Защо оборотът падна?

Накратко: Проект за анализ на данни от въпроса до доклада: почистване, графики, проверка за шум, разбиване на спада на оборота по брой поръчки, категория, ден и канал и модел за загубата с интервал.

Проблем

„Защо септември е толкова слаб?“

Управителят е видял отчета: оборотът за септември 2026 е 7 128,80 €, а за август 8 812,70 €. Това е 19,1% надолу. Той има три идеи на масата: да спре рекламата, защото „не работи“, да смени доставчика на млечните или да пусне отстъпки.

Всяка идея е отговор на различна причина. Ако спадът е шум, не правиш нищо. Ако е от продукт, гледаш доставчика. Ако хората купуват по-малко, мислиш за цените. Затова въпросът на анализа не е „колко е спадът“, а „къде е спадът, за да знаем какво да поправим“.

В този проект минаваш целия път от курса: данните, почистването, графиката, проверката за шум, разбиването, модела и доклада. Числата са от годината поръчки на магазина, а отговорът не е там, където очакват идеите на управителя.

Идеята

Данните и почистването

Две таблици: year_orders.csv (поръчка, клиент, време, канал, състояние) и year_items.csv (редовете на поръчките). Стойността на поръчката е сборът от редовете ѝ. Отказаните поръчки не са оборот:

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()

print(len(orders), len(sold))
print(orders['status'].value_counts())
print(sold['value'].isna().sum(), round(sold['value'].min(), 2))
print(sold['day'].min().date(), sold['day'].max().date(), sold['day'].nunique())
print(round(sold['value'].sum(), 2))

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() print(len(orders), len(sold)) print(orders['status'].value_counts()) print(sold['value'].isna().sum(), round(sold['value'].min(), 2)) print(sold['day'].min().date(), sold['day'].max().date(), sold['day'].nunique()) print(round(sold['value'].sum(), 2))

▶ ИзпълниВърни кода

Поръчките са 11 116, а без 657-те отказани остават 10 459. Преди да смяташ, провери почистването: всяка поръчка има стойност (0 липсващи), най-малката е 0,80 €, а дните са 365, от 1.11.2025 до 31.10.2026. Оборотът за годината е 111 186,20 €, същото число като в модула „Подреждане на данни“.

new, paid и shipped са поръчки от последната седмица, които още пътуват. Броиш ги: платени са или ще бъдат. Колоната channel казва откъде е дошла поръчката: сайтът (web), приложението (app) или телефонът (phone).

Напиши почистването сам. orders['ordered_at'] да е дата, items['revenue'] оборотът на всеки ред, orders['value'] стойността на всяка поръчка, а sold поръчките без отказаните.

Pythonданни: таблиците на магазина

import pandas as pd

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = ...
items['revenue'] = ...
orders['value'] = ...
sold = ...
print(len(sold), round(sold['value'].sum(), 2))

import pandas as pd orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = ... items['revenue'] = ... orders['value'] = ... sold = ... print(len(sold), round(sold['value'].sum(), 2))

Провери▶ Изпълни

Идеята

Първо графиката

Преди да търсиш причина, виж спада в контекста на годината:

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
daily = sold.groupby('day')['value'].sum()
monthly = sold.groupby('month')['value'].sum()

aug, sep = monthly['2026-08'], monthly['2026-09']
print(round(aug, 2), round(sep, 2), round((sep / aug - 1) * 100, 1))
print(round(monthly['2026-10'], 2))

fig, ax = plt.subplots(figsize=(8, 3.5))
ax.bar(monthly.index.str[2:], monthly.values, color=['C3' if m == '2026-09' else 'C0' for m in monthly.index])
ax.set_title('Оборот по месеци, €')
ax.set_xlabel('месец')
ax.set_ylabel('€')

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() daily = sold.groupby('day')['value'].sum() monthly = sold.groupby('month')['value'].sum() aug, sep = monthly['2026-08'], monthly['2026-09'] print(round(aug, 2), round(sep, 2), round((sep / aug - 1) * 100, 1)) print(round(monthly['2026-10'], 2)) fig, ax = plt.subplots(figsize=(8, 3.5)) ax.bar(monthly.index.str[2:], monthly.values, color=['C3' if m == '2026-09' else 'C0' for m in monthly.index]) ax.set_title('Оборот по месеци, €') ax.set_xlabel('месец') ax.set_ylabel('€')

▶ ИзпълниВърни кода

Септември е 7 128,80 € срещу 8 812,70 € през август: −19,1%. Октомври е 9 920,40 €, значи спадът не продължава. Графиката показва и друго: декември е над 15 000 €, а януари и февруари също са ниски. Септември е спад насред нормални месеци, а не част от сезон.

Септември има 30 дни, а август 31. Дали това не обяснява част от спада? Запиши в per_day оборота на ден за всеки месец, а в change промяната на оборота на ден от август към септември в проценти.

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
daily = sold.groupby('day')['value'].sum()
monthly = sold.groupby('month')['value'].sum()

per_day = ...
change = ...
print(per_day.round(2))
print(round(change, 1))

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() daily = sold.groupby('day')['value'].sum() monthly = sold.groupby('month')['value'].sum() per_day = ... change = ... print(per_day.round(2)) print(round(change, 1))

Провери▶ Изпълни

Идеята

Шум ли е?

Месеците винаги се различават малко. Преди да търсиш причина, провери дали спадът е по-голям от обичайния шум. Сравняваш дните: 31 дни на август срещу 30 на септември, с пермутационния тест от урока за хипотезите. Отдолу е промяната на оборота на ден от месец на месец:

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
daily = sold.groupby('day')['value'].sum()
monthly = sold.groupby('month')['value'].sum()

aug = daily.loc['2026-08'].to_numpy()
sep = daily.loc['2026-09'].to_numpy()
gap = aug.mean() - sep.mean()
print(len(aug), len(sep), round(aug.mean(), 2), round(sep.mean(), 2), round(gap, 2))

rng = np.random.default_rng(42)
both = np.concatenate([aug, sep])
shuffled = rng.permuted(np.tile(both, (10_000, 1)), axis=1)
gaps = shuffled[:, :len(aug)].mean(axis=1) - shuffled[:, len(aug):].mean(axis=1)
print(round(np.abs(gaps).max(), 2), (np.abs(gaps) >= abs(gap)).mean())

per_day = daily.groupby(daily.index.strftime('%Y-%m')).mean().rename_axis('month')
(per_day.pct_change() * 100).round(1).rename('change_%').loc['2026-02':]

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() daily = sold.groupby('day')['value'].sum() monthly = sold.groupby('month')['value'].sum() aug = daily.loc['2026-08'].to_numpy() sep = daily.loc['2026-09'].to_numpy() gap = aug.mean() - sep.mean() print(len(aug), len(sep), round(aug.mean(), 2), round(sep.mean(), 2), round(gap, 2)) rng = np.random.default_rng(42) both = np.concatenate([aug, sep]) shuffled = rng.permuted(np.tile(both, (10_000, 1)), axis=1) gaps = shuffled[:, :len(aug)].mean(axis=1) - shuffled[:, len(aug):].mean(axis=1) print(round(np.abs(gaps).max(), 2), (np.abs(gaps) >= abs(gap)).mean()) per_day = daily.groupby(daily.index.strftime('%Y-%m')).mean().rename_axis('month') (per_day.pct_change() * 100).round(1).rename('change_%').loc['2026-02':]

▶ ИзпълниВърни кода

Септемврийският ден носи средно с 46,65 € по-малко. От 10 000 разбърквания на дните само 74 дават поне толкова голяма разлика: p = 0,0074. Нормалните месеци от март до август се движат между −6,5% и +5,8%, а септември е −16,4%. Февруари (+16,8%) е връщането след празниците, а октомври (+34,7%) е връщането след септември.

Спадът не е шум. Има смисъл да търсиш причина.

1. Пермутационният тест за дните на август срещу дните на септември дава p = 0,0074. Какво следва от това?

Спадът е 99,26% сигурно заради нещо в септемвриАко месецът нямаше значение, разлика от 46,65 € на ден рядко би излязла случайно: спадът е истински и има смисъл да търсиш причинаСпадът е голям

Провери

Идеята

Разбий спада

Оборотът е брой поръчки по стойност на поръчка. Първото разбиване е кое от двете пада:

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()

summer = sold[sold['month'].isin(['2026-08', '2026-09'])]
summer.groupby('month').agg(orders=('id', 'count'), avg_order=('value', 'mean')).round(2)

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() summer = sold[sold['month'].isin(['2026-08', '2026-09'])] summer.groupby('month').agg(orders=('id', 'count'), avg_order=('value', 'mean')).round(2)

▶ ИзпълниВърни кода

Поръчките падат от 854 на 701 (−17,9%), а средната поръчка е почти същата: 10,32 € и 10,17 €. Кошницата не е по-малка, поръчките са по-малко. Отстъпките не са отговорът.

Може ли да е продукт, например млечните на новия доставчик? Оборотът по категории:

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()

products = pd.read_csv('products.csv')
categories = pd.read_csv('categories.csv')
lines = items.merge(sold[['id', 'month']], left_on='order_id', right_on='id')
cat_of = products.set_index('id')['category_id']
lines['category'] = lines['product_id'].map(cat_of).map(categories.set_index('id')['name']).fillna('Подаръчна карта')
table = lines.pivot_table(index='category', columns='month', values='revenue', aggfunc='sum')[['2026-08', '2026-09']]
table['change_%'] = ((table['2026-09'] / table['2026-08'] - 1) * 100).round(1)
table.round(2)

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() products = pd.read_csv('products.csv') categories = pd.read_csv('categories.csv') lines = items.merge(sold[['id', 'month']], left_on='order_id', right_on='id') cat_of = products.set_index('id')['category_id'] lines['category'] = lines['product_id'].map(cat_of).map(categories.set_index('id')['name']).fillna('Подаръчна карта') table = lines.pivot_table(index='category', columns='month', values='revenue', aggfunc='sum')[['2026-08', '2026-09']] table['change_%'] = ((table['2026-09'] / table['2026-08'] - 1) * 100).round(1) table.round(2)

▶ ИзпълниВърни кода

Пада всяка категория, от −9,0% (плодове и зеленчуци) до −34,3% (напитки). Подаръчната карта е +14,3%, но това са 160 € срещу 140 € през август, няколко карти. Ако виновникът беше един продукт, другите категории щяха да са нормални. Спадът е навсякъде: не е продуктът.

Дали спадът не е в един ден от седмицата, например магазинът не е работил в четвъртък? Запиши в by_wd средния оборот на ден за всеки ден от седмицата (редове 0–6) за август и септември (колони), и колона change_% с промяната в проценти.

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
daily = sold.groupby('day')['value'].sum()
monthly = sold.groupby('month')['value'].sum()

two = daily.loc['2026-08':'2026-09']
by_wd = ...
by_wd['change_%'] = ...
print(by_wd.round(1))

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() daily = sold.groupby('day')['value'].sum() monthly = sold.groupby('month')['value'].sum() two = daily.loc['2026-08':'2026-09'] by_wd = ... by_wd['change_%'] = ... print(by_wd.round(1))

Провери▶ Изпълни

Идеята

Каналът

Остана една колона, която още не си гледал: channel. Оборотът по месец и канал:

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()

table = sold.pivot_table(index='month', columns='channel', values='value', aggfunc='sum')
table.loc['2026-06':].round(2)

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() table = sold.pivot_table(index='month', columns='channel', values='value', aggfunc='sum') table.loc['2026-06':].round(2)

▶ ИзпълниВърни кода

Ето го. Сайтът (web) е 4 517,00 € през август и 4 660,80 € през септември. Телефонът (phone) е 999,70 € и 1 028,70 €. Те са нормални. Приложението (app) пада от 3 296,00 € на 1 439,30 € и се връща на 3 755,40 € през октомври.

Спадът на приложението е 1 856,70 €, повече от целия спад на магазина (1 683,90 €): другите два канала дори леко растат. Затова всяка категория и всеки ден падат заедно: приложението продава всичко, всеки ден.

Колко от оборота идва от приложението в обикновен месец? Запиши в share дела на app в оборота на всеки месец, в проценти.

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()

table = sold.pivot_table(index='month', columns='channel', values='value', aggfunc='sum')
share = ...
print(share.round(1))

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() table = sold.pivot_table(index='month', columns='channel', values='value', aggfunc='sum') share = ... print(share.round(1))

Провери▶ Изпълни

Идеята

Кога точно?

„Септември“ е грубо. Екипът на приложението ще пита за дата. Поръчките от приложението ден по ден, с плъзгащото средно за 7 дни, и дните около двата края:

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
counts = sold.pivot_table(index='day', columns='channel', values='id', aggfunc='count', fill_value=0)

app = counts['app'].loc['2026-08-01':'2026-10-31']
roll = app.rolling(7, center=True).mean()
fig, ax = plt.subplots(figsize=(8, 3.5))
ax.plot(app.index, app.values, lw=0.8, color='C0', alpha=0.5, label='на ден')
ax.plot(roll.index, roll.values, lw=2, color='C0', label='средно за 7 дни')
ax.set_title('Поръчки от приложението на ден')
ax.set_xlabel('ден')
ax.set_ylabel('поръчки')
ax.set_ylim(bottom=0)
ax.legend()

edges = pd.concat([counts.loc['2026-08-31':'2026-09-05'], counts.loc['2026-09-29':'2026-10-04']])
edges.index = edges.index.strftime('%d.%m')
edges[['app', 'web', 'phone']]

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() counts = sold.pivot_table(index='day', columns='channel', values='id', aggfunc='count', fill_value=0) app = counts['app'].loc['2026-08-01':'2026-10-31'] roll = app.rolling(7, center=True).mean() fig, ax = plt.subplots(figsize=(8, 3.5)) ax.plot(app.index, app.values, lw=0.8, color='C0', alpha=0.5, label='на ден') ax.plot(roll.index, roll.values, lw=2, color='C0', label='средно за 7 дни') ax.set_title('Поръчки от приложението на ден') ax.set_xlabel('ден') ax.set_ylabel('поръчки') ax.set_ylim(bottom=0) ax.legend() edges = pd.concat([counts.loc['2026-08-31':'2026-09-05'], counts.loc['2026-09-29':'2026-10-04']]) edges.index = edges.index.strftime('%d.%m') edges[['app', 'web', 'phone']]

▶ ИзпълниВърни кода

Линията пада в началото на септември и се връща в началото на октомври. Таблицата показва краищата. На 2.09 приложението има 9 поръчки, на 3.09 само 3, а на 5.09 нула, докато сайтът има 25 и 15. В края: 6 поръчки на 1.10, 8 на 2.10 и 12 на 3.10.

Плъзгащото средно размазва краищата с по няколко дни, затова датите се търсят в дните. Началото е ясно: 3.09. Краят е по-мътен: 2.10 вече е наполовина нормален, а от 3.10 приложението е като преди. Спадът е от 3.09 до 2.10, с точност до ден.

Намери датите с правило, а не на око. start е първият ден от 1.08.2026 нататък, в който приложението има под 20% от поръчките за деня. back е първият ден след start, в който поръчките от приложението са поне колкото медианата на нормалните дни (до 31.08).

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
counts = sold.pivot_table(index='day', columns='channel', values='id', aggfunc='count', fill_value=0)

share = counts['app'] / counts.sum(axis=1)
normal = counts.loc[:'2026-08-31', 'app']
start = ...
after = counts.loc[start:, 'app']
back = ...
print(start.date(), back.date(), normal.median())

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() counts = sold.pivot_table(index='day', columns='channel', values='id', aggfunc='count', fill_value=0) share = counts['app'] / counts.sum(axis=1) normal = counts.loc[:'2026-08-31', 'app'] start = ... after = counts.loc[start:, 'app'] back = ... print(start.date(), back.date(), normal.median())

Провери▶ Изпълни

Идеята

Колко струва спадът?

Управителят ще пита колко пари е струвало. Наивният отговор е „август минус септември“: 1 683,90 €. Но той приема, че септември трябваше да е като август. Октомври е по-силен от август, затова може и септември да е трябвало да е по-силен.

По-добро сравнение дават каналите, които работят. В нормално време приложението носи определен дял спрямо сайта и телефона. Този дял k е модел с едно число: предсказва оборота на приложението от оборота на другите два канала за същите дни. Учиш го от дните преди спада и го проверяваш върху дни, които не е виждал: октомври след спада.

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
by_day = sold.pivot_table(index='day', columns='channel', values='value', aggfunc='sum', fill_value=0)
by_day['rest'] = by_day['web'] + by_day['phone']
day = by_day.index
before = day < '2026-09-03'
drop = (day >= '2026-09-03') & (day <= '2026-10-02')
after = day > '2026-10-02'

k = by_day.loc[before, 'app'].sum() / by_day.loc[before, 'rest'].sum()
print('k:', round(k, 3))

# Проверка върху дни, които моделът не е виждал: октомври след спада.
print('октомври:', round(k * by_day.loc[after, 'rest'].sum(), 2), round(by_day.loc[after, 'app'].sum(), 2))

expected = k * by_day.loc[drop, 'rest'].sum()
actual = by_day.loc[drop, 'app'].sum()
print('спадът:', round(expected, 2), round(actual, 2), round(expected - actual, 2))

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() by_day = sold.pivot_table(index='day', columns='channel', values='value', aggfunc='sum', fill_value=0) by_day['rest'] = by_day['web'] + by_day['phone'] day = by_day.index before = day < '2026-09-03' drop = (day >= '2026-09-03') & (day <= '2026-10-02') after = day > '2026-10-02' k = by_day.loc[before, 'app'].sum() / by_day.loc[before, 'rest'].sum() print('k:', round(k, 3)) # Проверка върху дни, които моделът не е виждал: октомври след спада. print('октомври:', round(k * by_day.loc[after, 'rest'].sum(), 2), round(by_day.loc[after, 'app'].sum(), 2)) expected = k * by_day.loc[drop, 'rest'].sum() actual = by_day.loc[drop, 'app'].sum() print('спадът:', round(expected, 2), round(actual, 2), round(expected - actual, 2))

▶ ИзпълниВърни кода

На всеки 1 € от сайта и телефона приложението носи 0,641 €. За октомври след спада моделът казва 3 688,92 €, а истината е 3 614,60 €: грешка 2,1%. За дните от 3.09 до 2.10 моделът очаква 3 713,41 €, а приложението е донесло 1 292,60 €. Загубата е 2 420,81 €, с 737 € повече от наивното сравнение.

Колко е точно това? Делът k за 30 дни не е винаги един и същ. С bootstrap теглиш по 30 нормални дни, 10 000 пъти, и гледаш колко се мести загубата:

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
by_day = sold.pivot_table(index='day', columns='channel', values='value', aggfunc='sum', fill_value=0)
by_day['rest'] = by_day['web'] + by_day['phone']
day = by_day.index
before = day < '2026-09-03'
drop = (day >= '2026-09-03') & (day <= '2026-10-02')
after = day > '2026-10-02'

app = by_day.loc[before, 'app'].to_numpy()
rest = by_day.loc[before, 'rest'].to_numpy()
actual = by_day.loc[drop, 'app'].sum()

rng = np.random.default_rng(42)
idx = rng.choice(len(app), size=(10_000, 30))
ks = app[idx].sum(axis=1) / rest[idx].sum(axis=1)
lost = ks * by_day.loc[drop, 'rest'].sum() - actual
low, high = np.quantile(lost, [0.025, 0.975])
print(round(ks.min(), 3), round(ks.max(), 3))
print(round(low, 2), round(high, 2))

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() by_day = sold.pivot_table(index='day', columns='channel', values='value', aggfunc='sum', fill_value=0) by_day['rest'] = by_day['web'] + by_day['phone'] day = by_day.index before = day < '2026-09-03' drop = (day >= '2026-09-03') & (day <= '2026-10-02') after = day > '2026-10-02' app = by_day.loc[before, 'app'].to_numpy() rest = by_day.loc[before, 'rest'].to_numpy() actual = by_day.loc[drop, 'app'].sum() rng = np.random.default_rng(42) idx = rng.choice(len(app), size=(10_000, 30)) ks = app[idx].sum(axis=1) / rest[idx].sum(axis=1) lost = ks * by_day.loc[drop, 'rest'].sum() - actual low, high = np.quantile(lost, [0.025, 0.975]) print(round(ks.min(), 3), round(ks.max(), 3)) print(round(low, 2), round(high, 2))

▶ ИзпълниВърни кода

В 30 случайни нормални дни k е между 0,457 и 0,906. 95% интервал за загубата е от 1 802,46 € до 3 142,14 €. В доклада това е „около 2 400 €, между 1 800 и 3 150 €“. Оценката е груба, но и долната граница е над наивните 1 683,90 €.

По-точно, за любопитните

Моделът app = k × (web + phone) има един признак и едно число, като линейна регресия без свободен член. Проверката му е като в модула за модели: учиш го върху едни дни (преди 3.09) и го мериш върху други (след 2.10). Той приема, че каналите вървят заедно, и проверката върху октомври го потвърждава. Ако през септември клиенти на приложението бяха минали на сайта, моделът щеше да надцени загубата: щеше да брои като изгубени поръчки, които всъщност са дошли от сайта. Сайтът през септември е +3,2% спрямо август, в рамките на обичайното движение, затова повечето изгубени поръчки не са отишли другаде.

Колко поръчки е изгубило приложението? Направи същия модел за броя поръчки: k е app / (web + phone) в дните преди 3.09, expected е колко поръчки от приложението щеше да има от 3.09 до 2.10, actual колко е имало, а lost_pct каква част от очакваните са изгубени, в проценти.

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
counts = sold.pivot_table(index='day', columns='channel', values='id', aggfunc='count', fill_value=0)

counts['rest'] = counts['web'] + counts['phone']
day = counts.index
before = day < '2026-09-03'
drop = (day >= '2026-09-03') & (day <= '2026-10-02')
k = ...
expected = ...
actual = ...
lost_pct = ...
print(round(expected, 1), actual, round(lost_pct, 1))

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() counts = sold.pivot_table(index='day', columns='channel', values='id', aggfunc='count', fill_value=0) counts['rest'] = counts['web'] + counts['phone'] day = counts.index before = day < '2026-09-03' drop = (day >= '2026-09-03') & (day <= '2026-10-02') k = ... expected = ... actual = ... lost_pct = ... print(round(expected, 1), actual, round(lost_pct, 1))

Провери▶ Изпълни

Идеята

Докладът

Анализът свършва с разказ, който някой може да прочете за минута. Три изречения, една графика, границите.

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
by_day = sold.pivot_table(index='day', columns='channel', values='value', aggfunc='sum', fill_value=0)
by_day['rest'] = by_day['web'] + by_day['phone']
day = by_day.index
before = day < '2026-09-03'
drop = (day >= '2026-09-03') & (day <= '2026-10-02')
after = day > '2026-10-02'

roll = by_day[['web', 'app', 'phone']].rolling(7, center=True).mean().loc['2026-06-01':]
fig, ax = plt.subplots(figsize=(8, 3.5))
for ch in ['web', 'app', 'phone']:
    ax.plot(roll.index, roll[ch], label=ch)
ax.axvspan(pd.Timestamp('2026-09-03'), pd.Timestamp('2026-10-02'), color='C3', alpha=0.15)
ax.set_title('Приложението губи поръчки от 3.09 до 2.10')
ax.set_xlabel('ден')
ax.set_ylabel('оборот на ден, € (средно за 7 дни)')
ax.set_ylim(bottom=0)
ax.legend(loc='lower left')

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() by_day = sold.pivot_table(index='day', columns='channel', values='value', aggfunc='sum', fill_value=0) by_day['rest'] = by_day['web'] + by_day['phone'] day = by_day.index before = day < '2026-09-03' drop = (day >= '2026-09-03') & (day <= '2026-10-02') after = day > '2026-10-02' roll = by_day[['web', 'app', 'phone']].rolling(7, center=True).mean().loc['2026-06-01':] fig, ax = plt.subplots(figsize=(8, 3.5)) for ch in ['web', 'app', 'phone']: ax.plot(roll.index, roll[ch], label=ch) ax.axvspan(pd.Timestamp('2026-09-03'), pd.Timestamp('2026-10-02'), color='C3', alpha=0.15) ax.set_title('Приложението губи поръчки от 3.09 до 2.10') ax.set_xlabel('ден') ax.set_ylabel('оборот на ден, € (средно за 7 дни)') ax.set_ylim(bottom=0) ax.legend(loc='lower left')

▶ ИзпълниВърни кода

1. Какво: оборотът за септември е 19,1% под август, защото от 3.09 до 2.10 приложението е имало около две трети по-малко поръчки; сайтът и телефонът са нормални, а от 3.10 и приложението е нормално.
2. Колко: загубата е около 2 400 € (между 1 800 и 3 150 €), около 240 поръчки.
3. Какво да направим: да проверим какво се е променило в приложението около 3.09 (обновяване, кошница, плащане) и да сложим сигнал, когато делът на един канал падне.

Границите. Данните казват кога и къде: в приложението, от 3.09. Те не казват защо. Обновяване на приложението около 3.09 е хипотеза, а не факт: проверяват я екипът на приложението, логовете на кошницата и грешките на плащането за тази дата. Може да е и нещо друго: магазинът на приложенията, срок на сертификат, промяна в платежния доставчик. Графиката не различава тези причини. Затова докладът казва „проверете“, а не „това беше“.

Рекламата, доставчикът и цените не са причината. Нито една от трите идеи на управителя не би върнала оборота.

1. Кое изречение е за доклада?

„Оборотът падна с 19,1%, p = 0,0074, k = 0,641.“„Новата версия на приложението от 3.09 счупи кошницата.“„От 3.09 до 2.10 приложението е имало около 2/3 по-малко поръчки; web и phone са нормални. Причината не е в данните: проверете обновяването около 3.09.“

Провери

Упражнение

Сигнал за следващия път

Спадът е продължил месец, защото никой не е гледал канала. Правилото за сигнал трябва да хване спада бързо и да мълчи в нормално време. Сигнал, който вика всяка седмица, никой не гледа.

Направи сигнала. week е броят поръчки по канал за последните 7 дни (rolling(7).sum()), app_share делът на app в тях, а alerts дните, в които app_share е под 0.25. Колко тревоги има преди 3.09 и кога е първата?

Pythonданни: таблиците на магазина

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

orders = pd.read_csv('year_orders.csv')
items = pd.read_csv('year_items.csv')
orders['ordered_at'] = pd.to_datetime(orders['ordered_at'])
items['revenue'] = items['quantity'] * items['unit_price']
orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum())
# Оборотът е без отказаните поръчки.
sold = orders[orders['status'] != 'cancelled']
sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m')
sold['day'] = sold['ordered_at'].dt.normalize()
counts = sold.pivot_table(index='day', columns='channel', values='id', aggfunc='count', fill_value=0)

week = ...
app_share = ...
alerts = ...
print(len(alerts.loc[:'2026-09-02']), alerts.index[0].date())

import numpy as np import pandas as pd import matplotlib.pyplot as plt orders = pd.read_csv('year_orders.csv') items = pd.read_csv('year_items.csv') orders['ordered_at'] = pd.to_datetime(orders['ordered_at']) items['revenue'] = items['quantity'] * items['unit_price'] orders['value'] = orders['id'].map(items.groupby('order_id')['revenue'].sum()) # Оборотът е без отказаните поръчки. sold = orders[orders['status'] != 'cancelled'] sold['month'] = sold['ordered_at'].dt.strftime('%Y-%m') sold['day'] = sold['ordered_at'].dt.normalize() counts = sold.pivot_table(index='day', columns='channel', values='id', aggfunc='count', fill_value=0) week = ... app_share = ... alerts = ... print(len(alerts.loc[:'2026-09-02']), alerts.index[0].date())

Провери▶ Изпълни

Идеята

Какво следва

Курсът свършва тук, а работата с данни продължава. Накъде:

• Бележници. Направи този проект в JupyterLab, на своя компютър: клетка по клетка, с изхода под всяка. Бележникът е и докладът: код, графики и текст на едно място.
• По-големи данни. pandas държи всичко в паметта и работи на едно ядро. Polars има същите идеи (групи, съединяване, дати), но ползва всички ядра и чете файлове, по-големи от паметта: pl.read_csv('year_orders.csv').group_by('channel').len() брои поръчките по канал.
• Табла. Сигналът от упражнението е добре да е на табло, което се обновява само. Streamlit и Dash правят уеб табло от Python скрипт, с графики и филтри.
• Графики. seaborn и plotly са слоеве над идеите от matplotlib: seaborn дава статистически графики с един ред, а plotly интерактивни, с увеличаване и подсказки.
• Бази данни. В истински магазин поръчките са в база, а не в CSV. pd.read_sql чете резултата от SQL заявка направо в DataFrame. SQL се учи в курса Бази данни и SQL.

Пътят остава същият: въпросът, данните, почистването, разглеждането, изводът с границите му и разказът.

Тест

Провери се

1. Защо първото нещо в проекта е въпросът „какво ще решим с отговора“?

Защото без въпрос кодът не вървиРазличните причини водят до различни решения: реклама, цени, доставчик или поправка; въпросът казва какво да търсишЗащото управителят иска отчет

2. Сборът на оборота в сряда е +18,0% от август към септември, а средният оборот в сряда е −5,6%. На кое вярваш?

И на двете: сряда е била силнаНа сбора: той е целият оборотНа средния: септември има 5 сряди, а август 4, и сборът сравнява различен брой дни

3. Защо моделът предсказва приложението от web и phone, а не просто приема, че септември трябваше да е като август?

Защото моделът е по-сложенЗащото август е бил грешенWeb и phone не са счупени и носят всичко останало за същите дни: сезона, деня от седмицата, растежа; „като август“ дава 1 683,90 €, а моделът 2 420,81 €

4. Загубата е 2 420,81 €, с 95% интервал от 1 802,46 € до 3 142,14 €. Как я казваш в доклада?

„2 420,81 €“„Около 2 400 €, между 1 800 и 3 150 €“„Някъде между 0 и 10 000 €“

5. Сигналът е „делът на app в поръчките за 7 дни е под 0,25“. Защо 7 дни, а не всеки ден поотделно?

Защото 7 е обичайното числоЗащото тревогата идва по-раноЕдин ден е шумен: с дела за ден преди 3.09 щеше да има 11 фалшиви тревоги, а с 7 дни нито една

Провери

Започни урока отначало

Свързани уроци

• Нужно отпреди: Доверителен интервал · Проверка на хипотеза · Корелация и причина · Модел: учене от примери
• Задачи по темата: Проект: защо оборотът падна