帶你用 Python 做商業分析：企業與經營決策的 16 堂問題拆解關鍵實戰 - 鄭博元 - 電腦與網路/程式語言

內容簡介
作者介紹
書籍目錄
同類推薦

帶你用 Python 做商業分析：企業與經營決策的 16 堂問題拆解關鍵實戰

數據分析的價值，不在於數字，而在於決策
 

過去十年，「數據分析」已從少數大型企業的專業能力，逐漸成為各行各業的基本競爭力。無論是零售、電商、金融、製造、遊戲、醫療，甚至是政府部門，都在談論數據驅動決策(Data－Driven Decision Making)。然而，當我們真正走進企業現場，卻經常看到一個有趣的現象：企業擁有大量資料，也建立了許多報表，但真正能夠透過數據改善決策的人，並不多。原因在於，多數人學會了工具，卻沒有學會分析。

許多人會使用 Excel、SQL、Python 或 BI 工具，也能產出各種精美圖表，但當主管提出：「為什麼營收下降？」「這次促銷真的有效嗎？」「哪些客戶最有價值？」「我們該把資源投入在哪裡？」時，卻不知道該如何透過數據找到答案。因為數據分析從來不是工具競賽，而是一種思考方式。真正優秀的分析師，不只是會寫程式的人，而是能夠將商業問題轉譯成分析問題，再把分析結果轉譯回商業決策的人。本書正是以這樣的理念出發。

在第一部分中，我們將建立數據分析最重要的基礎能力，包括商業思維、資料清理、資料視覺化、探索式資料分析(EDA)以及統計思維。這些內容看似基礎，卻是所有分析工作的根基。沒有可信的資料，再複雜的模型都沒有價值；沒有正確的分析框架，再漂亮的圖表也只是裝飾。

第二部分則進一步進入企業實際最常使用的分析方法，包括趨勢分析、交叉分析、根因診斷、客戶分析、分群分析與漏斗分析。我們將學習如何從現象中發現問題，從數據中找出原因，並建立可執行的改善方向。

第三部分則聚焦於實戰專案。我們將透過完整案例，帶領讀者學習 A/B 測試、流失預測、回歸分析、時間序列預測、促銷效益分析、服務補救分析以及潛客評分系統等主題。這些案例不只是模型練習，更著重於如何將分析結果轉化為企業可以採取的行動。

你將學會：
�� 從商業問題出發，而不是從程式碼出發
  用最容易理解的方式建立數據分析思維，從資料清理、視覺化、EDA 到統計推論，理解每個分析方法背後的商業意義。
�� 從描述到診斷：學會企業最常使用的分析框架
   趨勢分析、同比環比、交叉分析、貢獻度分析、根因分析、漏斗分析與客戶分析，建立完整的商業診斷能力。
�� 從客戶到營收：掌握企業成長的核心分析工具
   RFM 分析、客戶分群、留存分析、客戶生命週期價值(CLV)、K－Means 分群，深入理解客戶行為與經營策略。
�� 從分析到預測：建立數據驅動決策能力
   A/B Testing、流失預測、回歸分析、時序預測、潛客評分系統，學習如何用數據預測未來並降低決策風險。

Part 1——數據分析基礎與商業思維

第 1 章 數據分析的商業思維
1－1 數據分析核心導論——從觀念到職涯發展
????1－1－1 數據分析的定義與商業價值
????1－1－2 數據分析的六大黃金流程
????1－1－3 業界四大常用數據分析方法
????1－1－4 實務情境落地——用一間手搖飲店看懂四大分析
????1－1－5 商業核心驅動—如何定義業務的「北極星指標」
????1－1－6 數據分析師的 T 型能力模型
????1－1－7 數據分析師的產業職涯與發展路徑
????1－1－8 數據分析的產業應用場景
1－2 多維度資料分析架構——OLAP 的核心思考
????1－2－1 線上分析處理與資料方塊概念
????1－2－2 OLAP 的核心操作
????1－2－3 OLAP 在描述性與診斷性分析中的角色
????1－2－4 數據分析師的轉譯思考
1－3 Pandas 基本操作
????1－3－1 資料讀取與寫入
????1－3－2 描述性統計
????1－3－3 資料選取
????1－3－4 條件式資料過濾
????1－3－5 資料排序
????1－3－6 分組與聚合(Groupby)
????1－3－7 Pandas 樞紐分析表
1－4 本書的學習地圖——以實務案例貫穿全書

第 2 章 從原始資料到可信資料
前言—讓資料從「混亂」變成「可信」
2－1 資料型別與結構一致性
????2－1－1 初步資料檢查
????2－1－2 資料欄位型別與結構辨識
????2－1－3 型別錯誤與轉換問題
????2－1－4 類別資料清理與轉型
????2－1－5 時間資料與格式問題
2－2 缺失值處理
????2－2－1 缺失值檢查與分布觀察
????2－2－2 缺失值的本質分類
????2－2－3 缺失值處理策略
2－3 離群值與資料合理性
????2－3－1 離群值檢測方法
????2－3－2 離群值處理方法
2－4 資料轉換與基礎特徵工程
????2－4－1 類別資料編碼
????2－4－2 時間欄位拆解
????2－4－3 分箱
????2－4－4 衍生特徵
2－5 資料品質與合理性檢查
????2－5－1 數值範圍檢查
????2－5－2 業務規則驗證
????2－5－3 重複值檢查
????2－5－4 資料一致性問題
結語——資料清理的本質，是建立「可信資料」

第 3 章 資料視覺化——從繪圖到商業溝通
前言——圖表不是裝飾，而是決策介面
3－1 視覺化基礎—從資料整理到第一張圖
????3－1－1 為什麼資料視覺化如此重要？
????3－1－2 Pandas、Matplotlib 與 Seaborn
????3－1－3 三大套件繪製直方圖比較
3－2 視覺感知心理學——大腦如何「看到圖」
????3－2－1 前注意屬性——大腦如何快速注意重點
????3－2－2 格式塔原理——大腦如何自動整理資訊
3－3 選對圖表——數據關係決定視覺呈現
????3－3－1 比較類——柱狀圖與折線圖
????3－3－2 組成類——堆疊圖、圓餅圖與環形圖
????3－3－3 分佈類——直方圖與箱型圖
????3－4－4 關聯類——散點圖與氣泡圖
????3－3－5 時間序列類—趨勢圖與移動平均
3－4 商業視覺化與圖表設計原則
????3－4－1 好圖表的核心——資訊優先於裝飾
????3－4－2 如何用圖表說故事
????3－4－3 視覺化中的認知陷阱與誤導
結語——圖表的終點，是理解與決策

第 4 章 EDA——從資料中發現規律
前言——EDA 不是畫圖，而是理解資料的方式
4－1 單一變數分析——資料本身長什麼樣？
????4－1－1 資料分布的第一印象
????4－1－2 集中趨勢——平均數 vs 中位數
????4－1－3 離散程度——資料穩不穩定？
4－2 兩變數關係——資料之間有沒有互動？
????4－2－1 相關性初探——有沒有線性關係？
????4－2－2 散點圖中的模式
????4－2－3 類別 vs 數值——群組差異
4－3 標準化與尺度調整——讓資料可以被公平比較
????4－3－1 Min－Max 正規化
????4－3－2 Z－score 標準化
????4－3－3 正規化與標準化在 EDA 中的角色
4－4 分群與結構——資料是否有隱藏結構？
????4－4－1 類別分布——誰最多？
????4－4－2 群體差異——不同群行為不同嗎？
????4－4－3 長尾與極端群體
????4－4－4 群體與行為差異
4－5 從觀察到假設——EDA 的核心輸出
????4－5－1 電商 EDA 案例
結語——EDA 的價值，是讓資料開始「說話」

第 5 章 數據分析中的統計思維
5－1 前言——用統計思維建立可信的數據決策
????5－1－1 隨機性與資料分布
????5－1－2 標準差與業務穩定性
????5－1－3 變異係數與相對風險
????5－1－4 大數法則與肥尾效應
5－2 抽樣與信賴推論
????5－2－1 常見抽樣方法
????5－2－2 樣本量與估計精度
????5－2－3 信心區間與不確定性
5－3 假設檢定與 A/B 測試
????5－3－1 虛無假設與 p 值
????5－3－2 t 檢定與雙組比較
5－4 變異數分析(ANOVA)
????5－4－1 組間差異與組內波動
????5－4－2 事後檢定—─找出真正的優勝方案
????5－4－3 效果量——顯著不等於重要
結語—─統計學在數據分析中的價值

Part 2——商業分析方法與決策診斷

第 6 章 趨勢與對比分析
前言——數據真正的價值，不在數字本身
6－1 對比的力量
????6－1－1 數據孤島的悲劇
????6－1－2 對比的五個核心維度
6－2 同比與環比——如何辨識真正的成長
????6－2－1 環比——短期策略的溫度計
????6－2－2 同比——排除季節性的長期座標
????6－2－3 增長的陷阱——當環比與同比發生衝突
????6－2－4 複合增長率——數據的長線定海神針
????6－2－5 偽成長與假衰退——數據誤判的常見陷阱
????6－2－6 滾動同比——避免季節錯覺的進階同比分析
6－3 移動平均——從噪音中看見趨勢
????6－3－1 核心概念——用「平均」對抗「噪音」
????6－3－2 黃金交叉與趨勢轉折
6－4 指數化分析
????6－4－1 指數化——看見真正的成長軌跡
結語——分析趨勢，不只是觀察數字

第 7 章 交叉分析與根因診斷
前言——從異常現象到問題定位
7－1 交叉分析
????7－1－1 維度與指標
????7－1－2 分層分析的重要性
????7－1－3 商務強度矩陣
????7－1－4 從交叉表發現機會與風險
7－2 貢獻度分析
????7－2－1 貢獻度分析的核心概念
????7－2－2 實作範例——商品貢獻度分析
????7－2－3 Pareto 分析——找出最值得優先處理的商品
7－3 異常分析
????7－3－1 異常值與商業訊號
????7－3－2 實戰演練——門市營收異常診斷
7－4 根因分析
????7－4－1 RCA 與描述性分析的差異
????7－4－2 假說驅動分析
????7－4－3 四層下鑽法
????7－4－4 從現象到決策——資料到行動的閉環
7－5 根因分析實戰案例報告
結語——從數據觀察者到問題診斷者

第 8 章 客戶分析與分群策略
前言——從異常現象到問題定位
8－1 客戶價值分析
????8－1－1 客戶分析的核心思維
8－2 RFM 模型
????8－2－1 RFM 的商業邏輯
????8－2－2 建立客戶分群矩陣——將行為數據轉譯為營運戰略
????8－2－3 基於 RFM 的多維交叉排查
8－3 客戶留存分析
????8－3－1 留存率與生命週期防線
????8－3－2 流失率與流失弱訊號偵測
????8－3－3 回購率的商務盲點
????8－3－4 世代分析與時序矩陣
????8－3－5 客戶生命週期價值的動態估算
8－4 客戶分群實戰
????8－4－1 K－Means 分群
????8－4－2 高價值客群辨識
????8－4－3 機器學習分群實作
????8－4－4 在 OLAP 中利用 K－Means 標籤進行多維下鑽
結語——從數據矩陣回歸「人本決策」的分析思維

第 9 章 漏斗分析與根因診斷
前言—從轉換率到根因診斷
9－1 漏斗模型與轉換路徑分析
????9－1－1 漏斗分析的本質——結構化拆解
????9－1－2 Funnel 分析前的資料可信度檢查
????9－1－3 從事件流建立漏斗
????9－1－4 漏斗轉換率與流失率之雙軌計算
????9－1－5 視覺化漏斗與雙軌指標診斷
9－2 多維漏斗分析
????9－2－1 多維漏斗的建構心法與維度選擇
????9－2－2 實作多維漏斗矩陣
????9－2－3 視覺化多維漏斗——群組對比圖實作
9－3 時間維度下的漏斗動態觀測
????9－3－1 漏斗轉換的時間窗效應
????9－3－2 佇列分析與漏斗指標的時序漂移
9－4 漏斗瓶頸的質化根因深度下鑽
????9－4－1 行為流向還原——從漏斗事件到流失原因建模
9－5 從診斷到落地——漏斗優化策略與 A/B 測試驅動
????9－5－1 減少漏斗摩擦力的營運與產品藥方
????9－5－2 利用 A/B 測試科學驗證漏斗優化成效
結語——數據分析的終點不是報表，而是改變結果

Part 3——預測分析與商業決策實戰

第 10 章 A/B 測試與數據決策實務
10－1 前言——從實驗數據到產品決策
????10－1－1 實戰沙盒——資料集介紹與分析架構
????10－1－2 數據初步檢查
10－2 實驗設計的核心
????10－2－1 為什麼需要北極星指標
????10－2－2 玩家路徑與 Gate 設計
????10－2－3 核心指標定義——D1、D7 與 LTV
10－3 實戰 A/B 測試——從隨機分派到因果推論
????10－3－1 建立實驗假設——延後門檻是否真的更好？
????10－3－2 分組均衡性檢查——樣本與 SRM 風險防線
????10－3－3 偏差程度的量化——SRM 是大問題還是可接受雜訊？
????10－3－4 A/A 測試概念引入——驗證實驗系統的零偏誤
10－4 頻率派檢定 vs 貝氏推論——加速產品決策的兩種思維
????10－4－1 傳統 p－value 的限制
????10－4－2 貝氏 A/B Testing 原理——Beta－Binomial 後驗分佈
????10－4－3 機率模擬實作——使用蒙地卡羅方法進行貝氏 A/B 比較
10－5 分群分析——挖掘隱藏在平均數下的真相
????10－5－1 辛普森悖論的商務風險
????10－5－2 依玩家涉入程度分群分析
10－6 預期損失與商務落地決策
????10－6－1 風險量化
????10－6－2 決策門檻設定——從統計顯著到商業可行性
????10－6－3 結合統計結果與開發成本的最終博弈
????10－6－4 實驗不是終點，而是下一輪優化的起點
結語——數據不是答案，而是降低決策風險的方法

第 11 章 用戶流失預測與機器學習防禦系統
11－1 前言——從「靜態留存」到「動態預測」的流失分析框架
????11－1－1 實戰沙盒——資料集介紹與分析架構
????11－1－2 數據初步檢查
11－2 特徵工程與特徵篩選
????11－2－1 數值型特徵的陷阱
????11－2－2 類別變數的商務轉譯
????11－2－3 衍生特徵——商業訊號的重建
????11－2－4 基準線設定——模型價值的起點，而非比較結果
11－3 模型構建與效能評估
????11－3－1 特徵選擇與基準模型建立
????11－3－2 確立評價體系
????11－3－3 精準度與召回率的取捨
????11－3－4 F1－Score 與 ROC－AUC
11－4 商務決策落地——從流失預測到獲利最佳化
????11－4－1 建立流失挽回的 ROI 模型
????11－4－2 挽回機率的變動敏感度分析
????11－4－3 流失挽回的決策分層——避免資源錯配與利潤稀釋
11－5 模型優化與模型解釋性分析
????11－5－1 交叉驗證
????11－5－2 超參數調優
????11－5－3 模型解釋性分析
????11－5－4 SHAP 相依圖分析——尋找風險臨界點
結語——從預測模型走向可執行的決策系統

第 12 章 回歸分析——鑽石定價與價值挖掘
12－1 前言——從價格表象到價值建模
????12－1－1 實戰沙盒——資料集介紹與分析架構
????12－1－2 數據初步檢查
12－2 數據預處理——從原石到精琢特徵
????12－2－1 數據清洗——排除異常與不合理紀錄
????12－2－2 類別編碼——等級排序與市場語言轉譯
????12－2－3 相關性掃描——價格驅動因子與結構辨識
12－3 線性回歸實作——建立商業定價基準
????12－3－1 線性回歸的商業意義——從預測工具到定價語言
????12－3－2 係數的商業意義——從參數到決策規則
????12－3－3 截距的意義——定價邏輯中的「地板價」是否存在？
????12－3－4 模型評估——R2 衡量了多少價格波動？
????12－3－5 模型評估——使用 MAE 與 RMSE 評估定價誤差
12－4 殘差分析——診斷模型的偏見與盲點
????12－4－1 殘差分布圖——檢查誤差是否符合常態分佈
????12－4－2 模型優化方向——使用多項式迴歸
????12－4－3 模型優化方向——使用 log 對數轉換
????12－4－4 模型優化方向——同時使用多項式與對數轉換
????12－4－5 穩健性檢驗——K－Fold 交叉驗證
12－5 商業決策應用——溢價預警與自動採購決策
????12－5－1 溢價分析——從殘差中尋找市場錯價機會
????12－5－2 區間估計——從單點預測到風險定價
????12－5－3 模擬情境——市場結構變動下的庫存價值重估
結語——從價格預測到價值洞察

第 13 章 時序分析與商業預警實戰
前言——從解釋過去到預測未來
????13－1 時間序列的本質——從靜態數據到動態系統
????13－1－1 時間不只是維度，而且是生成機制
????13－1－2 趨勢、季節性與隨機性的三分結構
????13－1－3 商業數據中的慣性與延遲效應
13－2 預測的前提——資料是否「可預測」
????13－2－1 平穩性的商業意義
????13－2－2 觀察平穩性
????13－2－3 差分技術——把斜率拍扁
13－3 經典模型實戰——ARIMA 與自動化預測系統
????13－3－1 ARIMA 的結構拆解——AR/I/MA 的意義
????13－3－2 建立 ARIMA 模型
????13－3－3 建立 SARIMA 模型
????13－3－4 建立 SARIMAX 模型
13－4 Auto－ARIMA——從手動調參到自動搜尋
????13－4－1 統計學的裁判——AIC 與 BIC 的商業直覺
????13－4－2 Auto－ARIMA 實戰——自動搜尋不等於自動理解
????13－4－3 Auto－ARIMA 實戰——季節性的影響
????13－4－4 Auto－ARIMA 實戰——讓模型理解商業事件
13－5 預測區間——從單點預測到風險決策
????13－5－1 信心區間與預測區間的本質差異
????13－5－2 從歷史資料走向未來決策——SARIMAX 實戰預測
????13－5－3 數據工程的核心難題——未來外生變數從何而來
結語——讓數據成為企業的前瞻雷達

第 14 章 折扣與促銷策略分析——從業績表象到價值拆解
14－1 前言——從銷量表象到商業因果理解
????14－1－1 實戰沙盒——資料集介紹與分析架構
????14－1－2 數據初步檢查
14－2 促銷增量分析
????14－2－1 基準線——建立「如果沒有促銷」的參考座標
????14－2－2 增量業績計算——量化促銷活動的真實效果
????14－2－3 損益平衡點——這場仗打得值得嗎？
14－3 收益鏈分析——從引流商品到整體獲利
????14－3－1 關聯性檢驗——主機真的帶動配件嗎？
????14－3－2 促銷投資效益分析——從引流成本到整體損益評估
14－4 替代效應與業績侵蝕——成長背後的內部消耗
????14－4－1 市場結構拆解——主機與競品的位移真相
????14－4－2 品類淨利潤評估——警惕利潤空洞化
14－5 跨期需求移轉分析——促銷是否只是「向未來借業績」
????14－5－1 囤貨效應辨識——消失的訂單只是被提前了
????14－5－2 需求透支評估與活動排程——找回獲利的節奏
結語——從數字變動到商業邏輯的還原

第 15 章 服務補救效應與忠誠度歸因
15－1 前言——當危機成為忠誠度的起點
????15－1－1 實戰沙盒——服務與交易的數據縫合
????15－1－2 數據初步檢查——確保補救資料的行為真實性
15－2 服務失敗與心理帳戶——服務補救如何轉化為增量利潤
????15－2－1 服務補救悖論的定義——危機中的忠誠度飛躍
????15－2－2 期待落差與情緒槓桿——心理學視角的價值轉化
????15－2－3 沉默的代價——當離開沒有被說出口
15－3 數據實驗設計——如何界定「補救成功」的樣本？
????15－3－1 回顧性隊列的建構——從歷史資料中重建實驗
????15－3－2 排除異常值與偏誤
15－4 忠誠度升幅量化——計算「補救後」的行為變異
????15－4－1 再購頻次與存活分析——預測未來的購買節奏
????15－4－2 信任的變現能力——從客單價提升到生態系消費
15－5 客服中心的損益表——從成本中心到價值引擎
????15－5－1 補救成本 vs 利潤增量——建立財務歸因公式
????15－5－2 補救甜蜜點探尋——速度與金額的邊際效應
結語——服務補救的本質，是重新定價關係

第 16 章 基於「行為軌跡」的潛客評分系統
16－1 前言——從「盲目追蹤」到「精準捕獲」的意圖識別
????16－1－1 實戰沙盒——資料集介紹與分析架構
????16－1－2 數據初步檢查
16－2 商務邏輯與評分機制——資源配置的核心框架
????16－2－1 資源配置失衡與潛客優先級問題
????16－2－2 屬性維度評分實作——潛客資格的門檻建構
16－3 行為特徵工程——從數位軌跡到意圖熱力建模
????16－3－1 數位足跡權重化——行為價值的分層建模
????16－3－2 線上與線下的縫合——建立完整意圖軌跡
????16－3－3 行為評分實作與特徵持久化
16－4 建立動態評分模型
????16－4－1 時間衰減機制——建立具時效性的潛客評分
????16－4－2 建立潛客評分模型——用機率量化成交可能性
????16－4－3 商務落地應用——從潛客評分到資源配置決策
????16－4－4 模型監控與持續優化——建立可進化的潛客評分系統
結語——讓數據告訴你，下一位成交客戶是誰