OLIST08：地圖資料與供應鏈管理

---

各州間的物流績效

載入套件與資料

pacman::p_load(plotly,ggplot2,stringr,tidyr,dplyr)
load("data/olist.rdata")
load("data/A.rdata")

FM = count(A, from, sort=T)$from
TO = count(A, to, sort=T)$to
top11 = union(FM[1:10], TO[1:11])
df = filter(A, from%in%top11, to%in%top11) %>% mutate(
  from = factor(from, rev(TO[1:11])),
  to = factor(to, TO[1:11])
  ) %>% 
  group_by(from, to, .drop=T) %>% summarise(
    t3 = mean(t3, na.rm=T),
    r.delay = 100*mean(t.delay > 0, na.rm=T),
    .groups='drop')

平均物流時間與送貨延遲比率

cols = c('seagreen', 'green', 'white', 
         'gold','orange', 'red', 'red', 'red', 'red')
p1 = ggplot(df, aes(to, from, fill=t3)) + 
  geom_tile() + scale_fill_gradientn(colors=cols[1:6])
p2 = ggplot(df, aes(to, from, fill=r.delay)) + geom_tile() + 
  ggtitle("平均物流時間(days) 與 送貨延遲比率(%)") +
  scale_fill_gradientn(colors=cols)
lapply(list(p1,p2),ggplotly) %>% lapply(hide_colorbar) %>% subplot(margin=0.03)

---

地圖與地理統計資訊

🌻 sf這個圖資套件可以很方便的讀進地圖，並將圖資與其他資料欄位整合，一起放在同一個資料框裡面。

# pacman::p_load(sf,tmap,readxl)
# B = read_excel("data/BR.xlsx")
# B$GDP = B$GDP %>%
#   str_remove(",") %>% str_extract("^[0-9\\.]+") %>% as.numeric
# st_geometry(B) = st_geometry(
#   st_read("data/BRUFE250GC_SIR.shp",crs=4674)[B$sfid,])

if(!require(brazilmaps)) 
  devtools::install_github("rpradosiqueira/brazilmaps")

Loading required package: brazilmaps

pacman::p_load(sf,tmap,readxl,brazilmaps)
B = read_excel("data/BR.xlsx") %>% 
  arrange(sfid) %>% mutate(
    GDP = str_remove(GDP,",") %>% str_extract("^[0-9\\.]+") %>% as.numeric)
st_geometry(B) = st_geometry(get_brmap("State"))
save(B, file="data/B.rdata")

🌻 各州中心點與距離矩陣

cx = st_centroid(B)
dx = st_distance(cx,cx) %>% as('matrix')
colnames(dx) = rownames(dx) = B$stCode

🌻 直接用plot()指令，就可以把資料欄位畫在地圖上面

B %>% select(Population, GDPpCap) %>% plot

🌻 濾掉極端值(DF)，讓色階可以呈現較多資訊

filter(B, stCode != "DF") %>% select(Population, GDPpCap) %>% plot

---

進階的互動圖台套件

🌻 用ggplot和plotly可以畫得更好，但是所有的欄位都要用同一個色階

filter(B, stCode != "DF") %>% 
  transmute(Population=Population/1000, GDPpCap, stCode) %>% 
  gather("key","value", 1:2) %>% 
  ggplot(aes(label=stCode,fill=value)) + geom_sf() +
  scale_fill_gradientn(colors=cols[1:6]) + 
  theme(axis.text=element_blank(),axis.ticks=element_blank()) +
  facet_wrap(~key, nrow=1) -> g
ggplotly(g)

🌻 用tmap可以結合互動地圖，請參考tmap: get started!

tm_shape(B) + 
  tm_polygons(col="GDPpCap") +
  tm_text(text="stCode",size=0.7,fontface="bold")

---

在地圖上畫出供應鏈相關欄位

將供應鏈相關資料匯整到stCode：df1,df2

df1 = A %>% group_by(to) %>% summarise(
 t_freight = sum(freight_value, na.rm=T),
 a_freight = mean(freight_value, na.rm=T),
 t_price = sum(price, na.rm=T),
 a_price = mean(price, na.rm=T),
 r_freight = round(100*t_freight/(t_freight+t_price),2)
 ) %>% rename(stCode=to); df1

# A tibble: 27 x 6
   stCode t_freight a_freight t_price a_price r_freight
 * <chr>      <dbl>     <dbl>   <dbl>   <dbl>     <dbl>
 1 AC         3687.      40.1  15983.    174.      18.7
 2 AL        15915.      35.8  80315.    181.      16.5
 3 AM         5479.      33.2  22357.    135.      19.7
 4 AP         2788.      34.0  13474.    164.      17.2
 5 BA       100157.      26.4 511350.    135.      16.4
 6 CE        48352.      32.7 227255.    154.      17.5
 7 DF        50626.      21.0 302604.    126.      14.3
 8 ES        49765.      22.1 275037.    122.      15.3
 9 GO        53115.      22.8 294592.    126.      15.3
10 MA        31524.      38.3 119648.    145.      20.8
# ... with 17 more rows

df2 = A %>% mutate(r.delay = t.delay > 0) %>% group_by(to) %>% 
  summarise_at(vars(t3:r.delay), mean, na.rm=T) %>% 
  mutate_at(vars(t3:t.limit), round, 1) %>% 
  mutate(r.delay = round(100*r.delay,2)) %>% 
  rename(stCode=to); df2

# A tibble: 27 x 7
   stCode    t3 t.total t.estimate t.delay t.limit r.delay
 * <chr>  <dbl>   <dbl>      <dbl>   <dbl>   <dbl>   <dbl>
 1 AC      17.3    20.7       41.1   -20.3     6.9    3.3 
 2 AL      20.8    24.5       32.5    -8.1     6.8   24.1 
 3 AM      23.5    26.4       45.6   -19.2     6.7    4.29
 4 AP      24.6    28.2       45.8   -17.8     7.3    4.94
 5 BA      15.9    19.2       29.5   -10.3     6.7   13.7 
 6 CE      17.6    21         31.3   -10.4     6.6   15.3 
 7 DF       9.7    13         24.5   -11.5     7      7.43
 8 ES      12.2    15.6       25.6    -9.9     6.7   12.2 
 9 GO      12.3    15.4       27     -11.6     6.7    7.86
10 MA      17.8    21.7       30.9    -9.2     7.3   20.4 
# ... with 17 more rows

將資料併入圖資資料框：B2

B2 = left_join(B, df1) %>% left_join(df2)

Joining, by = "stCode"
Joining, by = "stCode"

save(B, B2, file="data/B.rdata")

🌻 在地圖上比較供應鏈相關欄位

filter(B2, stCode!="DF") %>% 
  select(Population, GDPpCap, t_freight:r.delay) %>% 
  plot(max.plot = 13)

🌻 使用ggplot和plotly加強互動性和可比較性

df = filter(B2, stCode!="DF") %>% select(
  stCode, `1.人口`=Population, `2.人均所得`=GDPpCap, `3.總銷售金額`=t_price,
  `4.平均預計到貨天數`=t.estimate, `5.平均實際到貨天數`=t.total, `6.平均物流天數`=t3, 
  `7.平均延遲天數`=t.delay, `8.物流費用比例(%)`=r_freight, 
  `9.延遲比例(%)`=r.delay                     # 中文欄位名稱，方便閱讀     
  ) %>% 
  gather('key','value',`1.人口`:`9.延遲比例(%)`) %>% 
  group_by(key) %>% mutate(
    `實際值` = paste0(stCode,"(",value,")"),  # 用各州的實際值做標題
    `標準化` = scale(value) %>% round(2)      # 使用統一的標準化色階
    ) %>% ungroup

ggplot(df, aes(label=`實際值`,fill=`標準化`)) + geom_sf() +
  scale_fill_gradientn(colors=cols[1:6]) + 
  facet_wrap(~key, ncol=3) + 
  theme(axis.text=element_blank(),axis.ticks=element_blank()) -> g
ggplotly(g)

---

策略規劃

資料分析的結果並不能直接變成策略，要做出實用的商業企劃，通常需要加上一些「假設」和「模擬」：

• 假如我們想要設立一個物流中心來改善我們的物流績效
  • 這一個物流中心應該要設置在哪裡？
  • 它應該從哪幾州集收貨物、送到哪幾州去呢？
  • 如果我們這樣做的話，可以收到多少運費呢？
• 假如我們知道物流的成本和它的運送時間，
  • 這個物流中心可以為我們增加多少利潤
  • 可以為廠商節省多少物流時間呢？