在進行數據分析專案時，有五個關鍵步驟我們需要瞭解和掌握，這五個步驟包括：定義商業問題、數據準備、數據清理、數據分析以及結果呈現。接下來，我們將以電商推薦系統為例，深入探討這五個步驟。
在提到案例之前，你需要先知道以下關鍵知識
你一定要先知道的關鍵知識：AARRR 行銷漏斗
在設計和執行電商推薦系統時，我們需要理解和掌握AARRR行銷漏斗的觀念和技巧。AARRR代表的是 Acquisition (獲取用戶)、Activation (提高活躍度)、Retention (提高留存)、Revenue (增加收入) 和 Refer (傳播與推薦)。我們需要思考如何在吸引客戶接觸我們的產品後，提升他們的活躍度，讓他們願意回購，進一步提升我們的收入，並且讓他們滿意我們的品牌，願意為我們的品牌進行推薦。
你一定要先知道的關鍵知識：推薦系統
推薦系統是一種信息過濾系統，用於預測用戶對物品的「評分」或「偏好」。
推薦系統在近年來非常流行，並被廣泛應用於各種領域。推薦的對象可以包括電影、音樂、新聞、書籍、學術論文、搜索查詢，以及各種其他產品。也有一些推薦系統專門為尋找專家、合作者、笑話、餐廳、美食、金融服務、生命保險、網路交友等提供服務。
在設計和實現推薦系統時，我們需要考慮到多種因素，包括準確度、驚喜度、新穎度、信任度、多樣性和體驗順暢度等。
Step 1 : 定義商業問題
首先，我們需要明確定義我們要解決的商業問題。例如，我們希望通過推薦系統，增加客戶在我們網站的停留時間，進而增加客戶點選和購買商品的機會。
為何需要有推薦系統題目？
– 希望增加客戶停留在我們網站的時間，增加客戶點選與購買商品的機會。
做完後預計可以用在哪裡？
– 將推薦列表的結果與前端網頁串接，如同現在我們看到很多知名電商或影音網站一樣，我們會看到很多推薦列表，例如：因為你看了 A 商品，所以推薦 C 給你、同樣也買了 B 商品的人，也買了 D 等。
預期可衡量的成效指標有哪些？
– Hit Rate (推薦命中率)、CVR (購買轉換率) 、訪客停留時間增加等。
Step 2 : 數據準備
數據準備涉及收集並整理我們需要的數據。在電商推薦系統的案例中，我們可能需要收集的數據包括：網站或應用程式的客戶瀏覽數據、商品描述資料以及客戶基本資料與貢獻度等。
Step 3 : 數據清理
數據清理階段，我們需要整理和清潔我們收集的數據，例如，用戶對商品的偏好（評分）和商品與商品的關係等。
Step 4 : 數據分析
在數據分析階段，我們需要選擇合適的數據分析方法來解釋和預測數據。在推薦系統中，最常用的方法包括關聯規則和協同過濾等。
演算法
推薦系統演算法其實五花八門，但不得不說，最後最常被使用的還是那些解釋性最高的算法，例如：關聯規則、協同過濾 (collabrative filtering) ，而協同過濾又可以分成以用戶為基礎 (user based) 的協同過濾、以商品為基礎 (item based) 或是以模型為基礎 (model based) 的協同過濾。
以用戶為基礎的協同過濾就可以套用用戶與用戶之間的關係，例如：人口統計資料(性別/年齡/居住地) 或是商品偏好、瀏覽偏好等。
以商品為基礎的協同過濾可以套用商品與商品之間的關係，如上一頁的右邊表格。
統計法
有時候，我們沒有辦法有工程人員能夠執行演算法以及把推薦系統部署在營運環境上，又或者我們其實只是想看一些商品關聯性以及用戶偏好的趨勢分佈，來思考未來推薦給用戶的商品推薦策略，那我們可以把上一頁的表格放入 BI 資料視覺化工具 (Excel/Data Studio/Tableau 等) 就可以了。
假設，我們透過上一頁的右方表格，已經知道棕色毛衣和牛仔褲具有高度的關聯性，而下一檔行銷活動我們預計要推廣棕色毛衣的銷售量，那我們就可以考慮綁定棕色毛衣和牛仔褲為一個優惠的銷售組合並上架到網站上，刺激消費者的購物慾。
Step 5 : 結果呈現
最後，我們需要將我們的分析結果以清晰易懂的方式呈現出來。這包括分析結果的視覺化以及將分析結果和商業價值相結合的說明。
- Why – 先強調為何要執行這個推薦系統主題？
- 商業痛點 (簡述題目背景、需求在哪裡) ->過去客戶停留在網站時間太短、很快就跳離網頁。
- 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推薦結果，增加客戶站內的停留時間並促進轉單的機會。
- 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：一開始推薦列表我們都放以用戶為基礎的協同過濾為結果、第二版我們改成 hybrid 的方式 ( 30% 放用戶為基礎的推薦、30% 放商品為基礎的推薦，剩下放熱門商品)
- 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與模型的系統成效數字
希望通過這篇文章，你對於如何進行數據分析專案，以及如何設計和實現電商推薦系統有了更深入的理解。記住，數據分析並不是一個孤立的過程，而是需要與商業問題和商業目標相結合的。只有這樣，我們才能從數據分析中獲得真正有價值的洞察，並將這些洞察轉化為實際的商業價值。
如果你習慣使用 IG 來收藏貼文，歡迎來追蹤我的 IG 帳號收藏同篇貼文！