehe2['sale_amount'].sum()).values
col_1 = [str(round(i,2))+'%' for i in col_1]

# 临时决定多加一列
col_3 = 100*(hehe2['sale_amount']/hehe2['sale_amount'].sum()).values
col_3= [str(round(i,2))+'%' for i in col_3]

col_2 = 100*(hehe2['shop_name_x']/hehe2['shop_name_x'].sum()).values
col_2= [str(round(i,2))+'%' for i in col_2]
hehe2.insert(loc=1,column='销量占总体比',value=col_3)
hehe2.insert(loc=2,column='销量累计占比',value=col_1)
hehe2.insert(loc=4,column='店铺数占总体比',value=col_2)
hehe2.drop(columns='shop_name_y',inplace=True)
hehe2.columns=['销量','销量占比','销量累计占比','店铺数量','店铺数占总体比']

2.4不同店铺分析

旗舰店（一般是一手厂家）、专卖店企业店（一级、二级授权店铺）、大型商超店（仅限苏宁易购、天猫超市、天天特卖工厂）、其他普通个人店（包含很多名字假装是直营店，实际只是忽悠人的个人店，也包含一些无法简单判定是否为二级授权的店铺，都归为杂牌店）的销量分析；后续发现，可能分的不够准，不同店铺的类型需要仔细查看规律，有个什么国货甄选旗舰店，好像也得划分到大型商超店里；

def map_shop(ss):
    if "苏宁易购" in ss:
        return 3
    if "旗舰店" in ss:
        return 1
    elif "专卖店" in ss or "企业店" in ss:
        return 2
    elif "天猫超市" in ss or "天天特卖工厂" in ss:
        return 3
    else:
        return 5
df['shop_type'] = df['shop_name'].apply(map_shop)

temp_2 = df.groupby('shop_type').agg({"sale_amount":sum,'money':sum,"shop_type":'count'})
pd.set_option('display.float_format', lambda x: '%.4f' % x)
new_names = ['旗舰店','专卖\企业店','苏宁天猫淘工厂','杂牌店']
temp_2.index = new_names

temp_2.sort_values(by='money',ascending=False,inplace=True)
# 销量占比
va1 = 100*(temp_2['sale_amount']/temp_2['sale_amount'].sum()).values
va1 = [str(round(i,2))+'%' for i in va1]
# 销售额占比
va2 = 100*(temp_2['money']/temp_2['money'].sum()).values
va2 = [str(round(i,2))+'%' for i in va2]
# 蓝海值计算
temp_2.insert(loc=1,column='销量占比',value=va1)
temp_2.insert(loc=3,column='销售额占比',value=va2)
temp_2['销量蓝海值'] = temp_2['sale_amount']/temp_2['shop_type']
temp_2['销售金额蓝海值'] = temp_2['money']/temp_2['shop_type']
temp_2