泰迪杯A题通讯产品销售和盈利能力分析一等奖作品

泰迪杯A题通讯产品销售和盈利能力分析一等奖作品

感谢商丘师范学院的高老师，韩老师,陈老师等提供的比赛作品数据

1. A 题 通讯产品销售和盈利能力分析 简介

一、背景

进入本世纪以来，我国通讯产品得到了飞速发展，其技术先进，价格便宜，
深受世界各国和地区尤其是非洲国家的欢迎。某通讯公司在非洲的多个国家深耕多年，产品与服务遍布整个非洲大陆。为了更好地了解公司的销售情况，采用产品的销售额和利润数据，对其盈利能力进行分析和预测，给决策人员提供分析报告，以便为非洲各国提供更好的产品销售策略和服务。

二、目标

1. 统计产品在当地的销售数据，预测未来的销售情况。
2. 设计可视化数字大屏，展示产品的销售情况，分析产品的盈利能力。

三、任务

请根据附件中提供的数据（其中，金额计量单位：万元；合同数计量单位：
个），自行选择分析工具完成以下任务，并撰写报告。如使用“TipDM-BI 数据分析和可视化平台”实现，使用方式详见附录。

任务 1 数据分析与预测

根据附件“非洲通讯产品销售数据”中的数据，分别实现以下任务：
任务 1.1 统计各个年度/季度中，地区、国家、服务分类的销售额和利润数
据，并计算各国、各服务分类销售额和利润的同比增长率。
任务 1.2 统计各地区、国家有关服务分类销售额和利润数据。
任务 1.3 统计各个销售经理的成交合同数和成交率。
任务 1.4 分别预测各个地区、国家、服务分类 2021 年第一季度销售额和利
润。

任务 2 可视化展示和撰写分析报告

对各地区、国家、服务分类的产品销售额和利润等数据，以及销售经理的业绩数据，进行同比、类比、相关性等分析或预测，发现趋势。根据分析和预测结果，设计一个数字大屏，根据目标，合理布局，展示能够代表产品销售情况和盈利能力的数据指标和可视化图表等。
在下面任务不同的维度分析中，必要时，可以设置选择框，使用联动的方式，根据选择框，查看和展示该选择框范围的数据和可视化图表。例如，设立国家选择框，选项包括“全部”和国家名称，可以查看全部或某个国家的指标数据和可视化图表。其他类推。

数字化大屏至少包括以下任务：
任务 2.1 绘制非洲各国产品的销售地图，并能够查看该国的销售额和利润。
根据销售额的降序排列，绘制非洲各国产品销售额和利润数据的图表。
任务 2.2 根据地区、国家等维度，绘制各服务分类的销售额和利润的年增
长率及各季度同比增长率的图表。
任务 2.3 根据地区、国家等维度，绘制 2021 年第一季度各服务分类的销售
额和利润预测值的图表。
任务 2.4 绘制销售经理的销售合同数前 5 名排行榜。
任务 2.5 绘制销售额后 10 名的国家排行榜。
任务 2.6 分析数字大屏的指标数据和图表，撰写公司产品的销售情况和盈
利能力的分析报告。

四、关于竞赛成果提交的说明

1. 登录方式 请使用队长的账号登录数睿思网站（www.tipdm.org），进入**第四届技能赛**页面。为保证成功提交，请使用谷歌浏览器无痕模式。
2. 作品提交 报告以 PDF 格式提交，文件名为“report.pdf”，要求逻辑清晰、条理分 明，内容包括每个任务的完成思路、操作步骤、必要的中间过程、任务的结果及分析。 针对任务 1，报告中应包含但不限于如下要点： （1） 任务 1.1 需要展示 2020 年年度销售额前 3 名的国家及其年增长率。 （2） 任务 1.2 需要展示各地区有关服务分类利润数据。 （3） 任务 1.3 需要展示销售经理成交合同数前 3 名的数据。 （4） 任务 1.4 需要给出明确的预测模型，并展示地区、国家、服务分类 销售额预测值最大的 1 条数据。
3. 附件提交 3.1 将任务 1、2 所编写的源程序文件，分别用“task1”、“task2”命名，保存在“program”文件夹中；如使用 TipDM-BI 数据分析和可视化平台实现，将使用平台创建的自助仪表盘截图保存到“program”文件夹中。 3.2 将任务 1、2 所产生的结果文件，分别保存到“result1”，“result2”文件夹，然后存放到“result”文件夹中。 3.3 将程序文件夹“program”、结果文件夹“result”以及报告的 word版本打包成“appendix.zip”，作为附件提交。

2. 一等奖作品分享

摘要

进入本世纪以来，我国通讯产品得到了飞速发展，其技术先进，价格便宜，深受世界各国和地区尤其是非洲国家的欢迎。某通讯公司在非洲的多个国家深耕多年，产品与服务遍布整个非洲大陆。为了更好地了解公司的销售情况，采用产品的销售额和利润数据，对其盈利能力进行分析和预测，给决策人员提供分析报告，以便为非洲各国提供更好的产品销售策略和服务。

针对任务一，首先对所给数据集进行缺失值、异常值、重复值等 方面的处理。其次通过python中的loc和groupby等函数，对表SalesData进行处理，获取产品在当地的销售数据，分析统计出各年度各国销售额和利润的同比增长率，以及各年度各服务分类的销售额和利润的同比增长列率，利用groupby函数对“地区”，“国家”，“服务分类”进行分组，统计出销售额和利润数据。针对表SalespersonData,首先计算出每个经理的总合同数，再通过各个经理的成交合同数求出各个经理的成交率。根据2017-2020年第一季度的各个地区，国家，服务分类的销售额和利润数据，给出明确的预测模型，预测出2021年第一季度销售额和利润数据。

针对任务二，首先对各个地区，国家，服务分类的产品销售额和利润等数据，以及销售经理的业绩数据进行同比，类比，相关性等分析或预测，发现趋势。绘制不同维度的图表，设计数字大屏，分析公司产品销售情况和盈利能力，并给出指导建议。

目录

正文

任务一：数据分析与预测

1.1.1 缺失值重复值处理和说明

针对数据缺失情况，本次分析将会采用以下的处理方式：针对数据为空值的情况，如果该特征数据缺失情况低于 10%，则结合该特征的重要性进行综合判断。如果字段重要性较低，则考虑直接删除，如果字段重要性较高，则进行插值法或者采用数据均值进行填补。
导入依赖，并设置中文显示：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib

%matplotlib inline
font ={'family':'SimHei','weight':'bold','size':12}
matplotlib.rc("font",**font)
matplotlib.rcParams['axes.unicode_minus']=False

导入非洲通讯产品销售数据.xlsx数据并查看SalesData：

salesData = pd.read_excel("./非洲通讯产品销售数据.xlsx",engine='openpyxl', sheet_name ="SalesData")
salesData

输出为：

导入非洲通讯产品销售数据.xlsx数据并查看SalespersonData：

salespersonData = pd.read_excel("./非洲通讯产品销售数据.xlsx",engine='openpyxl', sheet_name ="SalespersonData")
salespersonData

输出为：

查看SalesData有无缺失值和重复值：

# 对第一张表进行处理
salesData.info()# 无缺失值

输出为：

<class'pandas.core.frame.DataFrame'>
RangeIndex:1056 entries,0 to 1055
Data columns (total 7 columns):#   Column  Non-Null Count  Dtype         ----------------------------0   日期      1056 non-null   datetime64[ns]1   国家      1056 non-null   object2   城市      1056 non-null   object3   地区      1056 non-null   object4   服务分类    1056 non-null   object5   销售额     1056 non-null   float64       
 6   利润      1056 non-null   float64       
dtypes: datetime64[ns](1), float64(2),object(4)
memory usage:57.9+ KB

查看有无重复值

salesData.duplicated().sum()

输出为：

0

查看salespersonData有无缺失值和重复值：

salespersonData.info()

输出为：

<class'pandas.core.frame.DataFrame'>
RangeIndex:160 entries,0 to 159
Data columns (total 7 columns):#   Column                  Non-Null Count  Dtype         ----------------------------0   日期                      160 non-null    datetime64[ns]1   销售经理                    160 non-null    object2   地区                      160 non-null    object3   销售合同                    160 non-null    int64         
 4   成交率                     160 non-null    float64       
 5   Unnamed:50 non-null      float64       
 6   备注：本表格中“销售合同”为“已成交合同”。  0 non-null      float64       
dtypes: datetime64[ns](1), float64(3), int64(1),object(2)
memory usage:8.9+ KB

查看重复值

salespersonData.duplicated().sum()

输出为：

0

发现表salesData和salespersonData无重复值

1.1.2 统计各年度各国销售额数据&计算同比增长率

因为统计的是各年度的销售额数据，所有需要对“日期”列进行拆分，取出年份:

# 先对日期列进行处理
year = salesData.loc[:,"日期"].astype("str").str.split("-", expand =True)[0]
year

输出为：

备注：上面代码中对时间数据进行处理，用时间类型会更好一些，所以转变成字符串的方式未必最佳

year_data = salesData.loc[:,["国家","地区","服务分类","销售额","利润"]]
year_data["年份"]= year
year_data

输出为：

按照不同年份求各地区的销售额

# 按照不同年份求各地区的销售额
year_area_sale = year_data.groupby(["年份","地区"])["销售额"].sum()
year_area_sale.to_csv("./year_area_sale.csv")
year_area_sale

输出为：

通过groupby函数对[“年份”， “国家"]进行分组，对”销售额“进行求和

year_cou_sale = year_data.groupby(["年份","国家"])["销售额"].sum()
year_cou_sale.to_csv("./year_cou_sale.csv")
year_cou_sale

输出为：

计算出各年度各国销售额数据的同比增长率

      同比增长率 
     
    
      = 
     
    
      ( 
     
    
      今年销售额 
     
    
      − 
     
    
      去年销售额 
     
    
      ) 
     
    
      / 
     
    
      去年销售额 
     
    
   
     同比增长率=(今年销售额-去年销售额)/去年销售额 
    
   
 同比增长率=(今年销售额−去年销售额)/去年销售额

# 各年度各国的销售额的同比增长率
task1 = pd.read_csv("./year_cou_sale.csv")
task1

输出为：

计算同比增长率

temp = pd.merge(task1[task1.loc[:,"年份"]==2017], task1[task1.loc[:,"年份"]==2018], how="inner", left_on ="国家", right_on ="国家")
temp = pd.merge(temp, task1[task1.loc[:,"年份"]==2019],how="inner", left_on ="国家", right_on ="国家")
temp = pd.merge(temp, task1[task1.loc[:,"年份"]==2020],how="inner", left_on ="国家", right_on ="国家")
temp.drop(["年份_x","年份_y"], axis =1, inplace=True)
temp.columns =["国家","2017销售额","2018销售额","2019销售额","2020销售额"]
temp
temp["2017-2018销售额同比增长率"]=(temp["2018销售额"]- temp["2017销售额"])/ temp["2017销售额"]
temp["2018-2019销售额同比增长率"]=(temp["2019销售额"]- temp["2018销售额"])/ temp["2018销售额"]
temp["2019-2020销售额同比增长率"]=(temp["2020销售额"]- temp["2019销售额"])/ temp["2019销售额"]
temp
temp.to_csv("./各年份各国家的销售额同比增长率.csv")
temp

输出为：

共51个国家

1.1.3显示2020年度销售额Top3的国家及其年增长率

通过sort_values函数对”2020销售额“数据进行降序排序，取出Top3

# 展示2020年年度销售额前3名的国家及其年增长率
temp.loc[:,["国家","2020销售额","2019-2020销售额同比增长率"]].sort_values("2020销售额", ascending =False).head(3)

输出为：

1.1.4 统计各年度各国利润数据&计算同比增长率

通过groupby函数对[“年份”， “国家"]进行分组，对”利润“进行求和

year_cou_pro = year_data.groupby(["年份","国家"])["利润"].sum()
year_cou_pro.to_csv("./year_cou_pro.csv")
year_cou_pro

输出为：

task2 = pd.read_csv("./year_cou_pro.csv")
task2

输出为：

计算出各年度各国利润数据的同比增长率

temp2 = pd.merge(task2[task2.loc[:,"年份"]==2017], task2[task2.loc[:,"年份"]==2018], how="inner", left_on ="国家", right_on ="国家")
temp2 = pd.merge(temp2, task2[task2.loc[:,"年份"]==2019],how="inner", left_on ="国家", right_on ="国家")
temp2 = pd.merge(temp2, task2[task2.loc[:,"年份"]==2020],how="inner", left_on ="国家", right_on ="国家")
temp2.drop(["年份_x","年份_y"], axis =1, inplace=True)
temp2.columns =["国家","2017利润","2018利润","2019利润","2020利润"]# temp2
temp2["2017-2018利润同比增长率"]=(temp2["2018利润"]- temp2["2017利润"])/ temp2["2017利润"]
temp2["2018-2019利润同比增长率"]=(temp2["2019利润"]- temp2["2018利润"])/ temp2["2018利润"]
temp2["2019-2020利润同比增长率"]=(temp2["2020利润"]- temp2["2019利润"])/ temp2["2019利润"]
temp2.to_csv("./各年份各国家的利润同比增长率.csv")
temp2

输出为：

1.1.5统计各年度各服务分类销售额数据&计算同比增长率

通过groupby函数对[“年份”， “服务分类"]进行分组，对”销售额“进行求和

year_sor_sale = year_data.groupby(["年份","服务分类"])["销售额"].sum()
year_sor_sale.to_csv("./year_sor_sale.csv")
year_sor_sale

输出为：

task3 = pd.read_csv("./year_sor_sale.csv")
task3

输出为：

计算出各年度各服务分类销售额数据的同比增长率

temp3 = pd.merge(task3[task3.loc[:,"年份"]==2017], task3[task3.loc[:,"年份"]==2018], how="inner", left_on ="服务分类", right_on ="服务分类")
temp3 = pd.merge(temp3, task3[task3.loc[:,"年份"]==2019],how="inner", left_on ="服务分类", right_on ="服务分类")
temp3 = pd.merge(temp3, task3[task3.loc[:,"年份"]==2020],how="inner", left_on ="服务分类", right_on ="服务分类")
temp3.drop(["年份_x","年份_y"], axis =1, inplace=True)
temp3.columns =["服务分类","2017销售额","2018销售额","2019销售额","2020销售额"]
temp3["2017-2018销售额同比增长率"]=(temp3["2018销售额"]- temp3["2017销售额"])/ temp3["2017销售额"]
temp3["2018-2019销售额同比增长率"]=(temp3["2019销售额"]- temp3["2018销售额"])/ temp3["2018销售额"]
temp3["2019-2020销售额同比增长率"]=(temp3["2020销售额"]- temp3["2019销售额"])/ temp3["2019销售额"]
temp3.to_csv("./各年份各服务分类的销售额同比增长率.csv")
temp3

输出为：

1.1.6统计各年度各服务分类利润数据&计算同比增长率

通过groupby函数对[“年份”， “服务分类"]进行分组，对”利润“进行求和

year_sor_pro = year_data.groupby(["年份","服务分类"])["利润"].sum()
year_sor_pro.to_csv("./year_sor_pro.csv")
year_sor_pro

输出为：

加载数据：

task4 = pd.read_csv("./year_sor_pro.csv")
task4

输出为：

计算出各年度各服务分类销售额数据的同比增长率

temp4 = pd.merge(task4[task4.loc[:,"年份"]==2017], task4[task4.loc[:,"年份"]==2018], how="inner", left_on ="服务分类", right_on ="服务分类")
temp4 = pd.merge(temp4, task4[task4.loc[:,"年份"]==2019],how="inner", left_on ="服务分类", right_on ="服务分类")
temp4 = pd.merge(temp4, task4[task4.loc[:,"年份"]==2020],how="inner", left_on ="服务分类", right_on ="服务分类")
temp4.drop(["年份_x","年份_y"], axis =1, inplace=True)
temp4.columns =["服务分类","2017利润","2018利润","2019利润","2020利润"]
temp4["2017-2018利润同比增长率"]=(temp2["2018利润"]- temp2["2017利润"])/ temp2["2017利润"]
temp4["2018-2019利润同比增长率"]=(temp2["2019利润"]- temp2["2018利润"])/ temp2["2018利润"]
temp4["2019-2020利润同比增长率"]=(temp2["2020利润"]- temp2["2019利润"])/ temp2["2019利润"]
temp4.to_csv("./各年份各服务分类的利润同比增长率.csv")
temp4

输出为：

1.2.1统计各地区，国家有关服务分类销售额和利润数据

job2 = salesData.loc[:,["国家","地区","服务分类","销售额","利润"]]
job2

输出为：

通过groupby函数对[“地区”, “国家”, “服务分类”]进行分组，分别求出"销售额"和”利润“的总和

a = job2.groupby(["地区","国家","服务分类"])["销售额"].sum()
a

输出为：

b = job2.groupby(["地区","国家","服务分类"])["利润"].sum()
b

输出为：

1.2.2展示各地区有关服务分类利润数据

合并销售额和利润

a = pd.DataFrame(a)
b = pd.DataFrame(b)
a["利润"]= b["利润"].values
a.to_csv("./各地区各国家有关服务分类销售额和利润数据.csv")
a

输出为：

1.3.1统计各个销售经理的成交合同数和成交率

salespersonData

输出为：

通过对列”销售经理“进行分组，求出”销售合同“的总和

set(salespersonData.loc[:,"销售经理"].values)

输出为：

total_sus = salespersonData.groupby(["销售经理"])["销售合同"].sum()
total_sus

输出为：

因为“销售合同”为“已成交合同”。我们可以通过销售经理在某地区某日期的成就率，求出该时销售经理的总销售合同即以成交的合同和非成交的合同，再通过成交合同比上总合同数求出该经理的成交率：

job3 = salespersonData.loc[:,["销售经理","销售合同","成交率"]]
job3

输出为：

job3["合同数"]= job3["销售合同"]/ job3["成交率"]
job3["合同数"]= job3["合同数"].astype("int")
job3

输出为：

total = job3.groupby(["销售经理"])["合同数"].sum()
total

输出为：

man_rate = pd.concat([total, total_sus], axis =1)
man_rate

输出为：

man_rate["成交率"]= man_rate["销售合同"]/ man_rate["合同数"]
man_rate

输出为：

1.3.2展示销售经理成交合同数Top3的数据

通过sort_values函数对列"销售合同"进行排序

man_rate.sort_values("销售合同", ascending =False).head(3)

输出为：

man_rate.to_csv("./各经理的成交率.csv")
man_rate

输出为：

1.4.1对数据进行预处理及编码， 给出明确的预测模型

对列”日期“进行处理，计算出该日期属于第几季度

# 获取年份列
year = salesData.loc[:,"日期"].astype("str").str.split("-", expand =True)[0]
year

输出为：

# 获取月份
month = salesData.loc[:,"日期"].astype("str").str.split("-", expand =True)[1]
month

输出为：

获得季度

quarter =[]for i inlist(month.values):
    q =(int(i)-1)//3+1
    quarter.append(q)" ".join([str(i)for i in quarter])

输出为：

year_quarter = salesData.loc[:,["地区","国家","服务分类","销售额","利润"]]
year_quarter["年度"]= year
year_quarter["季度"]= quarter
year_quarter

输出为：

通过对[“年度”, “季度”, “地区”, “国家”, “服务分类”]进行分组，求出”销售额"和”利润“总值

sale = year_quarter.groupby(["年度","季度","地区","国家","服务分类"])["销售额"].sum()
sale = pd.DataFrame(sale)
sale

输出为：

profit = year_quarter.groupby(["年度","季度","地区","国家","服务分类"])["利润"].sum()
profit = pd.DataFrame(profit)
profit

输出为：

# 拼接销售额与利润
sale["利润"]= profit["利润"].values
sale.to_csv("./第一题.csv")
sale

输出为：

# 查看保存的数据
n1 = pd.read_csv("./第一题.csv")
n1

输出为：

获取第一季度数据

forecast_data = n1[n1.loc[:,"季度"]==1]# 拿出第一季度
forecast_data

输出为：

因为列”地区“，”国家“，”服务分类"中存在汉字，而逻辑回归只能够处理数值型数据，不能处理文字，在sklearn当中，除了专用来处理文字的算法，其他算法在fit的时候全部要求输入数组或矩阵，也不能够导入文字型数据（其实手写决策树和普斯贝叶斯可以处理文字，但是sklearn中规定必须导入数值型）。然而在现实中，许多标签和特征在数据收集完毕的时候，都不是以数字来表现的。比如说，学历的取值可以是[“小 学”，“初中”，“高中”，“大学”]，付费方式可能包含[“支付宝”，“现金”，“微信”]等等。在这种情况下，为了让数据适应算法和库，我们必须将数据进行编码，即是说，将文字型数据转换为数值型。
这里我们采用preprocessing.LabelEncoder将汉字进行编码

#　对列地区，国家，服务分类　进行编码from sklearn.preprocessing import LabelEncoder
y1 = forecast_data.loc[:,"地区"]# 要输入的是标签，不是特征矩阵，所以允许一维数据
y2 = forecast_data.loc[:,"国家"]
y3 = forecast_data.loc[:,"服务分类"]

le1 = LabelEncoder()# 实例化
le1 = le1.fit(y1)# 导入数据
label1 = le1.transform(y1)# transform接口调取结果
forecast_data.loc[:,"地区"]= label1

le2 = LabelEncoder()# 实例化
le2 = le2.fit(y2)# 导入数据
label2 = le2.transform(y2)# transform接口调取结果
forecast_data.loc[:,"国家"]= label2

le3 = LabelEncoder()# 实例化
le3 = le3.fit(y3)# 导入数据
label3 = le3.transform(y3)# transform接口调取结果
forecast_data.loc[:,"服务分类"]= label3

forecast_data

输出为：

备注：这里的警告问题可以参考博客https://blog.csdn.net/weixin_42575020/article/details/98846427

from sklearn.linear_model import LogisticRegression as LR # 逻辑回归from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score # 精确性分数

X1 = forecast_data.loc[:,["年度","地区","国家","服务分类","利润"]]
X1
X2 = forecast_data.loc[:,["年度","地区","国家","服务分类","销售额"]]
X2

输出为：

建模

正则化是用来防止模型过拟合的过程，常用的有L1正则化和L2正则化两种选项penalty：可以输入”l1“或者”l2“来指定使用哪一种正则化方式，不填写默认使用”l2“，注意：若选择”l1“正则化，参数solver仅能够使用的求解方式”liblinear“和”sage“
C：C正则化强度的倒数，必须是一个大于0的浮点数，不填写默认是1.0，即默认正则化与损失函数的比值是1：1，C越小，损失函数会越小，模型对损失函数的惩罚越重，正则化的效果越强，参数θ会逐渐被压缩得越来越小。
L1正则化和L2正则化虽然都可以控制过拟合，但它们的效果并不相同。当正则化强度逐渐增大（即C逐渐变小），参数θ 的取值会逐渐变小，但L1正则化会将参数压缩为0，L2正则化只会让参数尽量小，不会取到0。

y = forecast_data.loc[:,"销售额"]
y2 = forecast_data.loc[:,"利润"]

lrl1 = LR(penalty ="l1", solver ="liblinear", C =0.5, max_iter =1000)
lrl2 = LR(penalty ="l1", solver ="liblinear", C =0.5, max_iter =1000)# 逻辑回归的重要属性coef_, 查看某个特征所对应的参数
lrl1 = lrl1.fit(X1, y.astype("int"))
lrl2 = lrl2.fit(X2, y2.astype("int"))

1.4.2预测2021年第一季度各个地区，国家，服务分类的销售额和利润

通过模型预测2021年第一季度各个地区，国家，服务分类的销售额和利润

X_test1 = X1
X_test1["年度"]=[2021for i inrange(X1.shape[0])]
X_test1

输出为：

X_test2 = X2
X_test2

输出为：

查看预测结果：

lrl_pro1 = lrl1.predict(X_test1)
lrl_pro1[0:5]

输出为：

lrl_pro2 = lrl2.predict(X_test2)
lrl_pro2[0:5]

输出为：

X_test =  X_test1.loc[:,["年度","地区","国家","服务分类"]]
X_test

输出为：

X_test["预测销售额"]= lrl_pro1
X_test["预测利润"]= lrl_pro2
X_test

输出为：

X_test["地区"]= le1.inverse_transform(label1)
X_test["国家"]= le2.inverse_transform(label2)
X_test["服务分类"]= le3.inverse_transform(label3)
X_test

输出为：

X_test.drop_duplicates(inplace=True)
X_test.index =range(X_test.shape[0])
X_test

输出为：

1.4.3展示地区，国家，服务分类销售额预测的最大值

X_test.to_csv("./2021年第一季度预测.csv")
X_test.sort_values("预测销售额", ascending =False).head(1)

输出为：

任务2：可视化展示及分析

2.1.1绘制非洲各国产品销售地图

利用Tableau绘制非洲各国产品销售地

由绘制出的非洲各国产品销售地图可知，Neiger、BurkinaFaso、Zimbia等几个国家的利润严重亏损、没有盈利能力而处于非洲中部的一些国家如Congo、Centra以及南非的Swailand等国家有高额利润。

2.1.2绘制非洲各国产品销售额和利润数据图表

其中颜色深浅表示利润，发现国家South Africa的销售额和利润都显著高于其他，而Coted’lvoire的销售额排第四，但是却处于严重的亏损状态，建议降低成本、费用，下移保本点，指定目标战略、政策规划，降低固定工资部分，加大弹性工资部分，提提升人效。

2.2.1绘制各服务分类的销售额和利润的年增长率

其中Commercial服务，三年来利润持续下降，而Public在2019-2020年度显著提升。

其中Public在2019-2020年度销售额有明显提升，与该年度的利润增长相符合

2.2.2绘制各服务分类的销售额和利润的季度增长率

2.3绘制2021年第一季度各服务分类的销售额和利润预测值的图标

2.4绘制销售经理销售合同数Top5

2.5绘制国家销售额后10名

2.6.1设计数字大屏

2.6.1分析公司产品销售情况和盈利能力，并给出指导建议

对企业来说，从事经营活动最大的目的就是赚取利润并维持企业不断地发展。因此对盈利能力的分析就显得尤为重要，要想获取利润，持续稳定的经营与发展是基础，而获取利润优势是企业持续发展的保证。从盈利的角度来看，应着重对那些低销售额高利润的地区加大产品推广，对那些高销售额负利润的地区，应调整经营思路，提高企业收益水平。
从不同地区收益情况以及年份季度分析出，对于服务类型说，Commercial类型的服务需求量逐年放缓，说明该类型的服务已达到饱和，应着重于产品的售后服务，适量减少该类型的生产量。充分利用媒体设备，将产品需求量较少的产品广播宣传，调查当地用户习惯，有针对性的改良不同类型的产品在该地区的适应性。在非洲东部地区有高销售额和高收益，其他地区应该多向该地区学习。控制成本，实现利润最大化，使企业在竞争中立于不败之地。