Na czym to polega w sklepie
Metoda df.describe generuje statystyki opisowe kolumn numerycznych: count, mean, std, min, kwartyle, max. W analityce e-commerce to pierwszy test „czy dane mają sens” - czy AOV nie wynosi 0,01 PLN ani miliona.
Przykład ze sklepu internetowego
Właśnie pobrałeś miesięczny eksport zamówień. Zanim zrobisz wykresy, profilujesz metryki:
import pandas as pd
orders = pd.read_csv("monthly_orders.csv")
orders["revenue"] = pd.to_numeric(orders["revenue"], errors="coerce")
stats = orders[["revenue", "quantity", "discount_pct"]].describe()
# mean revenue ≈ AOV, max wychwytuje outliery (błędne rekordy B2B)Co zrobić po stronie biznesu
- Profil session_duration i pageviews z GA4.
- Porównanie spend vs revenue per kampania przed raportem ROAS.
- Wykrycie outlierów w marży - max >> percentyl 75% sygnalizuje błąd COGS.
W skrócie
describe() w 1 sekundę odpowiada „czy te dane są wiarygodne”. Różnica między mean a medianą revenue to sygnał skew od dużych zamówień B2B.