Phân tích dữ liệu Đề tài phân tích dữ liệu doanh thu bán hàng của thương hiệu adidas ở us

Dé tài: Phân tích dữ liệu doanh thu bán hàng của thương hiệu Adidas ở US LỜI MỞ ĐẦU Trong bối cảnh nền kinh tế toàn cầu ngày càng phát triển, ngảnh công nghiệp thời trang và thê thao

Trang 1

DAI HQC CONG NGHE THONG TIN VA TRUYEN THONG VIET-HAN

KHOA KHOA HOC MAY TINH

-[ -

VK

PHAN TICH DU LIEU

DE TAI: PHAN TICH DU LIEU DOANH THU

BAN HANG CUA THUONG HIEU

ADIDAS O US

SVTH : Nguyễn Đức Hảo 21AD020

Nguyễn Văn Đại 21AD010

Trang 2

DAI HQC CONG NGHE THONG TIN VA TRUYEN THONG VIET-HAN

KHOA KHOA HOC MAY TINH

-[ -

PHAN TICH DU LIEU

DE TAI: PHAN TICH DU LIEU DOANH THU

BAN HANG CUA THUONG HIEU

ADIDAS O US

SVTH : Nguyễn Đức Hảo 21AD020

Nguyễn Văn Đại 21AD010

Da Nang, thang 11 năm 2024

Trang 3

Dé tài: Phân tích dữ liệu doanh thu bán hàng của thương hiệu Adidas ở US

LỜI MỞ ĐẦU

Trong bối cảnh nền kinh tế toàn cầu ngày càng phát triển, ngảnh công nghiệp thời

trang và thê thao nổi bật như một lĩnh vực sôi động, đầy cạnh tranh Trong số những

thương hiệu hàng đầu, Adidas không chỉ là biểu tượng của chất lượng và sáng tạo mà

còn là minh chứng cho khả năng thích nghi và phát triển bền vững Với hơn 70 năm

lịch sử, Adidas đã khẳng định vị thế của mình trên thị trường toàn cầu, trở thành

người bạn đồng hành của hàng triệu người yêu thế thao va thời trang

Phân tích đữ liệu doanh thu bán hàng của thương hiệu Adidas không chỉ nhằm

đánh giá hiệu quả kinh doanh mà còn mở ra cơ hội để tìm hiểu sâu hơn về các chiến

lược kinh doanh, xu hướng tiêu dùng và các yếu tổ góp phần vảo sự thành công của

thương hiệu Thông qua việc phân tích đữ liệu thực tế, báo cáo nảy sẽ mang lại cái

nhìn toàn điện về doanh thu của Adidas, từ đó đề xuất các giải pháp chiến lược giúp

thương hiệu tiếp tục phát triển trong tương lai

Hy vọng răng báo cáo sẽ không chỉ đáp ứng yêu cầu học thuật mà còn cung cấp

thông tin giá trị cho việc nghiên cứu và áp dụng trong thực tiễn Đây là sự kết hợp

giữa kiến thức lý thuyết và kỹ năng phân tích đữ liệu thực tế, góp phần làm rõ hơn bức

tranh kinh đoanh của một trong những thương hiệu lớn nhất thế giới

Trang 4

Lời đầu tiên, nhóm em xin được bày tỏ lòng biết ơn sâu sắc đến

Ban giám hiệu Trường Đại học Công nghệ thông tin và Truyền thông Việt- Hàn đã thêm học phần Phân tích dữ liệu vào khung chương trình học, điều này đã giúp em làm quen với việc làm những bài nghiên cứu Từ những ngày bắt đầu làm báo cáo em vẫn còn khá

nhiều sai sót thế nhưng nhờ học phần này làm em vững vàng và hiểu rõ để hoàn thành công việc một cách chỉnh chu

Đặc biệt, chúng em xin bày tỏ lòng biết ơn chân thành và sâu

sắc đến giảng viên TS Mguyễn Thanh đã giúp đỡ, hướng dẫn nhóm em hoàn thành bài báo cáo này Đồng thời, trong suốt quá

trình giảng dạy thầy luôn tận tình và tâm huyết đưa đến những kiến

thức bổ ích, luôn nhận xét và góp ý một cách thẳng thắng để nhóm

em có thể hoàn thành bài báo cáo này một cách chỉnh chu nhất

Nhân dịp này nhóm em cũng chân thành cảm ơn những bạn bè

đã đồng hành cùng nhóm em để hoàn thành báo cáo, những bạn học chân thành đã cho nhóm em những lời khuyên và nhận xét bổ ích

Chúng em xin chân thành cảm ơn!

Trang 5

1.2 Tổng quan về các kiểu dữ liệu -.-.«-«n cm nn vn 2

CHƯƠNG 2: TIỀN XỬ LÝ DỮ LIỆU -. << css sms sẽ nnsx 6

2.2 Khám phá dữ lIỆU - - - - -. - cm mm mm ni n mm 7 2.3 Dữ liệu sau quá trình xử lý -.-.-.-.-.- «căn mm nn mm mm mm 20

3.3 Hiệu quả của phương pháp bán hàng - - « - -«-«- 23 3.4 Tối ưu hóa danh mục sản phẩm cu nu nnn cnn 25 3.5 Phân tích chuỗi thời gian -.- - cà cm S nn n n nn 26

CHƯƠNG 4: IXÂY DỰNG MÔ HÌNH DỰ BÁO - -. - 29

Trang 6

4.2 Chuẩn bị dữ liệu cho mô hình hồi quy - -. «<< «<< = 32 4.3 Xây dựng mô hình hồi quy và Cây quyết định -.- - 33

TÀI LIỆU THAM KHẢO cm ng ng ng vn 37

DANH MỤC HÌNH ẢNH

Hinh 2: Missing value —.- 6

Hình 5: Kết quả sau khi xử lý đữ liệu - S5 E2 2211211112112 21 te 7

Hinh 11: Biểu đỗ số lượng sản phẩm bán được theo mùa năm 20-21 2-5: 9

Hinh 13: Số lượng sản phâm bán ra theo Mùa trong 2 năm 2020 vả 2021 10

Hình 18: Tổng doanh thu và lợi nhuận theo 20 tiêu bang đứng đầu - 14

Hinh 20: Biểu đỗ top 20 thành phô có số lượng bán hàng cao nhất - 2 22 sẻ 15

Hinh 24: Biểu đỗ top sản phẩm bản chạy nhất theo mùa 2 52222 +2222Z2 2222 16

Hình 33: Doanh thu và lợi nhuận theo từng năm của các phương pháp bán hàng 20

Trang 7

Hinh 36: Nhà bán lẻ hoạt động kém nhất của các thành phó © 2 2szzszzs2 22

Hình 38: Biểu đỗ Choropleth 1 5- + 21 2211215112111 11211211111 211212 211 re 23

Hình 39: Biểu đỗ tông doanh số theo tiêu bang, sản phẩm và phương pháp bán hàng 24

Hình 41: Xác định sản phẩm nào có lợi nhuận cao nhất, phân khúc theo địa điểm 25

in 38:79 9 2757 7 AaaAa 31

Hình 48: Dữ liệu ban đầu ::- 222 2222122221222 re 32

Trang 8

Để tài: Phân tich die liéu doanh thu ban hang cua thuong hiéu Adidas 6 US

CHUONG 1: TONG QUAN VE DE TAI

1.1 Lý do chọn đề tài

Ngành công nghiệp thời trang thể thao đang chứng kiến sự cạnh tranh gay gắt giữa các thương hiệu lớn như Adidas, Nike, Puma, va Under Armour Trong đó, thị trường Hoa Kỳ đóng vai trò then chốt không chỉ bởi đây là thị trường tiêu thụ lớn nhất thế giới, mà còn bởi sự phát triển mạnh mẽ của các xu hướng tiêu dùng, sự đa dạng trong phân khúc khách hàng và ảnh hưởng của văn hóa thê thao tại khu vực này

Adidas, với chiến lược kinh doanh linh hoạt và danh tiếng toàn cầu, đã có những bước tiễn mạnh mẽ tại Hoa Kỳ trong thập ký qua Tuy nhiên, để duy trì vị thế và tăng trưởng trong một thị trường, đây thách thức, việc hiểu rõ các yếu tổ tác động đến doanh thu là điều vô củng cần thiết Chính vì vậy, việc lựa chọn đề tài phân tích doanh thu bán hàng của Adidas tại thị tường Hoa Kỳ mang ý nghĩa quan trọng cả về học thuật lẫn thực tiễn

Thứ nhất, phân tích đữ liệu doanh thu của Adidas tại Hoa Kỷ sẽ giúp làm sáng tỏ các yếu tô ảnh hưởng đến hiệu quả kinh đoanh của thương hiệu, bao gồm xu hướng tiêu dùng, hiệu quả chiến lược marketine, và sự cạnh tranh trên thị trường

Thứ hai, thị trường Hoa Kỷ đại diện cho một trong những thị trường cạnh tranh khốc liệt nhất thế giới, nơi mà các thương hiệu phải không ngừng đổi mới dé giữ vững chỗ đứng Việc nghiên cứu thị trường nảy sẽ cung cấp góc nhìn sâu sắc về cách Adidas thích nghi với những thay đổi và tận dụng cơ hội để tăng trưởng

Thứ ba, dé tài này phù hợp với xu hướng phát triển của phân tích dữ liệu trong kinh doanh hiện nay Việc ứng dụng các phương pháp phân tích dữ liệu không chỉ hỗ trợ đánh øiá hiệu quả hiện tại mà còn giúp dự đoán các xu hướng trong tương lai, từ đó đưa ra các chiến lược phù hợp

Cuối củng, với cá nhân người thực hiện, đây là cơ hội để áp dụng các kiến thức về phân tích dữ liệu, quản lý doanh nghiệp và kinh tế học vào thực tế, đồng thời đóng góp một góc nhìn hữu ích cho việc nghiên cứu và phát triển chiến lược của Adidas tại thị trường trọng điểm này

Vì những lý do trên, việc chọn đề tài “Phân tích doanh thu bán hàng của thương hiệu Adidas ở US” không chi mang tính thời sự mà còn mang lại g1á trị nphiên cứu va ứng dụng thực tiễn cao

Trang 9

1.2 Tổng quan về các kiểu dữ liệu

Dữ liệu là tập hợp thông tin được thu thập bằng quan sát, đo lường, nghiên cứu hoặc phân tích Chúng có thê bao pgôm các sự kiện, con số, tên, sô liệu hoặc thậm chí

mô tả sự vật

Phin loai dit ligu

o Dé liéu c6é cau trúc: Chính xác, dữ liệu có câu trúc được tô chức thành các bảng, với các hàng và cột có kiểu định dạng rõ ràng Đây là dạng đữ liệu phổ biến trong cơ sở dữ liệu quan hệ (SQL) hoặc cac bang tinh nhu Excel Các dữ liệu như Ngày sinh, Tổng tiền, hoặc Điểm số đều có thê thuộc loại này

Dữ liệu không có cấu trúc: Đúng như bạn đã nói, đây là dữ liệu không có tổ chức rõ ràng Các ví dụ bạn đưa ra rất phủ hợp (tài liệu văn bản tự do, hình ảnh, video, bài viết trên mạng xã hội, v.v.) Dữ liệu không có cấu trúc này rất khó để phân tích trực tiếp mà cần qua các bước tiền xử lý hoặc sử dụng các kỹ thuật học máy

Dữ liệu bán cấu trúc: Bạn có thể bỗ sung thêm về một loại dữ liệu nảy, vì nó nam gitra dir ligu có cấu trúc và không có cầu trúc Các đữ liệu như JSON, XML, hoặc NoSQL, đều thuộc loại này Dữ liệu bán cầu trúc có các thành phần tô chức nhưng không chặt chẽ như dữ liệu có cầu trúc

Kiêu dữ liệu

©_ Nominal data (Dữ liệu danh nghĩa): Các vi dụ bạn đưa ra rất chính xác Dữ liệu này chỉ phân loại các đối tượng mả không có thứ tự, ví dụ như màu sắc, giới tính, quốc tịch, v.v

Ordinal data (Dữ liệu thứ tự): Bạn đã giải thích đúng rằng đữ liệu thứ tự có thể được xếp hạng theo một thứ tự nhất định Ví dụ về mức độ hài lòng hoặc đánh giá sản phâm (1 sao đến 5 sao) là rất phù hợp Tuy nhiên, cần lưu ý là mặc dù có thứ tự, nhưng khoảng cách giữa các giá trị (ví dụ từ 1 sao đến 2 sao) không nhất thiết phải bằng nhau

Discrete data (Dữ liệu rời rạc): Cũng chính xác, dữ liệu này là những 214 tri riêng biệt, không thê chia nhỏ Các ví dụ về số lượng học sinh, số lượng bản thắng trong một trận đấu là rất phù hợp

Trang 10

nao trong mét khoang, và nó có thể chia nhỏ vô hạn Các ví dụ về chiều cao, cân nặng, nhiệt độ, và thời gian rất chính xác

o Numerical data (Dữ liệu SỐ): Đây là loại dữ liệu có thể tính toán các phép toán như cộng, trừ, nhân, chia Bao gồm cả dữ liệu rời rạc và liên tục Ví dụ, điểm số hoặc tuổi tác của thí sinh là đữ liệu số

loại như giới tính, quốc tịch, hoặc loại hình siáo dục Dữ liệu phân loại có thể là đữ liệu danh nghĩa (không có thứ tự) hoặc dữ liệu thử tự (có thứ tự, ví

dụ như cấp độ giáo dục)

©_ Boolean data (Dữ liệu nhị phân): Loại dữ liệu này chỉ có hai giá trị, thường

là "true" (đúng) hoặc "false" (saI), "yes" hoặc "no", v.v

chứa các mô tả hoặc tên, có thể là không gian không giới hạn như các mô tả trong bài báo, tài liệu, hoac email

1.3 Tổng quan về Dataset

1.3.1 Giới thiệu Dafasef

Tập dữ liệu: Đây là một tập dữ liệu chứa thông tin chỉ tiết về các giao dịch bán hàng của thương hiệu Adidas tại Hoa Kỳ Mỗi giao

dịch được mô tả qua nhiều đặc trưng, bao gồm tên nhà bán lẻ, khu

vực địa lý, ngày xuất hóa đơn, loại sản phẩm, giá bán, số lượng bán ra, tổng doanh thu và lợi nhuận vận hành Ngoài ra, tập dữ liệu còn cung cấp thông tin về phương thức bán hàng (trực tuyến hoặc

tại cửa hàng), giúp làm sáng tỏ cách thức kinh doanh và các yếu tố

ảnh hưởng đến hiệu quả hoạt động Tập dữ liệu này không chỉ mang lại cái nhìn toàn diện về hiệu suất kinh doanh của Adidas mà còn tạo điều kiện để phân tích xu hướng, tối ưu hóa chiến lược kinh doanh, và đưa ra các dự đoán quan trọng trong lĩnh vực bán lẻ Dataset duoc su dung trong dự án:

Trang 11

1185732 20 Northeast New York New York $48.00 420 2016 $1,129 Oulet

1185732 New York New York $39.00 408 1,591 $875 Oullet Walmart 1185732 Now York New York $46.00 403 1,854 $1,038 Oulet West Gear 1185732 Utah Salt Labo City Women’s Street Foot $20.00 400 8,000 $2,800 In-store West Gear 1185732 Utah Salt Late City Women's Athletic Fo $20.00 400 8,000 $3,200 In-tore

1.3.2 M6 ta cdc bién trong Dataset

Cac feature trong DataFrame: 'Retailer', 'Retailer ID', 'Invoice Date', ‘Region’, 'State’, 'City', ‘Product’, 'Price per Unit', ‘Units Sold’,

‘Total Sales', ‘Operating Profit', ‘Sales Method’

M6 ta cac feature trong data

> Retailer: Tên của nhà bán lẻ hoặc cửa hàng phân phối sản phẩm

> RetailermID: Mã định danh duy nhất cho mỗi nhà bán lẻ

> InvoicemDate: Ngày hóa đơn được phát hành Thường định dạng là (dd/mm/yyyy)

> Region: Khu vực địa lý hoặc vùng mà nhà bán lẻ, khách hàng của họ thuộc về

> State: Bang hoặc tỉnh (Áp dụng cho các quốc gia có phân chia theo bang hoặc tỉnh.)

> City: Thành phố nơi nhà bán lẻ hoặc khách hàng hoạt động

> Product: Tên sản phẩm được bán

Trang 12

> Pricemper Unit: Giá của một đơn vị sản phẩm

> Units Sold: Số lượng đơn vị sản phẩm đã bán ra

> Total Sales: Tổng doanh thu từ các sản phẩm đã bán (thường

được tính bằngmPrice per UnitmxmUnits Sold)

> Operating Profit: Lợi nhuận hoạt động, tức là lợi nhuận thu được sau khi trừ các chi phí hoạt động nhưng chưa tính thuế và lãi vay Đây là một chỉ số quan trọng về hiệu quả hoạt động kinh doanh

> Sales Method: Phương pháp bán hàng được sử dụng, ví dụ như bán hàng trực tuyến, bán hàng trực tiếp tại cửa hàng, qua điện thoại, hoặc qua các đại lý phân phối

Trang 13

CHƯƠNG 2: TIEN XU LY DU LIEU

2.1 Kiém tra missing values

- Ta thấy cột Price per Unit (giá của một đơn vị sản phẩm) có 2 gia tri null

print("RAa sodt null: ") df.isnull()-sumc)

Ra soat null:

Retailer Retailer 1D Invoice Date Region State

city

Product Price per Unit Units Sold Total Sales Operating Profit

Hinh 2: Missing value

Unit

Trang 14

# XGa cac hang chia gia tri NaN

df = df.dropna(axis=0)

# Kiểm tra lại xem còn giá tri NaN không print(df.isna().sum())

Retailer Retailer ID Invoice Date Region

Sau khi xoá hàng chứa giá trị null thì tập dữ liệu đ

missing values nữa

return price # Return as is if

k if the price is a string

# Xóa $ trong cét '0 ng Profit', ‘Price per Unit' df['0perating Profit'] df[

đf['Price per Unit'] = df['Price per Unit' ].appLy(removeDoLLarSign) df['TotaL SaLes'] = df['TotaL SaLes' ].appLy(removeDotLarSign) # Hảm removeDoL1arSigr

tạng ở tr

# Thau thế dấu phẩu bằng chuỗi trống ""

df['0perating Profit'] = df['0perating Profit'].appLy(repLace_comna) # Hàn nepLace comna tạo ở df['Total Sales'] = df['Total Sales'].apply(replace_comma) # Ham nemoveDoLLarSign tạo ở trên

u object của các thuộc tính sổ sang kiểu dữ Liệu số

# Chuuến kiểu dữ L df['Units Sold'] = pd.to_numeric(df['Units Sold'], errors = 'coerce', downcast = ‘integer')

Operating Profit'].apply(removeDollarSign) # Ham removeDollarSign tao ở trõi

= pd.to_numeric(df['Price per Unit'], errors = ‘coerce’, downcast = ‘float') df['0perating Profit'] = pd.to_numeric(df[' Operating Profit'], errors = ‘coerce’, downcast = 'fLoat')

Hình 4: Loại bỏ ký tự $

Price per Unit Units Sold Total Sales Operating Profit Sales Method

Retailer Retailer |D invoice Date Region = State City Product

Ơ Walmat 1128293 6 21 Southeast Florida Orlando WomensApparei 1030 2180 22450 12570 Cnline

1 West Gear 1128299 7/16/2021 South Lousiane New Orleans Women’s Apparci 1030 1630 16790 8060 Online

2 Sports Direct 1197831 8/25/2021 South Alabama = Birmingham Men's Street Footwear 10.0 700.0 7000.0 31500 Outlet

3 Sports Direct 1197831 South Alabama Birmingham Women's Street Footwear 150 5750 86250 33810 Outlet

150 475.0 71250 32060

4 Sports Direct 1197831 South Alabama Birmingham Women's Street Footwear

9636 Amazon 1185732 11/18/2021 Northeast Maine Portland Men's Apparel 65.0 150.0 97500 Outlet

9637 Amazon 1185732 West Alaska Anchorege Women's Athletic Footwear 65.0 150.0 97500 Outlet

9638 Amazon 1185732 West Alaska Anchorage Men's Apparel 75.0 150.0 112500 28130 Outlet

9639 West Gear 1185732 Midwest Indiana indianapolis Men’s Apparel 650 1500 $7500 29250 In-store

9640 Sports Direct 1185732 Northeast Connecticut Hartford Men's Apparel 650 1500 97500 29250 In-store

Hinh 5: Két quả sau khi xử lý dữ liệu

Trang 15

2.2 Kham pha du liéu

2.2.1 Retailer (Nha ban lẻ)

"8/26/2020", *9/1/2020", "1/31/2020', '2/6/2020', '3/17/2020',

"4/18/2020", °3/15/2020', '3/17/2021', ‘'6/18/2021', '10/18/20e21", 11/18/2021", '5/12/2021', '9/12/2021', '3/19/2021', '9/19/2021'],

dtype=object)

Hinh 8:50 unique values c6t ‘Invoice Date’

- Tao cét mdi: Day, Month, Year, Season

- Xoa cét: Invoice Date, Retailer ID

Trang 16

# chuyén déi object sang datetime df['Invoice Date'] = pd.to_datetime(df['Invoice Date'])

# tạo cột Dau từ cột Tnvoice Date

df['Day'] = df['Invoice Date'].dt.day

# tạo cột Month từ cột Invoice Date df['Month'] = df['TInvoice Date' ] dt.month

# tạo cột Year từ cột Tnvoice Date

df['Year'] = df['Invoice Date'].dt.year

# tạo cột mùa def find_seasons(monthNumber) :

if monthNumber in [12, 1, 2]:

return ‘Winter' elif monthNumber in [3, 4, 5]:

return ‘Spring' elif monthNumber in [6, 7, 8]:

return ‘Summer' elif monthNumber in [9, 10, 11]:

return ‘Autumn'

df['Season'] = df['Month'].apply(find_seasons)

# chuuển đổi kiểu dữ Liệu sang categoru df["Day"] = df['Day'].astype('category') df['Year'] = df['Year'].astype('category') THình 9: Xử lÿ đữ liêu cột 'Tnvoice Date `

- Dữ liệu sau khi xử lý

Retailer Region State City Product Price per Unit Units Sold Total Sales Operating Profit Sales Method Correct total profit percentage Day Month Year Season

6759 Walmart South Texas Houston Women's Street Footwear 50.0 825.0 41250.0 1443750 Outlet True 350 22 19 2020 Autumn

6125 Foot Locker Michwest Illinois Chicago Men's Athletic Footwear 46.0 440 21120 105.60 Online False 50 19 6 2021 Summer

2759 Sports Direct West Hawaii Honolulu Women’s Athletic Footwear 73.0 145.0 10585.0 31755 Online False 30 9 12 2021 Winter

1351 Sports Direct South Tennessee Knoxville © Women’s Athletic Footwear 29.0 198.0 37420 34452 Outlet False 60 12 4 2021 Spring

7225 Kohl's West California Los Angeles Women's Street Footwear 45.0 650.0 292500 1170000 Outlet Trục 400 z1 3 2021 Spring

Hình 10: Dữ liệu sau khí xử by tte c6t ‘Invoice Date’

- Biểu đồ số lượng sản phẩm bán được theo mùa trong từng năm 2020-2021

Trang 17

Tình 11:Biêu đồ số lượng sản phẩm bán được theo mùa năm 20-21

Biểu đồ này cho thấy sự khác biệt đáng kể về số lượng sản phẩm bán ra giữa năm 2020 và 2021, với một sự phục hồi rõ rệt

trong năm 2021 Đồng thời, nó làm nổi bật vai trò của các mùa

trong việc định hình xu hướng kinh doanh hoặc nhụ cầu khách hàng

Do ảnh hưởng từ đại dịch COVID-19, hoạt động kinh doanh

bị ảnh hưởng, dẫn đến số lượng sản phẩm bán ra thấp

s%% Sự khác biệt giữa các mùa cho thấy có thể chỉ một số mùa

cụ thể có sức mua hoặc nhu cầu cao hơn

s% Hoạt động kinh doanh phục hồi, số lượng sản phẩm bán

được tăng mạnh và ổn định giữa các mùa

s% Điều này có thể phản ánh sự thích nghi của doanh nghiệp hoặc sự cải thiện trong nhu cầu tiêu dùng

(theo tháng và theo mùa của từng năm 2020 và 2021)

Trang 18

Hình 13: Số lượng sản phẩm bán ra theo Mùa trong 2 năm 2020 và 2021

Xu hướng chung: Cả doanh thu và lợi nhuận đều cho thấy sự

tăng trưởng trong năm 2021 so với năm 2020, đặc biệt là trong các mùa chính

Thời điểm quan trọng: Mùa thu là thời điểm có doanh thu và

lợi nhuận cao nhất, cho thấy sự quan trọng của việc tối ưu hóa chiến lược bán hàng trong mùa này

Khuyến nghị: Doanh nghiệp nên tập trung vào các chiến dịch tiếp thị mạnh mẽ trong các mùa có doanh thu thấp hơn,

Trang 19

đồng thời duy trì và phát huy các chiến lược đã thành công trong các mùa cao điểm

2.2.3 Region (Vùng)

- Unique values

# Gia tri duy nhất (unique values) trong cét ‘Region’ (vung)

df[ ‘Region’ ].unique()

array([ ‘Southeast’, ‘South’, ‘Midwest’, ‘Northeast’, ‘West'], dtype=object)

Hinh 14: Unique values c6t ‘Region’

- Biểu đồ số lượng sản phẩm bán được theo từng vùng

Hình 15: Biểu đồ số lượng sản phẩm bán được theo từng vùng

Biểu đồ này cung cấp cái nhìn tổng quan về phân bố số lượng

sản phẩm bán được ở các khu vực khác nhau Qua đó, bạn có thể

dễ dàng nhận thấy khu vực nào có sản phẩm bán được nhiều nhất và khu vực nào có sản phẩm bán được ít nhất Điều này có

thể hữu ích cho các quyết định kinh doanh, tiếp thị và phân phối sản phẩm

e Khu vuc Tây (West) có số lượng sản phẩm cao nhất, với

Trang 20

se Khu vực Trung Tây (Midwest) có số lượng sản phẩm thấp hơn một chút, với 1869 sản phẩm

Hình 16: Biểu đồ doanh thu và lợi nhuận theo từng khu vực

se Hai khu vực West và Northeast chiếm phần lớn thị trường, với tổng cộng gần 50% doanh số

e Khu vuc Southeast cé ty lệ thấp nhất, có thể là mục tiêu cho các chiến dịch tiếp thị trong tương lai để tăng trưởng doanh số 2.2.4 State (Tiéu bang)

- Unique values

# Gia tri duy nhat (unique values) trong cot 'State' (tiểu bang) df['State' ].unique()

array(['Florida’, ‘Louisiana’, ‘Alabama’, ‘Missouri’, ‘Mississippi’,

‘Wisconsin’, ‘New York’, ‘Michigan’, 'Utah', ‘Ohio’, ‘Arkansas’,

‘Georgia’, ‘Texas', ‘Oklahoma’, ‘west virginia’, ‘California’,

‘South Carolina’, 'Kansas', ‘Tennessee’, ‘North Carolina’, ‘Idaho’,

‘Indiana’, ‘New Jersey’, ‘Oregon’, ‘South Dakota’, ‘North Dakota’,

‘Iowa’, 'Maryland', ‘Delaware’, ‘Washington’, ‘Virginia’,

‘wyoming’, ‘Minnesota’, ‘Kentucky’, ‘Connecticut’, ‘Rhode Island’,

“Massachusetts', "New Mexico’, ‘Nevada’, ‘Illinois’, ‘Nebraska',

"Maine', ‘Arizona’, ‘Vermont’, ‘New Hampshire’, ‘Hawaii’,

‘Montana’, ‘Colorado’, ‘Pennsylvania’, 'Alaska'], dtype=object)

- Biéu dé 20 tiéu bang co sé long ban cao nhất

Trang 21

State

Hinh 17:Biéu 6 20 tiéu bang có số lượng bán cao nhất

Biểu đồ này giúp hình dung rõ sự phân bố số lượng sản phẩm

bán ra giữa các tiểu bang California và Florida nổi bật với số

lượng sản phẩm bán ra cao hơn nhiều so với các tiểu bang khác

Điều này có thể cho thấy thị trường hoặc nhu cầu sản phẩm ở những tiểu bang này mạnh mẽ hơn Các nhà quản lý có thể sử

dụng thông tin này để đưa ra quyết định về sản xuất, tiếp thị và

phân phối sản phẩm một cách hiệu quả hơn

> California va Florida là hai tiểu bang có số lượng sản phẩm cao nhất, gần như bằng nhau

phẩm lần lượt là 360 và 359

» Hầu hết các tiểu bang còn lại đều có số lượng sản phẩm

giống nhau, là 216

Doanh thu và lợi nhuận của 20 tiểu bang đứng đầu :

«_ Xu hướng doanh thu:

ø Biểu đồ có xu hướng giảm dần từ trái sang phải, cho thấy

so với các tiểu bang đứng sau

ø California và Texas dẫn đầu với doanh thu cao nhất, dat gần 0.9 triệu USD

o Các tiểu bang nhu New York, Florida cũng có doanh thu

đáng kể, nhưng thấp hơn so với hai tiểu bang đứng đầu

Trang 22

« Cac tiểu bang có doanh thu thấp:

o Những tiểu bang ở cuối danh sách có doanh thu thấp hơn nhiều, cho thấy sự chênh lệch lớn giữa các tiểu bang trong việc tạo ra doanh thu

- Logi nhuận hoạt động (Operating Profit) theo tiểu bang

« - Xu hướng lợi nhuận:

ø Biểu đồ lợi nhuận hoạt động có sự biến động hơn so với

doanh thu, với các điểm cao và thấp không đồng đều

o California va Texas không chỉ có doanh thu cao mà còn có lợi nhuận tương đối tốt, nhưng không phải lúc nào cũng đứng đầu về lợi nhuận

- - Tiểu bang có lợi nhuận cao:

ø Một số tiểu bang như New York, Florida có lợi nhuận cao

hơn so với doanh thu của họ, cho thấy khả năng quản lý chỉ phí tốt

‹ _ Tiểu bang có lợi nhuận thấp:

ø Một số tiểu bang, mặc dù có doanh thu khá, nhưng lợi

nhuận hoạt động lại không cao, điều này có thể chỉ ra chỉ phí cao hoặc hiệu quả hoạt động kém

Tổng doanh thu và lợi nhuận của 2§#¿ểu bang đứng dau

Trang 23

ø Có sự chênh lệch rõ rệt về doanh thu giữa các tiểu bang đứng đầu và những tiểu bang còn lại, điều này cho thấy

sự tập trung thị trường ở một số tiểu bang nhất định

« Tình hình lợi nhuận không đồng đều:

ø Lợi nhuận hoạt động không theo tỷ lệ tương ứng với

doanh thu, cho thấy một số tiểu bang có thể cần cải thiện quản lý chi phí để nâng cao lợi nhuận

2.2.5 City (Thanh pho)

- Unique values

# Gia tri duy nhat (unique values) trong cot ‘City’ (thanh phd) df[ "City ].unique()

array([ ‘Orlando’, ‘New Orleans’, ‘Birmingham’, ‘St Louis’, ‘Jackson’,

"Milwaukee", ‘New york’, ‘Detroit’, ‘Salt Lake City’, ‘Columbus’,

“Little Rock’, ‘Atlanta’, ‘Houston’, “Oklahoma City’, ‘Charleston’,

"San Francisco’, 'Dallas', ‘Wichita’, ‘Miami’, ‘Knoxville’,

“Los Angeles’, ‘Charlotte’, ‘Boise’, ‘Indianapolis’, ‘Newark’,

"Portland', ‘Sioux Falls', 'Fargo', ‘Des Moines’, ‘Baltimore’,

‘wilmington’, ‘Seattle’, ‘Richmond’, *Albany'; ‘Cheyenne’,

‘Minneapolis’, 'Louisville", ‘Hartford’, ‘Providence’, ‘Boston’,

“Albuquerque’, ‘Las vegas’, ‘Chicago’, ‘Omaha", ‘Phoenix’,

‘Burlington’, ‘Manchester’, ‘Honolulu", ‘Billings’, ‘Denver’,

‘Philadelphia’, 'Anchorage"], dtype=object)

Hinh 19; Unique values cét City

Top 20 Cities by Number of Sales Records

360

» 3s `o §

Hình 20: Biểu đồ top 20 thành phố có số lượng bán hàng cao nhất

Biểu đồ này cung cấp cái nhìn rõ ràng về sự phân bổ số lượng sản phẩm bán được giữa các thành phố Portland và Charlotte nổi

bật với số lượng sản phẩm bán ra cao hơn, có thể cho thấy thị trường hoặc hoạt động kinh doanh tại những thành phố này mạnh

Tiêu đề	Phân Tích Dữ Liệu Doanh Thu Bán Hàng Của Thương Hiệu Adidas Ở US
Tác giả	Nguyễn Đức Hảo, Nguyễn Quốc Khỏnh, Lờ Hữu Đạt, Nguyễn Văn Đại
Người hướng dẫn	TS. Nguyễn Thanh
Trường học	Đại học Công nghệ thông tin và Truyền thông Việt-Hàn
Thể loại	báo cáo
Năm xuất bản	2024
Thành phố	Đà Nẵng

Định dạng
Số trang	47
Dung lượng	6,91 MB