使用 Python 编程语言进行供应链分析

前言

要分析一家公司的供应链，我们需要供应链不同阶段的数据，如有关采购、制造、运输、库存管理、销售和客户人口统计的数据。我为这项任务找到了一个理想的数据集，其中包括一家时尚和美容初创公司的供应链数据。

1. 相关数据集

让我们导入必要的 Python 库，开始执行供应链分析任务

python">import pandas as pd
import plotly.express as px
import plotly.io as pio
import plotly.graph_objects as go
pio.templates.default = "plotly_white"data = pd.read_csv("supply_chain_data.csv")
print(data.head())

python">  Product type   SKU      Price  Availability  Number of products sold  \
0     haircare  SKU0  69.808006            55                      802   
1     skincare  SKU1  14.843523            95                      736   
2     haircare  SKU2  11.319683            34                        8   
3     skincare  SKU3  61.163343            68                       83   
4     skincare  SKU4   4.805496            26                      871   Revenue generated Customer demographics  Stock levels  Lead times  \
0        8661.996792            Non-binary            58           7   
1        7460.900065                Female            53          30   
2        9577.749626               Unknown             1          10   
3        7766.836426            Non-binary            23          13   
4        2686.505152            Non-binary             5           3   Order quantities  ...  Location Lead time  Production volumes  \
0                96  ...    Mumbai        29                 215   
1                37  ...    Mumbai        23                 517   
2                88  ...    Mumbai        12                 971   
3                59  ...   Kolkata        24                 937   
4                56  ...     Delhi         5                 414   Manufacturing lead time Manufacturing costs  Inspection results  \
0                      29           46.279879             Pending   
1                      30           33.616769             Pending   
2                      27           30.688019             Pending   
3                      18           35.624741                Fail   
4                       3           92.065161                Fail   Defect rates  Transportation modes   Routes       Costs  
0      0.226410                  Road  Route B  187.752075  
1      4.854068                  Road  Route B  503.065579  
2      4.580593                   Air  Route C  141.920282  
3      4.746649                  Rail  Route A  254.776159  
4      3.145580                   Air  Route A  923.440632  [5 rows x 24 columns]

让我们来看看数据集的描述性统计：

python">print(data.describe())

python">            Price  Availability  Number of products sold  Revenue generated  \
count  100.000000    100.000000               100.000000         100.000000   
mean    49.462461     48.400000               460.990000        5776.048187   
std     31.168193     30.743317               303.780074        2732.841744   
min      1.699976      1.000000                 8.000000        1061.618523   
25%     19.597823     22.750000               184.250000        2812.847151   
50%     51.239831     43.500000               392.500000        6006.352023   
75%     77.198228     75.000000               704.250000        8253.976921   
max     99.171329    100.000000               996.000000        9866.465458   Stock levels  Lead times  Order quantities  Shipping times  \
count    100.000000  100.000000        100.000000      100.000000   
mean      47.770000   15.960000         49.220000        5.750000   
std       31.369372    8.785801         26.784429        2.724283   
min        0.000000    1.000000          1.000000        1.000000   
25%       16.750000    8.000000         26.000000        3.750000   
50%       47.500000   17.000000         52.000000        6.000000   
75%       73.000000   24.000000         71.250000        8.000000   
max      100.000000   30.000000         96.000000       10.000000   Shipping costs   Lead time  Production volumes  \
count      100.000000  100.000000          100.000000   
mean         5.548149   17.080000          567.840000   
std          2.651376    8.846251          263.046861   
min          1.013487    1.000000          104.000000   
25%          3.540248   10.000000          352.000000   
50%          5.320534   18.000000          568.500000   
75%          7.601695   25.000000          797.000000   
max          9.929816   30.000000          985.000000   Manufacturing lead time  Manufacturing costs  Defect rates       Costs  
count                100.00000           100.000000    100.000000  100.000000  
mean                  14.77000            47.266693      2.277158  529.245782  
std                    8.91243            28.982841      1.461366  258.301696  
min                    1.00000             1.085069      0.018608  103.916248  
25%                    7.00000            22.983299      1.009650  318.778455  
50%                   14.00000            45.905622      2.141863  520.430444  
75%                   23.00000            68.621026      3.563995  763.078231  
max                   30.00000            99.466109      4.939255  997.413450

2. 探索性分析

现在，让我们开始分析供应链，看看产品价格与产品收益之间的关系：

python">fig = px.scatter(data, x='Price', y='Revenue generated', color='Product type', hover_data=['Number of products sold'], trendline="ols")
fig.show()

请添加图片描述
因此，公司从护肤品中获得了更多收入，护肤品价格越高，收入越多。现在让我们来看看按产品类型划分的销售额：

python">sales_data = data.groupby('Product type')['Number of products sold'].sum().reset_index()pie_chart = px.pie(sales_data, values='Number of products sold', names='Product type', title='Sales by Product Type', hover_data=['Number of products sold'],hole=0.5,color_discrete_sequence=px.colors.qualitative.Pastel)pie_chart.update_traces(textposition='inside', textinfo='percent+label')
pie_chart.show()

请添加图片描述
因此，45% 的业务来自护肤产品，29.5% 来自护发产品，25.5% 来自化妆品。现在我们来看看运输公司的总收入：

python">total_revenue = data.groupby('Shipping carriers')['Revenue generated'].sum().reset_index()
fig = go.Figure()
fig.add_trace(go.Bar(x=total_revenue['Shipping carriers'], y=total_revenue['Revenue generated']))
fig.update_layout(title='Total Revenue by Shipping Carrier', xaxis_title='Shipping Carrier', yaxis_title='Revenue Generated')
fig.show()

请添加图片描述
因此，该公司使用三家运输公司进行运输，而 B 运输公司帮助公司创造了更多收入。现在我们来看看公司所有产品的平均交付周期和平均制造成本：

python">avg_lead_time = data.groupby('Product type')['Lead time'].mean().reset_index()
avg_manufacturing_costs = data.groupby('Product type')['Manufacturing costs'].mean().reset_index()
result = pd.merge(avg_lead_time, avg_manufacturing_costs, on='Product type')
result.rename(columns={'Lead time': 'Average Lead Time', 'Manufacturing costs': 'Average Manufacturing Costs'}, inplace=True)
print(result)

python">  Product type  Average Lead Time  Average Manufacturing Costs
0    cosmetics          13.538462                    43.052740
1     haircare          18.705882                    48.457993
2     skincare          18.000000                    48.993157

3. 分析 SKU

数据集中有一列 SKUs。你一定是第一次听说。所以，SKU 是库存单位（Stock Keeping Units）的缩写。它们就像特殊的代码，可以帮助公司追踪所有不同的销售商品。想象一下，你有一家大型玩具店，里面有很多玩具。每个玩具都不一样，都有自己的名称和价格，但当你想知道还剩多少时，你需要一种方法来识别它们。因此，你要给每个玩具一个唯一的代码，就像一个只有店里人才知道的秘密编号。数据集中有一列称为 SKU。你一定是第一次听说这个词。所以，SKU 是库存单位（Stock Keeping Units）的缩写。它们就像特殊的代码，可以帮助公司跟踪所有不同的待售商品。想象一下，你有一家大型玩具店，里面有很多玩具。每个玩具都不一样，都有自己的名称和价格，但当你想知道还剩多少时，你需要一种方法来识别它们。因此，你要给每个玩具一个唯一的代码，就像一个只有店里人才知道的秘密编号。这个秘密编号叫做 SKU。

python">revenue_chart = px.line(data, x='SKU', y='Revenue generated', title='Revenue Generated by SKU')
revenue_chart.show()

请添加图片描述
数据集中还有一列是库存水平。库存水平指的是商店或企业库存产品的数量。现在我们来看看每个 SKU 的库存量：

python">stock_chart = px.line(data, x='SKU', y='Stock levels', title='Stock Levels by SKU')
stock_chart.show()

请添加图片描述
现在我们来看看每个 SKU 的订单数量：

python">order_quantity_chart = px.bar(data, x='SKU', y='Order quantities', title='Order Quantity by SKU')
order_quantity_chart.show()

请添加图片描述

4. 成本分析

现在我们来分析一下承运商的运费：

python">shipping_cost_chart = px.bar(data, x='Shipping carriers', y='Shipping costs', title='Shipping Costs by Carrier')
shipping_cost_chart.show()

请添加图片描述
在上述可视化图表中，我们发现运营商 B 帮助公司获得了更多收入。同时，它也是三家承运商中成本最高的一家。现在我们来看看按运输方式划分的成本分布：

python">transportation_chart = px.pie(data, values='Costs', names='Transportation modes', title='Cost Distribution by Transportation Mode',hole=0.5,color_discrete_sequence=px.colors.qualitative.Pastel)
transportation_chart.show()

请添加图片描述
因此，公司在公路和铁路运输模式上的货物运输费用较高。

5. 分析缺陷率

供应链中的次品率是指在发货后发现有问题或破损的产品所占的百分比。让我们来看看所有类型产品的平均缺陷率：

python">defect_rates_by_product = data.groupby('Product type')['Defect rates'].mean().reset_index()fig = px.bar(defect_rates_by_product, x='Product type', y='Defect rates',title='Average Defect Rates by Product Type')
fig.show()

请添加图片描述
因此，护发产品的缺陷率较高。现在我们来看看按运输方式划分的不良率：

python">pivot_table = pd.pivot_table(data, values='Defect rates', index=['Transportation modes'], aggfunc='mean')transportation_chart = px.pie(values=pivot_table["Defect rates"], names=pivot_table.index, title='Defect Rates by Transportation Mode',hole=0.5,color_discrete_sequence=px.colors.qualitative.Pastel)
transportation_chart.show()