這篇文章與之前在Instagram上的限時動態小調查有關，我將會詳細介紹一系列的數據分析專案拆解過程，首先，我們將從銀行、電商與媒體題目著手。如果你是數據分析專案經理、參與數據專案的成員、想累積作品集或轉職的資料領域新鮮人，或是對銀行數據分析題目/客戶分群題目有興趣，這篇文章肯定對你有幪助。
數據分析專案的關鍵步驟
讓我們回顧一下之前提到的 5 個數據分析專案的關鍵步驟，包括：定義商業問題、數據準備、數據清理、數據分析與結果呈現。
Step1. 定義商業問題(Define Business Use Case)
首先，我們需要明確定義我們的商業問題。例如，我們希望透過此項分析專案，理解客戶的群體差異，以減少行銷溝通成本。我們可以思考：如果我們不理解客戶，我們可能對 300 萬的卡戶都投以同樣 30 元的行銷成本 ; 而當我們理解僅有 50 萬的卡戶是對某行銷形式可能最有反應的，那我們就只需要投入 30 元 * 50 萬的成本，那整體行銷成本就只需要原先的 1/6 。
做完後預計可以用在哪裡？
– 用在特定的行銷活動，例如這檔活動我們需要主打對本行 APP 活躍且對周年慶有反應的族群，那可以藉由此分析題目快速獲取潛在的客戶輔以此檔行銷活動。
預期可衡量的成效指標有哪些？
– 行銷活動名單轉換率提升、行銷成本下降
Step2.數據準備 (Data Preparation)
數據準備是數據分析的重要步驟。以下是四個我們推薦的數據源與必要的表格欄位：
- 客戶於特約商店的刷卡歷史紀錄
- 網站/APP 客戶瀏覽數據，包括會員帳號、頁面標題、瀏覽時間、從何種渠道來、動作事件、以及使用的裝置等資訊。
- 特約商店分類，包括商店代碼、商店類型等資訊。
- 客戶基本資料與本行貢獻度，包含會員帳號、年齡、性別、全行貢獻度、信用卡貢獻度、財富管理貢獻度等資訊。
Step3.數據清理 (Data Cleaning)
數據清理階段，我們會整理出兩大面向的數據：價值與興趣。例如，我們會分析近一次與信用卡頁面互動是幾天前？週年慶刷卡偏好程度？交通卡刷卡偏好程度？平均近半年刷卡金額？旅遊刷卡偏好程度？平均近半年刷卡次數？線上購物刷卡偏好程度？上一次刷卡是幾天前？在信用卡 app 頁面的活躍程度？小吃店刷卡偏好程度？等等。
Step4.數據分析 (Data Analysis)
數據分析階段，我們會使用一種名為 Kmeans 的演算法，他是屬於 clustering (聚類)的算法之一。此外，我們也會試試看把上頁的價值變數與興趣變數分別跑 clustering 演算法，建立兩個分群模型。最後讓兩種分群結果交叉使用。你也可以選擇就用 rule based 的方法即可，記住只要能解決問題就是好的方法，不一定要用很複雜的方法來解決眼前的任務！
Step5.結果呈現 (Data Visualization)
最後，我們需要將我們的分析結果進行視覺化呈現，並強調其商業價值。例如，我們的目標是要透過信用卡客戶分群來協助行銷減少溝通成本。通常我就會做一個簡報把前面的所有過程都帶過一次，最後強調商業效益並分享給 Stakeholder 。
- Why – 先強調為何要執行這個信用卡客戶分析主題？
- 商業痛點 (簡述題目背景、需求在哪裡) ->過去隨機取名單，溝通成本大
- 預期成效 ->以下一檔以週年慶活動為例，我們能幫你們精準產出名單，以減少 x 倍溝通成本。
- How – 強調我們的數據分析流程，要讓簡報目標知道這是一個「洞察的過程」
- 把剛剛提到的 Step 1 ～ Step 5 都展示過一遍，讓對方知道我們是很有邏輯地完成題目。->前面幾頁照寫，但數據分析的部分可以放有代表性的多個版本比較，強調我們的洞察過程。例如：價值行為變數後來又加了什麼欄位？為什麼會增加？
- What – 強調成品與效果
- 成果與成效 (如果是行銷驗證後，那就拿驗證結果; 如果還沒行銷驗證就拿歷史數據來模擬成效)。
- 可以展示視覺化報表 (細說每群的特色)與模型的系統成效數字
站在銀行的信用卡案例來熟悉數據分析流程，你有沒有覺得更清晰了呢？希望這篇文章對你有所幫助！如果習慣使用 IG 的人也歡迎直接來同篇 IG 貼文 收藏起來！