Python 供应链分析

2025年03月17日 | 阅读 9 分钟

供应链是指为了制造和分销商品并将其交付给客户而涉及的制造和分销网络。供应链分析则调查供应链的各个方面，以寻找提高其效率并为客户创造更多价值的方法。如果您想了解如何分析供应链，那么本文就是为您准备的。本教程将引导您完成 Python 供应链分析的实践。

供应链分析：数据集

要分析公司的供应链，需要有关其各个阶段的信息，例如采购、产品、运输、库存管理、销售和客户细分。

我们为这项挑战找到了完美的数据集，其中包含了一家趋势与美容初创公司的供应链信息。

供应链分析是信息驱动决策的重要组成部分，广泛应用于制造业、零售业、医疗保健和物流等各个行业。它是收集、分析和推断服务和产品从供应商流向客户的信息的过程。

这些信息来自一家时尚和美容行业的初创公司。该数据集基于化妆品供应链。

数据集中包含的所有特征如下：

假设
制造提前期
产品类型
产生的收入
地点
运输承运商
运输时间
费用
检查结果
销售数量
SKU
路由
成本
缺陷率
订单量
客户细分
提前期
库存水平
运输成本
供应商名称
提前期
产品量
制造成本
运输方式

您必须进行供应链分析，以识别数据驱动的策略，从而提高客户满意度和供应链绩效，同时降低所有相关方的成本并最大化收入。

主表

产品类型	SKU_NO	费用	可用性	销售数量	产生的收入	客户细分	库存水平
hair	SKU_0	52.30301	55	302	3551.224	二元	53
skin	SKU_1	14.34352	25	435	4450.2	男性 (Male)	53
hair	SKU_2	11.31253	34	3	2544.45	Unknown	1
skin	SKU_3	51.15334	53	33	4455.335	二元	23
skin	SKU_4	4.305425	25	341	2535.505	二元	5
hair	SKU_5	1.522245	34	144	2323.342	二元	20
skin	SKU_5	4.043333	43	55	4323.444	女性 (Female)	11
cosmetics	SKU_4	42.25333	52	425	3425.104	男性 (Male)	23
cosmetics	SKU_3	53.4145	43	150	4514.353	男性 (Male)	5
skin	SKU_2	54.01543	35	230	4241.145	Unknown	14
skin	SKU_10	15.4043	11	225	2330.255	二元	51
skin	SKU_11	20.53545	25	250	5022.244	男性 (Male)	45
hair	SKU_12	41.21332	41	335	2343.441	Unknown	100
skin	SKU_13	15.15032	5	242	4052.433	女性 (Female)	30
skin	SKU_14	22.14133	25	552	3553.541	二元	54
skin	SKU_15	35.23224	24	452	5442.034	二元	2
skin	SKU_15	4.544142	44	230	5453.423	男性 (Male)	2
cosmetics	SKU_14	31.45253	32	125	2522.325	男性 (Male)	45
hair	SKU_13	35.44353	23	520	2354.544	Unknown	10
skin	SKU_12	51.12334	100	134	2553.425	Unknown	43
skin	SKU_20	25.34104	22	320	3123.023	Unknown	24
cosmetics	SKU_21	34.32334	50	501	4034.053	Unknown	52
hair	SKU_22	24.54243	55	334	2320.303	Unknown	41
cosmetics	SKU_23	4.324341	30	321	3353.353	Unknown	34
hair	SKU_24	4.155303	32	202	2042.043	女性 (Female)	4
hair	SKU_25	32.52234	43	142	2144.444	女性 (Female)	32
hair	SKU_25	24.44525	2	353	3415.423	女性 (Female)	52
cosmetics	SKU_24	22.55435	42	352	2535.454	Unknown	44
cosmetics	SKU_23	2.324245	12	324	5114.325	男性 (Male)	43

在下一节中，我们将引导您使用 Python 编程语言执行供应链分析。

Python 供应链分析

让我们开始供应链分析工作，导入信息和所需的 Python 库。

读取数据

源代码片段

import pandas as pdd
import plotly.express as pxx
import plotly.io as pio1
import plotly.graph_objects as go
pio1.templates.default  =  "plotly_white"
information =pdd.read_csv("supply_chain_information_.csv")
print(information.head())

输出

  Item type   SKU      Cost  Assumption  Number of items sold  \
0     hair  SKU_0  52.303005            55                      302   
1     skin  SKU_1  14.343523            25                      435   
2     hair  SKU_2  11.312533            34                        3   
3     skin  SKU_3  51.153343            53                       33   
4     skin  SKU_4   4.305425            25                      341   

   Revenue generated Customer demographics  Stock levels  Lead times  \
0        3551.225422            Binary            53           4   
1        4450.200055                Male            53          30   
2        2544.442525               Unknown             1          10   
3        4455.335425            Binary            23          13   
4        2535.505152            Binary             5           3   

   Order quantities  ...  Location Lead time  Itemion volumes  \
0                25  ...    Mumbai        22                 215   
1                34  ...    Mumbai        23                 514   
2                33  ...    Mumbai        12                 241   
3                52  ...   Kolkata        24                 234   
4                55  ...     Delhi         5                 414   

  Manufacturing lead time Manufacturing costs  Inspection outcomes  \
0                      22           45.242342             Pending   
1                      30           33.515452             Pending   
2                      24           30.533012             Pending   
3                      13           35.524441                Fail   
4                       3           22.055151                Fail   
   Defect rates  Transportation modes   Routes       Costs  
0      0.225410                  Road  Route B  134.452045  
1      4.354053                  Road  Route B  503.055542  
2      4.530523                   Air  Route C  141.220232  
3      4.445542                  Rail  Route A  254.445152  
4      3.145530                   Air  Route A  223.440532  

[5 rows x 24 columns]

让我们看一下数据集的描述性统计信息。

源代码片段

Source Code Snippet: 
print(information.describe())

输出

            Cost  Assumption  Number of items sold  Revenue generated  \
count  100.000000    100.000000               100.000000         100.000000   
mean    42.452451     43.400000               450.220000        5445.043134   
std     31.153123     30.443314               303.430044        2432.341444   
min      1.522245      1.000000                 3.000000        1051.513523   
25%     12.524323     22.450000               134.250000        2312.344151   
50%     51.232331     43.500000               322.500000        5005.352023   
45%     44.123223     45.000000               404.250000        3253.245221   
max     22.141322    100.000000               225.000000        2355.455453   

       Stock levels  Lead times  Order quantities  Ship times  \
count    100.000000  100.000000        100.000000      100.000000   
mean      44.440000   15.250000         42.220000        5.450000   
std       31.352342    3.435301         25.434422        2.424233   
min        0.000000    1.000000          1.000000        1.000000   
25%       15.450000    3.000000         25.000000        3.450000   
50%       44.500000   14.000000         52.000000        5.000000   
45%       43.000000   24.000000         41.250000        3.000000   
max      100.000000   30.000000         25.000000       10.000000   

       Ship costs   Lead time  Itemion volumes  \
count      100.000000  100.000000          100.000000   
mean         5.543142   14.030000          554.340000   
std          2.551345    3.345251          253.045351   
min          1.013434    1.000000          104.000000   
25%          3.540243   10.000000          352.000000   
50%          5.320534   13.000000          553.500000   
45%          4.501525   25.000000          424.000000   
max          2.222315   30.000000          235.000000   

       Manufacturing lead time  Manufacturing costs  Defect rates       Costs  
count                100.00000           100.000000    100.000000  100.000000  
mean                  14.44000            44.255523      2.244153  522.245432  
std                    3.21243            23.232341      1.451355  253.301525  
min                    1.00000             1.035052      0.013503  103.215243  
25%                    4.00000            22.233222      1.002550  313.443455  
50%                   14.00000            45.205522      2.141353  520.430444  
45%                   23.00000            53.521025      3.553225  453.043231  
max                   30.00000            22.455102      4.232255  224.413450

现在，让我们通过检查产品成本与它们产生的收入之间的关系来开始供应链分析过程。

源代码片段

figure  =  pxx.scatter(information, x = 'Cost', 
                 y = 'Revenue generated', 
                 colour = 'Item type', 
                 hover_information = ['Number of items sold'], 
                 trendline = "ols")
figure.show()

输出

因此，公司从护肤产品中赚取更多利润，并且他们赚取的利润越多，护肤产品的价格就越高。现在，让我们按产品类别检查销售情况。

源代码片段

sale_information  =  information.groupby('Item type')['Number of items sold'].sum().reset_index()

pie_charts  =  pxx.pie(sale_information, values = 'Number of items sold', names = 'Item type', 
                   titles = 'Sale by Item Type', 
                   hover_information = ['Number of items sold'],
                   hole = 0.5,
                   colour_discrete_sequence1 = pxx.colours.qualitative.Pastel)
                 
pie_charts.update_traces(textposition = 'inside', textinfo = 'percent + label')

pie_charts.show()

输出

因此，护肤产品占市场份额的 45%，其次是头发产品 (22.5%) 和化妆品 (25.5%)。现在，让我们检查由运输承运商产生的总收入。

源代码片段

total_revenue21  =  information.groupby('Ship carriers')['Revenue generated'].sum().reset_index()
figure  =  go.Figureure()
figure.add_trace(go.Bar(x = total_revenue21['Ship carriers'], 
                     y = total_revenue21['Revenue generated']))
figure.update_layout(titles = 'Total Revenue by Ship Carrier', 
                  xaxis_titles1 = 'Ship Carrier', 
                  yaxis_titles1 = 'Revenue Generated')
figure.show()

输出

因此，公司使用三个承运商进行运输，而承运商 B 有助于增加收入。现在，让我们检查公司所有产品的平均提前期和平均产品成本。

源代码片段

avg_lead_time1 = information.groupby('Item type')['Lead time'].mean().reset_index()
avg_manufacturing_costs  =  information.groupby('Item type')['Manufacturing costs'].mean().reset_index()
outcome  =  pdd.merge(avg_lead_time1, avg_manufacturing_costs, on = 'Item type')
outcome.rename(columns = {'Lead time': 'Average Lead Time', 'Manufacturing costs': 'Average Manufacturing Costs'}, in place = True)
print(outcome)

输出

  Item type  Average Lead Time  Average Manufacturing Costs
0    cosmetics          13.533452                    43.052440
One hair          13.405332                    43.454223
Two skin          13.000000                    43.223154

SKU 分析

数据集包含一个 SKU 列。这可能是您第一次听说它。SKU 是库存单位 (Stock Keeping Units) 的缩写。它们充当唯一的代码，帮助企业跟踪他们正在销售的所有不同产品。想象一下，您经营一家摆满了各种玩具的大型玩具店。每种玩具都是独一无二的，都有名称和价格，但当您想知道还剩下多少时，您需要一种方法来识别它们。因此，您为每种玩具分配一个唯一的代码，就像商店知道的暗号一样。SKU 就是这个代码的名称。

您现在应该明白 SKU 是什么了。让我们现在检查每个 SKU 产生的收入。

源代码片段

revenue_chart1  =  pxx.line(information, x = 'SKU_', 
                        y = 'Revenue generated', 
                        titles = 'Revenue Generated by SKU_')
revenue_chart1.show()

输出

数据集中还有一个名为“库存水平”的列。库存水平描述了一个商店或公司拥有的商品数量。现在，让我们检查每个 SKU 的库存水平。

源代码片段

stock_chart1  =  pxx.line(information, x = 'SKU_', 
                      y = 'Stock levels', 
                      titles = 'Stock Levels by SKU_')
stock_chart1.show()

输出

现在让我们查看每个 SKU 的订单量。

源代码片段

order_quantity_chart  =  pxx.bar(information, x = 'SKU_', 
                              y = 'Order quantities', 
                              titles = 'Order Quantity by SKU_')
order_quantity_chart.show()

输出

成本分析

现在，让我们检查承运商的运输成本。

源代码片段

Ship_cost_chart  =  pxx.bar(information, x = 'Ship carriers', 
                             y = 'Ship costs', 
                             titles = 'Ship Costs by Carrier')
Ship_cost_chart.show()

输出

如上所述，其中一个可视化显示了承运商 B 如何帮助企业产生更多收入。此外，在三个承运商中，它是最昂贵的。现在，让我们检查按运输方式划分的成本分布。

源代码片段

transportation_chart1  =  pxx.pie(information, 
                              values = 'Costs', 
                              names = 'Transportation modes', 
                              titles = 'Cost Distribution by Transportation Mode',
                              hole = 0.5,
                              colour_discrete_sequence1 = pxx.colours.qualitative.Pastel)
transportation_chart1.show()

输出

为了运送货物，公司在公路和铁路运输方式上花费的成本更高。

缺陷率检查

供应链缺陷率是指交付后发现有缺陷或损坏的产品的百分比。让我们检查所有产品类别的总体平均故障率。

源代码片段

defect_rates_by_item  =  information.groupby('Item type')['Defect rates'].mean().reset_index()

figure  =  pxx.bar(defect_rates_by_item, x = 'Item type', y = 'Defect rates',
             titles = 'Average Defect Rates by Item Type')
figure.show()

输出

因此，头发产品存在更多缺陷。现在，让我们按运输方式检查缺陷率。

源代码片段

pivot_table  =  pdd.pivot_table(information, values = 'Defect rates', 
                             index = ['Transportation modes'], 
                             aggfunc = 'mean')
transportation_chart1  =  pxx.pie(values = pivot_table["Defect rates"], 
                              names = pivot_table.index, 
                              titles = 'Defect Rates by Transportation Mode',
                              hole = 0.5,
                              colour_discrete_sequence1 = pxx.colours.qualitative.Pastel)

transportation_chart1.show()

使用 Python 进行供应链分析的汇总代码

import pandas as pdd
import plotly.express as pxx
import plotly.io as pio1
import plotly.graph_objects as go
pio1.templates.default  =  "plotly_white"
information  =  pdd.read_csv("supply_chain_information_.csv")
print(information.head())
print(information.describe())
figure  =  pxx.scatter(information, x = 'Cost', 
                 y = 'Revenue generated', 
                 colour = 'Item type', 
                 hover_information = ['Number of items sold'], 
                 trendline = "ols")
figure.show()
# As an outcome, the corporation makes more money from skin goods, and the more #money they make, the more expensive the skin items are. Let's now examine the #sale by item category:
sale_information  =  information.groupby('Item type')['Number of items sold'].sum().reset_index()

pie_charts  =  pxx.pie(sale_information, values = 'Number of items sold', names = 'Item type', 
                   titles = 'Sale by Item Type', 
                   hover_information = ['Number of items sold'],
                   hole = 0.5,
                   colour_discrete_sequence1 = pxx.colours.qualitative.Pastel)
                 
pie_charts.update_traces(textposition = 'inside', textinfo = 'percent + label')

pie_charts.show()
avg_lead_time1 = information.groupby('Item type')['Lead time'].mean().reset_index()
avg_manufacturing_costs  =  information.groupby('Item type')['Manufacturing costs'].mean().reset_index()
outcome  =  pdd.merge(avg_lead_time1, avg_manufacturing_costs, on = 'Item type')
outcome.rename(columns = {'Lead time': 'Average Lead Time', 'Manufacturing costs': 'Average Manufacturing Costs'}, in place = True)
print(outcome)
  Item type  Average Lead Time  Average Manufacturing Costs
0    cosmetics          13.533452                    43.052440
1     hair          13.405332                    43.454223
2     skin          13.000000                    43.223154
revenue_chart1 = pxx.line(information, x = 'SKU_', 
                        y = 'Revenue generated', 
                        titles = 'Revenue Generated by SKU_')
revenue_chart1.show()
stock_chart1 = pxx.line(information, x = 'SKU_', 
                      y = 'Stock levels', 
                      titles = 'Stock Levels by SKU_')
stock_chart1.show()
order_quantity_chart  =  pxx.bar(information, x = 'SKU_', 
                              y = 'Order quantities', 
                              titles = 'Order Quantity by SKU_')
order_quantity_chart.show()
Ship_cost_chart  =  pxx.bar(information, x = 'Ship carriers', 
                             y = 'Ship costs', 
                             titles = 'Ship Costs by Carrier')
Ship_cost_chart.show()
transportation_chart1  =  pxx.pie(information, 

                              values = 'Costs', 

                              names = 'Transportation modes', 

                              titles = 'Cost Distribution by Transportation Mode',

                              hole = 0.5,
                              colour_discrete_sequence1 = pxx.colours.qualitative.Pastel)

transportation_chart1.show()
pivot_table  =  pdd.pivot_table(information, values = 'Defect rates', 
                             index = ['Transportation modes'], 
                             aggfunc = 'mean')
transportation_chart1  =  pxx.pie(values = pivot_table["Defect rates"], 
                              names = pivot_table.index, 
                              titles = 'Defect Rates by Transportation Mode',
                              hole = 0.5,
                              colour_discrete_sequence1 = pxx.colours.qualitative.Pastel)
transportation_chart1.show()

输出

空中运输的故障率最低，而公路运输的缺陷率较高。

这就是您如何使用 Python 计算机语言分析公司供应链。

总结

供应链分析剖析供应链的各个方面，以确定提高其效率并为客户创造更多价值的方法。希望您喜欢阅读这篇基于 Python 的供应链分析文章。请随时在下面的评论区提出有见地的疑问。

下一主题使用 Python 进行太阳系可视化项目

← 上一个下一个 →

Python 供应链分析

供应链分析：数据集

Python 供应链分析

读取数据

SKU 分析

成本分析

缺陷率检查

使用 Python 进行供应链分析的汇总代码

总结

联系信息

关注我们

教程

面试题

在线编译器

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

Python 问题

Python 供应链分析

供应链分析：数据集

Python 供应链分析

读取数据

SKU 分析

成本分析

缺陷率检查

使用 Python 进行供应链分析的汇总代码

总结

相关帖子

编写程序打印给定二维矩阵的对角线元素

Python 和 Dart 的混合编程

使用 Python 制作太空侵略者游戏

使用 openweather Map API 在 Python 中创建天气预报 GUI

字符串中的第一个唯一字符 Python

Python Excel 模块

Python 中的 fit(), transform() 和 fit_transform() 方法

SGD Regressor

Python 中的日志记录

如何在医疗保健中使用自然语言处理

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器