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
- 出版商: 博碩
- 出版日期: 2026-09-23
- 定價: $800
- 售價: 7.8 折 $624
- 語言: 繁體中文
- 頁數: 544
- ISBN: 6264146072
- ISBN-13: 9786264146074
-
相關分類:
Python、Data-mining、Data-visualization
尚未上市，歡迎預購
商品描述
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。
目錄大綱
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
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
