帶你用Python看懂數據: 行銷與電商決策的16堂關鍵實戰指南 | 誠品線上

帶你用Python看懂數據: 行銷與電商決策的16堂關鍵實戰指南

內容簡介

內容簡介 從資料探索到商業洞察，打造行銷與電商的數據決策力 🎯 以最直白的語言講解數據，把複雜概念講到人人都聽得懂 從資料型別、分布、視覺化，到差異檢定、相關分析、迴歸模型，讓你真正理解「為什麼這樣分析」。 🎯 從基礎到企業級專案：RFM、KMeans、購物籃分析、漏斗、留存、客旅、再購預測一次學會 涵蓋行銷與電商中最常用、最能直接帶來業績與成效的核心分析方法。 🎯 每堂課都是完整案例 × Python 實作 × 商業應用 不只教語法，更帶你理解分析流程、解讀圖表、找出洞察、產出建議。 🎯 專案級能力養成：ARIMA 銷售預測、智慧客服文字分析、顧客行為分析報告 每個專案都能直接成為你的作品集，提高求職與轉職的競爭力。 🎯 教你做分析，也教你說分析：讓你的報告能被主管採用 提供分析框架、報告結構、圖表呈現方法，讓你做出「有洞察、能決策」的結果。 🎯 行銷、電商、資料分析、商業企劃、求職轉職必備的一本 Python 實戰書 職場常用技能一次打包，適合新手、跨領域與在職者快速提升分析力。 本書分成三大部分，循序漸進地帶你掌握從「看懂資料」、到「建立模型」、再到「產出商業洞察」的完整能力。 在 Part 1，你會建立數據分析的邏輯與語感，理解什麼是比較、關聯與預測，並知道面對不同問題該選用哪種方法。你會在這裡打好基礎——資料型別、缺失值、離群點、視覺化、差異檢定、相關分析、迴歸模型⋯這些都是商業數據分析最常用，也最能立刻創造價值的核心技能。 進入 Part 2，你會看到數據真正的力量。你會學會 RFM、KMeans、購物籃分析、顧客旅程、漏斗分析、再購預測模型等完整的企業級分析方法。這些技術不只是課堂範例，而是企業日常會使用的分析流程，你可以立即帶到工作中，用來提升轉換率、優化行銷預算、找出關鍵客群，甚至設計更精準的推播與廣告策略。 最後的 Part 3 將帶你學會如何用專案「說話」。從 ARIMA 銷售預測，到智慧客服的文字分析，再到求職時最常被問到的顧客行為分析專案，你會逐步累積成為求職者或專案負責人的「作品集能量」。因為懂技術固然重要，但能把結果講給人聽、讓決策者願意採用，才是數據分析最核心的價值。

作者介紹

作者介紹 鄭博元 畢業於澳洲臥龍崗大學（University of Wollongong）商學碩士。 曾任職於退輔會訓練中心擔任訓練師，並歷任成佳資訊公司系統工程師、台灣 NEC 系統工程師、大亞電腦資訊講師，以及輔仁大學城區部推廣教育中心資訊講師。 早年專注於系統開發相關工作，累積豐富的實務經驗。近年結合商業背景與系統開發專長，投入數據分析領域，專注於數據分析在商業決策與實務應用上的發展，並將相關經驗系統化整理，應用於教學與培訓，深獲學員肯定。 主要專長：數據分析於商業領域之應用。

產品目錄

產品目錄 PART 1 建立數據分析的邏輯與思維 01 數據分析從「問題」開始 1-0 問題類型與分析思維的重要性 1-1 為什麼數據分析不是從打開 Excel 或 Python 開始？ 1-2 三種數據問題類型——比較 vs 關聯 vs 預測 1-3 行銷、電商數據分析需要的技能 1-4 分析前的 Python 技能整理 1-5 本章回顧——你現在會了什麼？ 02 數據透視——搞懂資料型別，才懂分析邏輯 2-0 數據不只是數字——看懂資料的第一步 2-1 資料的「本質」是什麼？——資料型別與分析思維 2-2 別被表象騙了——用 Python 看穿資料的真實型別 2-3 別忽略資料的空白——缺失值比你想的有意義 2-4 小心資料裡的「空洞」——缺失值的處理策略 2-5 小心那些「怪數據」——離群值與補值思維 2-6 補值實戰——電商數據的完整處理流程 2-7 本章回顧——你現在會了什麼？ 03 讓資料說話——資料視覺化的技術與美學 3-0 數據不只是數字，而是洞察——視覺化的核心目的 3-1 資料視覺化起手式——選對工具與格式準備 3-2 數量與比例怎麼看？類別型資料的視覺化對策 3-3 資料分布一眼看懂——箱型圖、直方圖與小提琴圖上場 3-4 看見資料的關聯性——探索變數之間的對話 3-5 趨勢分析一眼看懂——折線圖與面積圖上場 3-6 資料可視美學——讓圖表不只正確，還吸睛 3-7 本章回顧——你現在會了什麼？ 04 用數據告訴你「差異在哪」 4-0 表面看起來有差，真的有嗎？——差異檢定的由來 4-1 別被「平均數」誤導！要用 t-test 和 ANOVA 4-2 差異檢定的核心概念 4-3 二選一的戰場——t-test 快、狠、準！ 4-4 三方對決——誰才是真正王者？單因子 ANOVA 4-5 雙線作戰——雙因子 ANOVA 看見隱藏交互作用 4-6 誰搞的鬼？事後檢定揭開真正的差異 4-7 本章回顧——你現在會了什麼？ 05 變數間的隱秘關聯——掌握數據之間的對話 5-0 變數之間，其實一直在「說話」——揭開資料關聯的面紗 5-1 為什麼要了解變數之間的關係？ 5-2 皮爾森相關係數——量化關聯的第一步 5-3 散佈圖——讓變數關係一目了然 5-4 交互效應——資料背後的「如果⋯但是⋯」 5-5 共變異性——當數據「同起同落」時 5-6 商務案例挑戰——看懂資料之間的對話陷阱 5-7 本章回顧——你現在會了什麼？ 06 想預測，就要建模型 6-0 為什麼要預測——從理解過去，到預見未來 6-1 預測 ≠ 回顧——預測模型的價值 6-2 一對一的預測——從來店次數預測消費金額 6-3 多變數、多面向——誰還會影響消費金額？ 6-4 模型診斷與改善——檢查模型是否可靠 6-5 線性迴歸模型的適用場景 6-6 本章回顧——你現在會了什麼？ PART 2 行銷× 電商資料分析實戰 07 顧客輪廓分析——誰是你的好客戶？ 7-0 顧客輪廓分析導論——掌握誰是你的「好客戶」 7-1 為什麼需要顧客分群？ 7-2 RFM 分數與客戶分群 7-3 描述性統計與視覺化分析 7-4 從 RFM 到 Kmeans——升級你的客戶分群策略 7-5 分群效度檢驗 7-6 RFM 分群與其他變數的交叉分析 7-7 本章回顧——你現在會了什麼？ 08 購物籃分析——用 Apriori 發現潛藏的購買關聯 8-0 發現那些「悄悄一起被買」的商品組合 8-1 為什麼要做購物籃分析？ 8-2 關聯規則的三大指標——Support、Confidence、Lift 8-3 這不是巧合！Apriori 演算法找出高價值商品組合 8-4 如何將高頻購買行為轉化為商業規則 8-5 限制與延伸——Apriori 的挑戰與進階方向 8-6 本章回顧——你現在會了什麼？ 09 顧客旅程分析——從點擊到購買的決策路徑 9-0 從點擊到購買，他們經歷了什麼？ 9-1 旅程資料怎麼來？該怎麼整理？ 9-2 從事件序列還原轉換流程 9-3 旅程分群與洞察 9-4 電商平台「購物流程優化專案」 9-5 本章回顧——你現在會了什麼？ 10 漏斗分析——拆解轉換率，抓出關鍵流失點 10-0 漏斗分析導論——逐步拆解轉換率與流失點 10-1 建立並分析轉換漏斗 10-2 電商網站用戶轉換分析實戰 10-3 哪裡在漏？視覺化一次看懂轉換破口 10-4 哪個族群最容易掉隊？切分漏斗，精準追擊！ 10-5 本章回顧——你現在會了什麼？ 11 行銷人的四大天王——CTR、CPC、CPA、ROI 全解析 11-0 廣告成效分析導論——用數據追蹤每一分廣告預算的價值 11-1 廣告不是燒錢遊戲，是數據決策戰！ 11-2 KPI 怎麼選？廣告成效別再「一把抓」 11-3 用圖說故事——廣告成效視覺化技巧 11-4 行銷優化最實用的武器——A B 測試設計法 11-5 實戰分析——新廣告文案 A vs B，誰能帶來更多轉單？ 11-6 本章回顧——你現在會了什麼？ 12 留住顧客比吸引顧客更難——「留存率」與「流失率」的真相 12-0 客戶留不住，問題到底出在哪？ 12-1 留住真金——揭開留存率的祕密武器 12-2 留存黑科技——算出誰真的愛你 12-3 留存曲線——畫出用戶留下的軌跡 12-4 用戶價值分析——誰最值得被留下？ 12-5 本章回顧——你現在會了什麼？ 13 預測再購——線性與邏輯迴歸應用 13-0 預測誰會再購？從觀察行為到主動出擊 13-1 再購預測的商業價值 13-2 預測模型的資料前處理 13-3 預測用戶是否會購買——三種模型實戰比較 13-4 預測未來——精準識別潛在購買者，提升行銷效能 13-5 本章回顧——你現在會了什麼？ PART 3 數據決策與呈現 14 專題製作——以 ARIMA 模型預見未來銷售 14-0 銷售預測啟程——ARIMA 模型導入 14-1 時間序列分析（Time Series Analysis） 14-2 讓時間說話——ARIMA 精準預測銷售趨勢 14-3 鎖定金雞母——預測產品類別的銷售潛力 14-4 本章回顧——你現在會了什麼？ 15 專題製作——智慧客服系統的打造 15-0 智慧客服系統啟程 15-1 Jieba 出擊——破解無空格的語言密碼 15-2 TF-IDF——文字關鍵詞的超級放大鏡 15-3 算出你我有多像——餘弦相似度解密 15-4 問我吧！會回答你的智慧客服系統 15-5 本章回顧——你現在會了什麼？ 16 打造面試亮點的顧客行為分析專案——以 Seaborn tips 資料集為例 16-0 數據 × 咖啡——博碩咖啡顧客行為洞察報告 16-1 資料認識與前處理 16-2 小費行為的描述性分析 16-3 統計檢定與假設驗證 16-4 小費行為的多變數模型建構 16-5 顧客分群與洞察擴充 16-6 面試作品集整理與履歷應用 16-7 本章回顧——你現在會了什麼？

商品規格

最佳賣點

最佳賣點 : 本書用 Python 帶你快速建立行銷與電商數據決策力！從零基礎到企業實戰，學會資料整理、視覺化、模型運用與分析流程，並透過 RFM、KMeans、購物籃分析、銷售預測與顧客行為專案，教你理解數據、解讀圖表、提出可採用建議。

活動

• 4/24前 全站滿$1,500享92折
• 4/24前 全站滿$3,000享9折