徐子皓 Nash Xu前言－淺談迴歸與案例資料介紹隨著電腦運算工具的進步，機器學習逐漸受到推崇。根據全世界最大求職平LinkedIn的發布消息顯示，AI相關人才供不應求，已經連續三年蟬聯年度新興工作排行榜的第一名。而機器學習中，又以迴歸最廣為人知，它究竟是什麼呢？Dec 11, 2020Dec 11, 2020
徐子皓 Nash XuinMarketingdatascience二因子變異數分析 — Python實戰：不同廣告與人口變數（地區）如何最佳搭配？在上一章節中，我們已經將資料按照廣告類型以及地區各自分成了三類(alist~flist)，有別於單因子變異數單元只比較不同「廣告」對於消費者在「平均消費支出」的影響，在本章節中將額外加入地區作為考量，並透過多因子變異數分析進一步評估這三者彼此間的交互影響。Dec 9, 2020Dec 9, 2020
徐子皓 Nash XuinMarketingdatascience二因子變異數分析 — Python實戰：商務資料結構整理在上一章節中，我們完成了單因子變異數分析，並了解了不同廣告之間所帶來的平均消費金額，而這章節我們將使用「consumption.csv」中完整的要素欄位來做分析。Dec 7, 2020Dec 7, 2020
徐子皓 Nash XuinMarketingdatascience單因子變異數分析 — Python實戰：如何決定多廣告的優化策略？在上一單元，我們已經完成了資料前處理，接下來請務必將執行後資料保留下來，用以操作接下來的資料分析。Dec 3, 2020Dec 3, 2020
徐子皓 Nash XuinMarketingdatascience單因子變異數分析 — Python實戰：商務資料結構整理本次所使用資料集為某廣告商在不同地區推廣不同廣告後，所得到的消費金額中，取樣360筆作為本章節所使用的資料集－「consumption.csv」。Dec 2, 2020Dec 2, 2020
徐子皓 Nash XuinMarketingdatascience盒鬚圖－哪個廣告效果好？ 電商產業廣告效果分析實戰案例資料科學人員需要進行資料呈現時，比起直接提供平均數、中位數、最大最小值等敘述性指標，盒鬚圖往往是更受歡迎的選擇，不但能將資料的分部一目了然地呈現出來，協助掌握狀況；也能讓我們在進行統計檢定及迴歸預測前，能對資料有初步的決策參考。Dec 1, 2020Dec 1, 2020
徐子皓 Nash XuinMarketingdatascience無母數檢定 — Python實戰：如果蒐集樣本太少，又想優化廣告成效？在上一章節中，我們已經將電商的後台原始資料經過整理之後，找出了廣告樣本數最大的三個廣告分別為「自然流量」、「critei」以及「KDP」(如圖一所示)，並將資料篩選至只包含這三種廣告的資料了(如圖二所示)。Nov 26, 2020Nov 26, 2020
徐子皓 Nash XuinMarketingdatascience無母數檢定 — Python實戰：商務資料結構整理本資料將採用某電商平台的後台銷售數據，在資料非常態分佈的情況下，透過無母數檢定分析特定系列商品在不同的廣告下的成效為和。Nov 25, 2020Nov 25, 2020
徐子皓 Nash XuinMarketingdatascience卡方檢定 — Python實戰：掌握不同系列產品推出的族群比重在上一章節中，我們將資料經過了一系列的處理後，成功地準備好了一份可供卡方檢定使用的要素交叉頻率表(如圖1所示)，接下來將通過該資料進行卡方檢定，並進一步思考背後是否具有決策參考價值。Nov 18, 2020Nov 18, 2020
徐子皓 Nash XuinMarketingdatascience卡方檢定 — Python實戰：商務資料結構整理本章節的原始資料擷取至某電商資料「chisquare.csv」，該檔案內記載了每一筆消費資料的產品款式、觸及轉換廣告(該店商轉換100%來自網路廣告)、性別等，共約35萬筆資料。我們將透過這個資料集練習如何使用卡方檢定，並進一步思考背後是否具有決策參考價值。Nov 17, 2020Nov 17, 2020
