數據分析顧客分群課程

第 1 課 • 買家區隔類型

調查人口統計、心理描繪、行為以及公司圖像等區隔類型，並將每種類型連結到後續章節涵蓋的特定分析方法。

第 2 課 • 分析管線

說明區隔任務在更廣泛的資料分析管線中的定位，並展示區隔輸出如何為下游決策提供依據。

第 3 課 • 區隔的商業價值

量化區隔如何提升轉換率、留存率與資源分配。將抽象概念奠基於可衡量的商業成果。

第 1 課 • 資料品質與治理

探討區隔資料的完整性、準確性與新鮮度標準。介紹隨時間保護資料完整性的治理實務。

第 2 課 • 建立統一的買家資料集

教授身分解析與資料合併，以建立單一的買家視圖。讓學生準備好用於後續分析章節的資料集。

第 3 課 • 內部資料資產

涵蓋組織擁有的交易、CRM與網站分析資料。教導學生在尋求外部來源之前，先審查既有資料。

第 4 課 • 問卷調查與原始研究資料

說明如何設計能夠產生區隔適用資料的問卷與訪談。將原始研究連結到填補行為資料集的缺口。

第 1 課 • 相關性與特徵關係

使用相關矩陣與交叉表來檢驗買家變數之間的關係。識別哪些特徵承載最多的區隔訊號。

第 2 課 • 視覺化買家行為模式

介紹適用於買家資料的直方圖、散佈圖與熱力圖。視覺化技能支援為分群與剖析產生假設。

第 3 課 • 制定區隔假設

將探索性資料分析發現轉化為可測試的區隔假設。銜接探索性工作與後續的建模章節。

第 4 課 • 買家資料的描述性統計

涵蓋關鍵買家變數的平均數、中位數、變異數與分佈形狀。提供偵測有意義的群體差異所需的統計基線。

第 1 課 • 計算與評分RFM

逐步說明五分位數評分、加權評分與複合RFM指數的建立。學生將這些計算應用於一個樣本交易資料集。

第 2 課 • 驗證與更新RFM模型

涵蓋提升度分析、保留樣本測試與排定的模型更新週期。確保RFM輸出在買家行為演變時仍保持準確。

第 3 課 • 以額外變數擴展RFM

新增產品類別、通路與滿意度分數以豐富標準的RFM。展示擴展模型如何改善區隔精準度。

第 4 課 • RFM框架基礎

定義最近一次購買時間、頻率與金額，並解釋其綜合預測能力。在任何計算之前先建立概念模型。

第 1 課 • 用於分群的特徵工程

涵蓋縮放、編碼與降維，以準備買家特徵。適當的特徵工程能直接改善分群品質。

第 2 課 • 用於買家群體的K-Means分群

涵蓋k-means演算法機制、初始化與收斂標準。學生對買家資料執行k-means並解讀質心輪廓。

第 3 課 • 評估分群品質

應用輪廓係數、戴維斯-博爾丁指數與商業常識檢查來評估分群。學生學習平衡統計有效性與實務有效性。

第 4 課 • 階層式與密度式分群

介紹凝聚式分群與DBSCAN，作為k-means的替代方案。教導何時這些方法在買家資料上優於k-means。

第 1 課 • 估算與優先排序區隔

估算區隔規模、營收潛力與策略契合度，以對區隔進行優先排序。教授與區隔價值連結的資源分配邏輯。

第 2 課 • 視覺化區隔輪廓

為利害關係人溝通建立雷達圖、泡泡圖與區隔比較儀表板。視覺化選擇會影響區隔如何被理解與行動化。

第 3 課 • 區隔的統計剖析

使用平均數比較、卡方檢定與變異數分析來統計上描述每個區隔。為人物誌敘事提供證據基礎。

第 4 課 • 記錄區隔定義

建立正式的區隔定義文件，包含規則、變數與更新時程。文件記錄確保區隔在跨團隊間一致使用。

第 1 課 • 模型評估與校正

應用精確率、召回率、AUC-ROC與校正圖來評估預測模型。確保模型在部署到即時區隔系統前是可靠的。

第 2 課 • 從描述性到預測性區隔

解釋從描述現有買家到預測未來區隔成員身分的轉變。連結先前的分群工作與監督式分類任務。

第 3 課 • 部署預測性區隔模型

涵蓋模型序列化、API整合與生產環境中的批次評分管線。學生了解從訓練好的模型到運作中區隔分配的完整路徑。

第 4 課 • 用於區隔分配的分類模型

涵蓋用於區隔分類的邏輯迴歸、決策樹與隨機森林。學生在已標記的買家資料上訓練並比較模型。

第 1 課 • 持續的區隔改善

建立檢討節奏、基於觸發的重新區隔，以及用於持續改進的回饋迴圈。確保區隔與不斷演變的買家行為保持一致。

第 2 課 • 設計特定於區隔的行銷活動

涵蓋每個區隔的活動簡報撰寫、創意方向與優惠設計。學生應用人物誌洞察來產出差異化的活動計劃。

第 3 課 • 將區隔轉化為行銷策略

將每個買家區隔映射到量身打造的價值主張、訊息與通路策略。將分析輸出直接連結到市場進入規劃。

第 4 課 • 關鍵績效指標與衡量框架

定義區隔層級的關鍵績效指標，包括轉換率、留存率與每區隔營收。建立一個能隨時間追蹤區隔投資報酬率的衡量框架。