Data Mining Course Project
亚马逊印度电商商品市场分析
1,465
Products Analyzed
16
Data Fields
13
Visualizations
3
ML Models
遵循 CRISP-DM 数据挖掘标准流程，对 Amazon India 产品数据实施从清洗、EDA 到 K-Means 聚类与随机森林回归的全流程分析，揭示电商定价与用户反馈的真实关系。
Executive Summary
核心发现
01
折扣与评分几乎零相关
皮尔逊 r = −0.16，随机森林 R² = 0.082。双重验证：降价不能有效提升用户满意度。产品品质和品牌口碑才是真正的竞争壁垒。
02
产品可明确分为三类运营群
K-Means（K=3）将产品分为低价冲量型（63.9% 折扣）、中价低折型（28.9% 折扣）、高价保利型（30.9% 折扣），为差异化运营提供量化依据。
03
价格仅能解释 8% 的评分方差
随机森林回归用 5 个可观测特征预测评分，R² 仅 0.082。评分 92% 由产品品质、品牌口碑等不可观测因素决定——不要在定价上内卷。
Key Evidence
关键数据证据
价格、折扣与品类结构
Key Insight
三品类三足鼎立（Electronics 35.9%、Computers 30.9%、Home & Kitchen 30.5%），折扣率呈双峰分布（40–50% 和 60–70%），反映平台差异化定价策略。
K-Means 聚类：Elbow Method + 聚类结果
Key Insight
Elbow Method 确定 K=3。聚类将产品分为三类：低价冲量（795件,₹1,007,63.9%）、中价低折（564件,₹3,131,28.9%）、高价保利（68件,₹29,367,30.9%）。
Recommendations
运营建议
产品分群运营
低价群冲量引流，中价群稳利润，高价群树品牌。三类产品的营销预算、促销节奏、库存深度应完全不同。
Home & Kitchen 是安全赛道
评分中位数最高且方差最小，消费者预期匹配度好。新品首发优选该品类，避开 Cables & Accessories 红海。
投资产品力而非折扣战
价格仅解释 8% 的评分方差。与其在折扣上竞争，不如投资产品品质和品牌建设。
Deep Dive
查看完整报告
包含 13 张独立图表、完整 EDA 过程、K-Means 聚类与随机森林回归建模细节
阅读全文