???作者介紹：10年大廠(chǎng)數(shù)據(jù)\經(jīng)營(yíng)分析經(jīng)驗(yàn)，現(xiàn)任大廠(chǎng)數(shù)據(jù)部門(mén)負(fù)責(zé)人。
會(huì)一些的技術(shù)：數(shù)據(jù)分析、算法、SQL、大數(shù)據(jù)相關(guān)、python

歡迎加入社區(qū)：碼上找工作
作者專(zhuān)欄每日更新：

LeetCode解鎖1000題: 打怪升級(jí)之旅
python數(shù)據(jù)分析可視化：企業(yè)實(shí)戰(zhàn)案例
備注說(shuō)明：方便大家閱讀，統(tǒng)一使用python，帶必要注釋?zhuān)娞?hào) 數(shù)據(jù)分析螺絲釘 一起打怪升級(jí)

桑基圖（Sankey Diagram）是一種特殊類(lèi)型的流圖，以流的寬度來(lái)表示數(shù)據(jù)量的大小，廣泛應(yīng)用于展示能量、材料、成本或其他信息的流動(dòng)和轉(zhuǎn)化。它能直觀地顯示多個(gè)過(guò)程或階段之間的關(guān)系，以及在這些過(guò)程中量的分配或轉(zhuǎn)換情況。介紹?；鶊D之前我們先介紹一下這次主要用到的庫(kù)plotly：

plotly庫(kù)介紹

plotly是一個(gè)非常強(qiáng)大的Python圖形庫(kù)，它支持創(chuàng)建豐富的交互式圖表和數(shù)據(jù)可視化。作為一個(gè)開(kāi)源庫(kù)，plotly允許用戶(hù)以簡(jiǎn)單的Python代碼生成復(fù)雜的圖形，如線(xiàn)圖、散點(diǎn)圖、柱狀圖、餅圖、熱力圖、3D圖和桑基圖等。由于其交互性強(qiáng)，plotly生成的圖表可以讓用戶(hù)通過(guò)鼠標(biāo)操作（如點(diǎn)擊、拖拽、縮放等）來(lái)探索數(shù)據(jù)，這使得plotly在數(shù)據(jù)分析和科學(xué)研究中尤為受歡迎。

核心特點(diǎn)

1. 交互性：plotly圖表具有高度的交互性，用戶(hù)可以直接在圖表上進(jìn)行操作，如懸停顯示詳細(xì)信息、縮放、更新數(shù)據(jù)等。

2. 多平臺(tái)支持：plotly可以在Jupyter Notebook中直接使用，同時(shí)支持將圖表導(dǎo)出為HTML文件，便于在網(wǎng)頁(yè)中嵌入和分享。

3. 豐富的圖表類(lèi)型：plotly支持廣泛的圖表類(lèi)型，能夠覆蓋絕大多數(shù)的數(shù)據(jù)可視化需求。

4. 高度可定制：幾乎圖表中的每個(gè)元素都是可定制的，包括顏色、大小、布局等，滿(mǎn)足個(gè)性化的展示需求。

5. 與Dash結(jié)合：plotly是構(gòu)建Dash應(yīng)用的核心庫(kù)之一，Dash是一個(gè)用于構(gòu)建數(shù)據(jù)驅(qū)動(dòng)的Web應(yīng)用的框架，利用plotly進(jìn)行數(shù)據(jù)可視化。

基本用法

安裝plotly：

pip install plotly

創(chuàng)建一個(gè)簡(jiǎn)單的散點(diǎn)圖：

import plotly.graph_objects as go

# 創(chuàng)建散點(diǎn)圖
fig = go.Figure(data=go.Scatter(x=[1, 2, 3, 4], y=[10, 11, 12, 13], mode='markers'))

# 顯示圖表
fig.show()

創(chuàng)建?；鶊D：

import plotly.graph_objects as go

fig = go.Figure(go.Sankey(
    node=dict(
        pad=15,
        thickness=20,
        line=dict(color="black", width=0.5),
        label=["Node 1", "Node 2", "Node 3"],
    ),
    link=dict(
        source=[0, 1],  # 定義源節(jié)點(diǎn)
        target=[2, 2],  # 定義目標(biāo)節(jié)點(diǎn)
        value=[8, 4],  # 定義流量值
    )))

fig.update_layout(title_text="簡(jiǎn)單?；鶊D示例")
fig.show()

高級(jí)用法

動(dòng)畫(huà)

plotly支持為圖表添加動(dòng)畫(huà)效果，這對(duì)于展示隨時(shí)間變化的數(shù)據(jù)特別有用。例如，可以創(chuàng)建一個(gè)動(dòng)畫(huà)來(lái)展示股票價(jià)格的變化或者氣候變化的模擬。

import plotly.graph_objects as go
from plotly.subplots import make_subplots

# 創(chuàng)建帶有動(dòng)畫(huà)的散點(diǎn)圖
fig = make_subplots(rows=1, cols=1)

# 添加初始數(shù)據(jù)
fig.add_trace(go.Scatter(x=[1, 2, 3, 4], y=[10, 11, 12, 13], mode="markers"), row=1, col=1)

# 添加動(dòng)畫(huà)幀
fig.add_trace(go.Scatter(x=[1, 2, 3, 4], y=[13, 11, 12, 10], mode="markers"), row=1, col=1)

fig.update_layout(updatemenus=[dict(type="buttons",
                                     buttons=[dict(label="Play",
                                                   method="animate",
                                                   args=[None])])])

# 定義動(dòng)畫(huà)
fig.update(frames=[go.Frame(data=[go.Scatter(x=[1, 2, 3, 4], y=[11, 12, 13, 14])]),
                    go.Frame(data=[go.Scatter(x=[1, 2, 3, 4], y=[14, 13, 12, 11])])])

fig.show()

展示-點(diǎn)擊前

展示-點(diǎn)擊后

子圖布局

plotly允許在一個(gè)圖表中創(chuàng)建多個(gè)子圖（subplot），這在需要同時(shí)展示多個(gè)相關(guān)數(shù)據(jù)集時(shí)非常有用。

from plotly.subplots import make_subplots
import plotly.graph_objects as go

# 創(chuàng)建包含2行1列子圖的圖表
fig = make_subplots(rows=2, cols=1)

# 添加第一個(gè)子圖：折線(xiàn)圖
fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1)

# 添加第二個(gè)子圖：柱狀圖
fig.add_trace(go.Bar(x=[1, 2, 3], y=[3, 2, 1]), row=2, col=1)

fig.show()

樣式定制

plotly提供了廣泛的樣式定制選項(xiàng)，包括顏色、字體、圖例、布局等，使得圖表完全符合你的品牌或個(gè)人偏好。

import plotly.graph_objects as go

fig = go.Figure(data=go.Bar(x=['A', 'B', 'C'], y=[20, 14, 23]))
fig.update_layout(title_text='自定義樣式示例',
                  title_font_size=20,
                  xaxis=dict(title='X軸標(biāo)題'),
                  yaxis=dict(title='Y軸標(biāo)題'),
                  paper_bgcolor='lightgray',
                  plot_bgcolor='lightblue')
fig.show()

與Dash集成創(chuàng)建交互式Web應(yīng)用

plotly是Dash框架的核心，Dash允許開(kāi)發(fā)者用純Python構(gòu)建豐富的交互式Web應(yīng)用。這使得plotly不僅限于靜態(tài)的數(shù)據(jù)可視化，還可以用于開(kāi)發(fā)復(fù)雜的分析工具和儀表盤(pán)。

# 需要安裝dash庫(kù)
from dash import Dash, dcc, html
import plotly.graph_objects as go

app = Dash(__name__)

fig = go.Figure(data=go.Bar(y=[1, 3, 2]))
graph = dcc.Graph(figure=fig)

app.layout = html.Div(children=[html.H1(children='Hello Dash'),
                                html.Div(children='Dash: Web Dashboards with Python.'),
                                graph])

if __name__ == '__main__':
    app.run_server(debug=True)

企業(yè)場(chǎng)景

1. 能源流動(dòng)：展示能源從來(lái)源到最終用途的轉(zhuǎn)化和分布，如電力或熱能的生產(chǎn)、傳輸和消耗過(guò)程。

2. 成本流分析：在生產(chǎn)和服務(wù)過(guò)程中，通過(guò)?；鶊D可以直觀地顯示不同成本因素（原材料、人工、運(yùn)輸?shù)龋┤绾谓M成總成本。

3. 物料與資源流：用于展示在生產(chǎn)系統(tǒng)中物料的流動(dòng)路徑和損耗情況，幫助優(yōu)化資源利用效率。

4. 網(wǎng)站用戶(hù)行為：分析用戶(hù)在網(wǎng)站或應(yīng)用中的行為路徑，如頁(yè)面訪(fǎng)問(wèn)流程、購(gòu)物車(chē)添加到購(gòu)買(mǎi)的轉(zhuǎn)化流程等。

5. 供應(yīng)鏈與物流：顯示產(chǎn)品從原材料采購(gòu)、生產(chǎn)加工到最終銷(xiāo)售的全過(guò)程中的物流和信息流。

使用方法

?；鶊D的制作涉及以下幾個(gè)關(guān)鍵步驟：

1. 確定節(jié)點(diǎn)：定義圖中的所有節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表流程中的一個(gè)狀態(tài)或階段。

2. 定義流：確定節(jié)點(diǎn)之間的流動(dòng)關(guān)系，包括流的來(lái)源和去向。

3. 量化數(shù)據(jù)：為每條流分配一個(gè)量值，量值的大小將決定圖中流的寬度。

4. 選擇工具：根據(jù)需求選擇合適的工具繪制?；鶊D。常用的工具包括Python的matplotlib、plotly庫(kù)，以及在線(xiàn)制圖工具如SankeyMATIC或Google Charts等。

5. 自定義樣式：根據(jù)展示需求調(diào)整桑基圖的顏色、標(biāo)簽、布局等，使圖表更加直觀易懂。

案例分析-城市在一年內(nèi)的能源消耗流動(dòng)

背景

假設(shè)我們需要分析一個(gè)城市在一年內(nèi)的能源消耗流動(dòng)情況。這個(gè)城市主要的能源來(lái)源包括：太陽(yáng)能、風(fēng)能、煤炭和天然氣。這些能源被用于發(fā)電、供暖和汽車(chē)燃料。目標(biāo)是直觀展示各種能源來(lái)源到最終用途的流動(dòng)路徑及其量值，從而評(píng)估城市能源利用的效率和可持續(xù)性

數(shù)據(jù)

展示了能源流動(dòng)的來(lái)源、目標(biāo)和量值：

數(shù)據(jù)可視化

通過(guò)桑基圖，我們可以直觀地看到城市能源消耗的全貌，包括各種能源來(lái)源對(duì)發(fā)電、供暖和汽車(chē)燃料的貢獻(xiàn)比例。從圖中可以發(fā)現(xiàn)，煤炭是主要的能源來(lái)源，尤其在發(fā)電和供暖方面的貢獻(xiàn)最大，但這也可能意味著較高的碳排放。太陽(yáng)能和風(fēng)能雖然對(duì)發(fā)電有所貢獻(xiàn)，但總量相對(duì)較小，表明可再生能源的利用率有待提高

python代碼

import?plotly.graph_objects?as?go
# 定義節(jié)點(diǎn)：能源來(lái)源 + 使用目的
labels?=?["太陽(yáng)能",?"風(fēng)能",?"煤炭",?"天然氣",?"發(fā)電",?"供暖",?"汽車(chē)燃料"]
# 定義流：源節(jié)點(diǎn)、目標(biāo)節(jié)點(diǎn)、流量值
source = [0, 1, 2, 3, 3, 2, 2, 3]  # 能源來(lái)源節(jié)點(diǎn)索引
target = [4, 4, 4, 4, 5, 5, 6, 6]  # 使用目的節(jié)點(diǎn)索引
value?=?[120,?180,?500,?200,?150,?350,?50,?30]??#?流量值（千兆瓦時(shí)）
# 創(chuàng)建?；鶊D
fig = go.Figure(data=[go.Sankey(
    node=dict(
      pad=15,  # 節(jié)點(diǎn)間距
      thickness=20,  # 節(jié)點(diǎn)厚度
      line=dict(color="black", width=0.5),
      label=labels,
    ),
    link=dict(
      source=source,  # 源節(jié)點(diǎn)索引列表
      target=target,  # 目標(biāo)節(jié)點(diǎn)索引列表
      value=value,  # 流量值列表
????))])
fig.update_layout(title_text="城市能源消耗流動(dòng)分析", font_size=10)
fig.show()

案例分析-企業(yè)成本分析

場(chǎng)景

一家大型企業(yè)希望通過(guò)深入分析其一年內(nèi)的成本構(gòu)成來(lái)識(shí)別成本節(jié)約的機(jī)會(huì)。該企業(yè)的成本主要包括原材料成本、勞動(dòng)力成本、制造成本、銷(xiāo)售與市場(chǎng)推廣成本以及其他運(yùn)營(yíng)成本。通過(guò)構(gòu)建一個(gè)?；鶊D，企業(yè)能夠直觀地理解不同成本部分如何貢獻(xiàn)到總成本中，并識(shí)別可能的成本優(yōu)化領(lǐng)域。

數(shù)據(jù)

以下是該企業(yè)一年內(nèi)不同成本部分的數(shù)據(jù)（單位：百萬(wàn)美元）：

cost_data = {
    '總成本': 1000,
    '原材料成本': 300,
    '勞動(dòng)力成本': 200,
    '制造成本': 250,
    '銷(xiāo)售與市場(chǎng)推廣成本': 150,
    '其他運(yùn)營(yíng)成本': 100
}

?

數(shù)據(jù)可視化

原材料成本和勞動(dòng)力成本是主要的直接成本：這兩項(xiàng)成本直接流向制造成本，表明它們是生產(chǎn)過(guò)程中最重要的成本組成部分。這反映了在制造行業(yè)中，原材料采購(gòu)和人力資源管理對(duì)于成本控制的重要性。

制造成本占總成本的一大塊：制造成本不僅包括原材料和勞動(dòng)力，還可能包含其他間接成本，如設(shè)備折舊、能源消耗等。這提示管理層需要關(guān)注生產(chǎn)效率和生產(chǎn)過(guò)程中的成本優(yōu)化

import plotly.graph_objects as go
?
# 定義?；鶊D的節(jié)點(diǎn)標(biāo)簽
labels = ["總成本", "原材料成本", "勞動(dòng)力成本", "制造成本", "銷(xiāo)售與市場(chǎng)推廣成本", "其他運(yùn)營(yíng)成本"]
?
# 定義?；鶊D的流
source = [1, 2, 3, 3, 3, 3]  # 流的源節(jié)點(diǎn)索引
target = [3, 3, 0, 4, 5, 0]  # 流的目標(biāo)節(jié)點(diǎn)索引
value = [300, 200, 250, 150, 100, 500]  # 流的數(shù)值
customdata = ["300百萬(wàn)美元", "200百萬(wàn)美元", "250百萬(wàn)美元", "150百萬(wàn)美元", "100百萬(wàn)美元", "500百萬(wàn)美元"] # 自定義數(shù)據(jù)
?
# 創(chuàng)建?；鶊D
fig = go.Figure(data=[go.Sankey(
    node=dict(
      pad=15,
      thickness=20,
      line=dict(color="black", width=0.5),
      label=labels,
    ),
    link=dict(
      source=source,  # 源節(jié)點(diǎn)索引列表
      target=target,  # 目標(biāo)節(jié)點(diǎn)索引列表
      value=value,  # 流的數(shù)值
      customdata=customdata,  # 流的自定義數(shù)據(jù)
      hovertemplate='%{customdata}<extra></extra>'  # 設(shè)置鼠標(biāo)懸停時(shí)顯示的文本模板
    ))])
?
fig.update_layout(title_text="年度企業(yè)成本分析桑基圖", font_size=10)
fig.show()

案例分析-電子商務(wù)網(wǎng)站用戶(hù)行為

場(chǎng)景

一個(gè)電子商務(wù)網(wǎng)站希望分析其用戶(hù)的行為路徑，從訪(fǎng)問(wèn)首頁(yè)開(kāi)始，到瀏覽產(chǎn)品、添加到購(gòu)物車(chē)、進(jìn)行結(jié)算，最后到完成購(gòu)買(mǎi)的整個(gè)流程。目的是為了了解在哪些步驟中用戶(hù)最可能流失，以便采取措施優(yōu)化用戶(hù)體驗(yàn)和提高轉(zhuǎn)化率。

數(shù)據(jù)

以下是一個(gè)簡(jiǎn)化的示例數(shù)據(jù)，描述了用戶(hù)在不同步驟中的數(shù)量：

• 首頁(yè)訪(fǎng)問(wèn): 10000 用戶(hù)

• 瀏覽產(chǎn)品: 5000 用戶(hù)

• 添加到購(gòu)物車(chē): 2500 用戶(hù)

• 進(jìn)行結(jié)算: 1250 用戶(hù)

• 完成購(gòu)買(mǎi): 600 用戶(hù)

數(shù)據(jù)可視化

直接在?；鶊D流上或節(jié)點(diǎn)旁靜態(tài)顯示轉(zhuǎn)化率在plotly中并不直接支持，因此以下示例采用了一種間接的方式，即在圖表的標(biāo)題中包含轉(zhuǎn)化率信息會(huì)更直觀一些

基于網(wǎng)站用戶(hù)行為路徑的桑基圖分析，其中展示了從“首頁(yè)訪(fǎng)問(wèn)”到“完成購(gòu)買(mǎi)”的整個(gè)過(guò)程，以及各個(gè)步驟的轉(zhuǎn)化率，我們可以得出以下結(jié)論：

顯著的轉(zhuǎn)化漏斗：數(shù)據(jù)明顯展示了一個(gè)典型的轉(zhuǎn)化漏斗模型，用戶(hù)數(shù)量從首頁(yè)訪(fǎng)問(wèn)到最終購(gòu)買(mǎi)逐步減少。這種模式在電子商務(wù)網(wǎng)站中很常見(jiàn)，但關(guān)鍵在于識(shí)別和優(yōu)化轉(zhuǎn)化路徑中的關(guān)鍵節(jié)點(diǎn)，以最大化轉(zhuǎn)化率。

關(guān)鍵流失點(diǎn)：在從“添加到購(gòu)物車(chē)”到“進(jìn)行結(jié)算”的過(guò)程中，轉(zhuǎn)化率出現(xiàn)了明顯下降。這提示我們這一環(huán)節(jié)可能是用戶(hù)流失的關(guān)鍵點(diǎn)，需要進(jìn)一步分析原因（如是否購(gòu)物車(chē)頁(yè)面的用戶(hù)體驗(yàn)存在問(wèn)題，結(jié)算流程是否過(guò)于復(fù)雜等），并采取相應(yīng)的優(yōu)化措施。

簡(jiǎn)化購(gòu)買(mǎi)流程：由于在結(jié)算環(huán)節(jié)存在較大的流失，簡(jiǎn)化購(gòu)買(mǎi)和結(jié)算流程可能有助于提高轉(zhuǎn)化率。這可能包括減少結(jié)算步驟、優(yōu)化移動(dòng)端體驗(yàn)、提供更多支付選項(xiàng)等。增強(qiáng)用戶(hù)參與度：在瀏覽產(chǎn)品階段增加用戶(hù)的參與和互動(dòng)（如通過(guò)推薦系統(tǒng)、限時(shí)優(yōu)惠等），可能有助于提高用戶(hù)從瀏覽到添加購(gòu)物車(chē)的轉(zhuǎn)化率。

python代碼

import plotly.graph_objects as go
?
# ?；鶊D的數(shù)據(jù)
labels = ["首頁(yè)訪(fǎng)問(wèn)", "瀏覽產(chǎn)品", "添加到購(gòu)物車(chē)", "進(jìn)行結(jié)算", "完成購(gòu)買(mǎi)"]
source = [0, 1, 2, 3]
target = [1, 2, 3, 4]
value = [5000, 2500, 1250, 600]
?
# 計(jì)算轉(zhuǎn)化率
conversion_rates = [f"{value[i]/value[i-1]*100:.2f}%" for i in range(1, len(value))]
conversion_rates.insert(0, "100%")  # 假設(shè)第一個(gè)轉(zhuǎn)化率為100%
?
# 構(gòu)建標(biāo)題，包含轉(zhuǎn)化率信息
title_text = "網(wǎng)站用戶(hù)行為路徑分析<br><sup>轉(zhuǎn)化率: 首頁(yè)訪(fǎng)問(wèn)到瀏覽產(chǎn)品: {}, 瀏覽產(chǎn)品到添加到購(gòu)物車(chē): {}, " \
             "添加到購(gòu)物車(chē)到進(jìn)行結(jié)算: {}, 進(jìn)行結(jié)算到完成購(gòu)買(mǎi): {}</sup>".format(*conversion_rates)
?
fig = go.Figure(data=[go.Sankey(
    node=dict(
        pad=15,
        thickness=20,
        line=dict(color="black", width=0.5),
        label=labels,
    ),
    link=dict(
        source=source, 
        target=target, 
        value=value, 
    ))])
?
fig.update_layout(title_text=title_text, font_size=10)
fig.show()

案例分析-全球智能手機(jī)供應(yīng)鏈與物流分析

場(chǎng)景

一個(gè)全球智能手機(jī)品牌想要分析其供應(yīng)鏈和物流網(wǎng)絡(luò)，以便更好地理解從原材料采購(gòu)、組件制造、組裝，到最終產(chǎn)品分銷(xiāo)的整個(gè)流程。該品牌的供應(yīng)鏈涉及多個(gè)國(guó)家，包括原材料的采購(gòu)（如稀有金屬來(lái)自澳大利亞和剛果），組件的制造（如處理器來(lái)自臺(tái)灣，屏幕來(lái)自韓國(guó)），在中國(guó)組裝，最后產(chǎn)品銷(xiāo)售遍及全球。通過(guò)構(gòu)建一個(gè)桑基圖，公司希望能夠直觀地展示這一復(fù)雜網(wǎng)絡(luò)中的主要流動(dòng)路徑和量級(jí)。

數(shù)據(jù)

以下是簡(jiǎn)化的示例數(shù)據(jù)：

• 原材料：澳大利亞（稀有金屬）、剛果（鈷）

• 組件制造：臺(tái)灣（處理器）、韓國(guó)（屏幕）

• 組裝：中國(guó)

• 銷(xiāo)售：美國(guó)、歐洲、印度、其他地區(qū)

假設(shè)的產(chǎn)品流量（單位：萬(wàn)臺(tái)）：

• 澳大利亞到中國(guó)：500

• 剛果到中國(guó)：500

• 臺(tái)灣到中國(guó)：1000

• 韓國(guó)到中國(guó)：1000

• 中國(guó)到美國(guó)：500

• 中國(guó)到歐洲：400

• 中國(guó)到印度：300

• 中國(guó)到其他地區(qū)：300

數(shù)據(jù)可視化

分析結(jié)論

供應(yīng)鏈全球化：智能手機(jī)供應(yīng)鏈的全球化特征非常明顯，原材料和關(guān)鍵組件的供應(yīng)跨越多個(gè)國(guó)家和地區(qū)，顯示了對(duì)全球資源的依賴(lài)和利用。

中國(guó)的制造中心角色：中國(guó)作為智能手機(jī)的主要組裝地，再次凸顯了其在全球制造業(yè)中的中心地位，利用其成熟的供應(yīng)鏈和物流體系。

主要市場(chǎng)分布：智能手機(jī)的主要銷(xiāo)售市場(chǎng)集中在美國(guó)、歐洲和印度，這些地區(qū)的銷(xiāo)售量占據(jù)了大部分，但也有相當(dāng)一部分分布在其他地區(qū)，表明智能手機(jī)市場(chǎng)的廣泛性和多樣性。

優(yōu)化建議

多元化供應(yīng)鏈：鑒于供應(yīng)鏈的全球化和對(duì)特定地區(qū)的依賴(lài)，企業(yè)應(yīng)考慮多元化其供應(yīng)鏈，以減少地緣政治風(fēng)險(xiǎn)、自然災(zāi)害或貿(mào)易政策變化帶來(lái)的影響。

提高供應(yīng)鏈的透明度和可追溯性：增加供應(yīng)鏈的透明度，確保原材料的可持續(xù)采購(gòu)和道德生產(chǎn)，這不僅能提高品牌形象，還能減少潛在的供應(yīng)風(fēng)險(xiǎn)。

優(yōu)化物流和庫(kù)存管理：利用先進(jìn)的數(shù)據(jù)分析和預(yù)測(cè)模型，優(yōu)化庫(kù)存水平和物流效率，減少運(yùn)輸成本，提高響應(yīng)市場(chǎng)變化的能力。

增強(qiáng)本地市場(chǎng)的銷(xiāo)售策略：針對(duì)主要銷(xiāo)售市場(chǎng)以外的“其他地區(qū)”，探索更多本地化的銷(xiāo)售和營(yíng)銷(xiāo)策略，以挖掘新的增長(zhǎng)點(diǎn)。

提升供應(yīng)鏈的靈活性和韌性：構(gòu)建一個(gè)更加靈活和韌性的供應(yīng)鏈體系，能夠快速適應(yīng)市場(chǎng)需求的變化，應(yīng)對(duì)突發(fā)事件，保證供應(yīng)鏈的連續(xù)性和效率。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-854104.html

python代碼

import plotly.graph_objects as go
?
# 定義桑基圖節(jié)點(diǎn)
labels = [
    "澳大利亞", "剛果", "臺(tái)灣", "韓國(guó)", 
    "中國(guó)", "美國(guó)", "歐洲", "印度", "其他地區(qū)"
]
?
# 定義流的源和目的
source = [0, 1, 2, 3, 4, 4, 4, 4]
target = [4, 4, 4, 4, 5, 6, 7, 8]
value = [500, 500, 1000, 1000, 500, 400, 300, 300]
?
# 創(chuàng)建?；鶊D
fig = go.Figure(data=[go.Sankey(
    node=dict(
      pad=15,
      thickness=20,
      line=dict(color="black", width=0.5),
      label=labels,
    ),
    link=dict(
      source=source,
      target=target,
      value=value,
    ))])
?
# 更新圖表的布局和標(biāo)題，包括主要數(shù)據(jù)
title_text = """
全球智能手機(jī)供應(yīng)鏈與物流分析<br>
<sup>原材料和組件: 澳大利亞(500萬(wàn)臺(tái)), 剛果(500萬(wàn)臺(tái)), 臺(tái)灣(1000萬(wàn)臺(tái)), 韓國(guó)(1000萬(wàn)臺(tái))<br>
組裝地點(diǎn): 中國(guó); 主要銷(xiāo)售市場(chǎng): 美國(guó)(500萬(wàn)臺(tái)), 歐洲(400萬(wàn)臺(tái)), 印度(300萬(wàn)臺(tái)), 其他地區(qū)(300萬(wàn)臺(tái))</sup>
"""
?
fig.update_layout(title_text=title_text, font_size=10)
fig.show()

到了這里，關(guān)于【python plotly庫(kù)介紹】從視覺(jué)到洞見(jiàn)：?；鶊D在業(yè)務(wù)分析中的應(yīng)用【保姆級(jí)教程過(guò)于詳細(xì)珍藏版】的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！