针对拥有多品类、多种类产品的企业，如何通过数据分析优化产品结构，实现最大化收益和资源分配。

案例背景：制造业企业的产品矩阵分析

某制造企业拥有复杂的产品体系，需要解决：

  • 如何评估各产品线的健康度？

  • 如何优化产品组合实现利润最大化？

  • 如何分配研发和市场资源？

  • 如何识别明星产品和问题产品？

数据架构设计

多层次产品分类体系

python

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
import warnings
warnings.filterwarnings('ignore')

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 生成多层次产品数据
np.random.seed(42)
n_products = 5000

# 定义产品层级结构
product_hierarchy = {
    '业务单元': ['工业设备', '消费电子', '医疗设备', '汽车零部件', '智能家居'],
    '产品线': {
        '工业设备': ['重型机械', '自动化设备', '检测仪器', '动力系统'],
        '消费电子': ['智能手机', '笔记本电脑', '智能穿戴', '影音设备'],
        '医疗设备': ['影像设备', '监护仪器', '诊断设备', '治疗设备'],
        '汽车零部件': ['发动机系统', '底盘系统', '电子系统', '内饰系统'],
        '智能家居': ['安防监控', '环境控制', '娱乐系统', '厨房电器']
    },
    '产品类别': {
        '重型机械': ['挖掘机', '装载机', '起重机', '推土机'],
        '智能手机': ['旗舰机', '中端机', '入门机', '折叠屏'],
        '影像设备': ['CT扫描仪', 'MRI设备', 'X光机', '超声设备']
        # ... 其他产品线的具体分类
    }
}

# 生成产品主数据
products = []
for unit in product_hierarchy['业务单元']:
    for line in product_hierarchy['产品线'][unit]:
        # 为每个产品线生成多个产品
        n_line_products = np.random.randint(20, 100)
        for i in range(n_line_products):
            product_id = f"P{len(products)+1:04d}"
            category_options = product_hierarchy['产品类别'].get(line, [f'{line}_标准型', f'{line}_专业型', f'{line}_经济型'])
            category = np.random.choice(category_options)
            
            products.append({
                'product_id': product_id,
                'business_unit': unit,
                'product_line': line,
                'product_category': category,
                'product_name': f"{category}_{i+1}",
                'launch_date': datetime(2020 + np.random.randint(0, 4), 
                                      np.random.randint(1, 13), 
                                      np.random.randint(1, 28)),
                'cost_price': np.random.lognormal(7, 1.2),
                'target_margin': np.random.uniform(0.1, 0.4)
            })

products_df = pd.DataFrame(products)
products_df['sales_price'] = products_df['cost_price'] * (1 + products_df['target_margin'])

print("产品主数据概览:")
print(f"总产品数量: {len(products_df)}")
print(f"业务单元: {products_df['business_unit'].nunique()}个")
print(f"产品线: {products_df['product_line'].nunique()}个")
print(f"产品类别: {products_df['product_category'].nunique()}个")
display(products_df.head())

生成销售交易数据

python

# 生成销售数据
n_transactions = 50000

sales_data = []
for _ in range(n_transactions):
    product = products_df.sample(1).iloc[0]
    order_date = datetime(2023, np.random.randint(1, 13), np.random.randint(1, 28))
    
    sales_data.append({
        'order_id': f"ORDER{10000 + _}",
        'order_date': order_date,
        'product_id': product['produc