1. Faro

Nivel 3 · AOV y unidades por pedido

La solicitud

De Catherine Hale, Directora Ejecutiva

“Los ingresos crecieron cada año, pero alguien me dijo que los clientes gastan menos por pedido que antes. ¿Es cierto? Muéstrame pedidos, ventas, valor promedio del pedido y unidades por pedido de cada año.”

Tu objetivo

A partir de lines (construido en el código inicial: líneas válidas de pedidos contabilizados, con year y net), asigna a result un DataFrame con una fila por año, ordenado por año, y las columnas year, orders (order_id distintos), net_sales (suma de net), aov (net_sales / orders) y units_per_order (suma de quantity / orders). Redondea net_sales y aov a 2 decimales y units_per_order a 2.

  • Usa el DataFrame order_itemspendiente
  • Muestra exactamente year orders net_sales aov units_per_orderpendiente
  • 3 filas, ordenadas como se pidependiente

Tu código

Python

Cargando el editor…

    ResultadoVista previa de order_items · presiona Ejecutar para ver el tuyo
    Vista previa de order_items
    order_item_idorder_idproduct_idquantityunit_price
    11001121931.99
    21001154311.99
    31002154411.99
    410021941149.00

    Mote revisa tu resultado

    Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.

    DataFrames

    Cargados como DataFrames de pandas, junto con pd y np.

    order_items30,338 filas · 6 columnas
    • order_item_idinteger
    • order_idinteger
    • product_idinteger
    • quantityinteger
    • unit_pricedecimal
    • discount_pctdecimal
    Primeras 5 filas de order_items
    order_item_idorder_idproduct_idquantityunit_pricediscount_pct
    11001121931.990.00
    21001154311.990.00
    31002154411.990.00
    410021941149.000.00
    51002193219.990.00
    customers2,018 filas · 9 columnas
    • customer_idinteger
    • first_namevarchar
    • last_namevarchar
    • emailvarchar
    • cityvarchar
    • statevarchar
    • signup_datedate
    • segmentvarchar
    • referral_sourcevarchar
    Primeras 5 filas de customers
    customer_idfirst_namelast_nameemailcitystatesignup_datesegmentreferral_source
    1OwenHudsonowen.hudson@icloud.comSan FranciscoCA2022-06-02consumersearch
    2DouglasMendozadmendoza69@gmail.comAtlantaGA2022-06-02consumerNaN
    3HenryBrookshbrooks@lakesidecafe.comLos AngelesCA2022-06-04businessNaN
    4BrianGrahambgraham@bluecedarhomes.comSeattleWA2022-06-06businesspinterest
    5KyleJimenezkjimenez27@yahoo.comIndianapolisIN2022-06-07consumerNaN
    products120 filas · 8 columnas
    • product_idinteger
    • namevarchar
    • categoryvarchar
    • subcategoryvarchar
    • unit_pricedecimal
    • unit_costdecimal
    • launched_ondate
    • is_activeboolean
    Primeras 5 filas de products
    product_idnamecategorysubcategoryunit_priceunit_costlaunched_onis_active
    101Vale Velvet LoveseatFurnitureSofas1659.00NaN2023-09-11true
    102Alder Oak Coffee TableFurnitureTables919.00503.502024-05-16true
    103Orchard Rattan Dining ChairFurnitureChairs789.00429.872023-05-27true
    104Upland Oak BookcaseFurnitureStorage429.00214.702022-12-20true
    105Avery Leather Bed FrameFurnitureBeds449.00232.702021-08-31true
    orders12,000 filas · 7 columnas
    • order_idinteger
    • customer_idinteger
    • order_datetimestamp
    • statusvarchar
    • channelvarchar
    • shipping_feedecimal
    • coupon_codevarchar
    Primeras 5 filas de orders
    order_idcustomer_idorder_datestatuschannelshipping_feecoupon_code
    10011252023-01-01 20:51:19completedweb0.00NaN
    10021562023-01-02 07:58:46completedweb0.00NaN
    1003222023-01-02 10:25:27completedmarketplace4.99WELCOME10
    1004482023-01-02 11:21:51completedmarketplace4.99WELCOME10
    1005822023-01-02 11:43:36completedweb0.00WELCOME10
    returns1,673 filas · 5 columnas
    • return_idinteger
    • order_item_idinteger
    • returned_ondate
    • reasonvarchar
    • refund_amountdecimal
    Primeras 5 filas de returns
    return_idorder_item_idreturned_onreasonrefund_amount
    1142023-01-10damaged83.69
    2422023-01-10wrong_item19.99
    31052023-01-14wrong_item10.99
    4242023-01-16changed_mind26.99
    51262023-01-16late20.99
    employees60 filas · 8 columnas
    • employee_idinteger
    • first_namevarchar
    • last_namevarchar
    • departmentvarchar
    • titlevarchar
    • manager_idinteger
    • hire_datedate
    • salaryinteger
    Primeras 5 filas de employees
    employee_idfirst_namelast_namedepartmenttitlemanager_idhire_datesalary
    1CatherineHaleExecutiveChief Executive OfficerNaN2016-03-01285000
    2RobertKimExecutiveChief Operating Officer12017-01-09235000
    3MeganCollinsSalesHead of Sales12018-04-16172000
    4ChloeGutierrezSalesAccount Executive32020-01-2172000
    5FrankBellSalesAccount Executive32023-05-2173000
    web_sessions40,000 filas · 7 columnas
    • session_idinteger
    • customer_idinteger
    • started_attimestamp
    • devicevarchar
    • sourcevarchar
    • pages_viewedinteger
    • convertedboolean
    Primeras 5 filas de web_sessions
    session_idcustomer_idstarted_atdevicesourcepages_viewedconverted
    1NaN2023-01-01 23:02:24mobilepaid1false
    2182023-01-01 15:07:49desktoppaid1false
    3NaN2023-01-01 16:55:46desktopdirect7false
    4NaN2023-01-01 12:43:28mobileorganic3false
    5NaN2023-01-01 13:06:21mobilesocial2false
    marketing_spend3,276 filas · 3 columnas
    • spend_datedate
    • channelvarchar
    • amountdecimal
    Primeras 5 filas de marketing_spend
    spend_datechannelamount
    2023-01-01paid492.99
    2023-01-01email37.38
    2023-01-01social200.53
    2023-01-02paid709.13
    2023-01-02email64.13

    La lección

    Los ingresos son pedidos por AOV

    El valor promedio del pedido (AOV) son las ventas netas divididas entre el número de pedidos. Las unidades por pedido (UPO) son las unidades vendidas divididas entre los pedidos. Junto con los pedidos forman una pequeña identidad sobre la que descansa todo informe de e-commerce:

    net sales = orders × AOV
    AOV       = units per order × average price per unit

    Cuando los ingresos se mueven, esto te dice dónde mirar: más pedidos, carritos más grandes o artículos más caros.

    Contar pedidos, no líneas

    Los datos tienen una fila por línea de pedido, unas 2.5 líneas por pedido. Cualquier conteo sobre líneas cuenta líneas, así que los pedidos deben ser ids de pedido distintos:

    lines.groupby("year")["order_id"].nunique()   # 2,972 · 3,772 · 4,409
    lines.groupby("year").size()                  # line counts, two and a half times bigger

    Las unidades son una simple suma de quantity. Tanto el AOV como las UPO usan el mismo conteo de pedidos como denominador, así que ambos se calculan después del groupby, a partir de los totales.

    Qué dicen los números

    El panorama anual de Harbor & Pine:

    year  orders  net_sales     aov     units_per_order
    2023  2,972   1,649,804.36  555.12  5.20
    2024  3,772   2,046,520.24  542.56  5.03
    2025  4,409   2,362,232.24  535.78  4.98

    Las ventas netas crecieron 43 % en dos años mientras el AOV cayó 3.5 %. Todo el crecimiento vino del volumen de pedidos; los carritos se hicieron un poco más pequeños. Eso no es malo en sí, porque más clientes comprando es buena noticia. Pero un pronóstico que supone que el AOV se queda en los $555 de 2023 se pasa.

    El AOV es una media

    El AOV hereda todas las debilidades de la media (mira la ruta de Estadística): un puñado de pedidos de empresas por miles de dólares lo suben, y la mediana del pedido es aproximadamente la mitad. Usa el AOV para planear (se multiplica de vuelta en ingresos) y usa la mediana para “cuánto gasta un cliente típico”.

    Errores comunes

    • size() en lugar de nunique(). El AOV sale por línea, no por pedido.
    • Promediar valores de línea. lines["net"].mean() es la línea promedio, no el pedido promedio.
    • Conjuntos de pedidos distintos. Dividir las ventas netas de pedidos contabilizados entre todos los pedidos realizados mezcla dos definiciones y subestima el AOV.

    Nota de entrevista

    “Los ingresos subieron 15 % pero el AOV bajó. ¿Qué pasó?” Responde con la identidad: los pedidos tienen que haber crecido más que 15 %. Luego pregunta qué clientes generaron los pedidos extra.

    Elige qué puede ejecutarse en este sitio. Puedes cambiarlo cuando quieras desde "Configurar cookies", al pie de cada página.