PART 1 建立數據分析的邏輯與思維
01 數據分析從「問題」開始
1-0 問題類型與分析思維的重要性
1-1 為什麼數據分析不是從打開 Excel 或 Python 開始？
1-2 三種數據問題類型——比較 vs 關聯 vs 預測
1-3 行銷、電商數據分析需要的技能
1-4 分析前的 Python 技能整理
1-5 本章回顧——你現在會了什麼？
02 數據透視——搞懂資料型別，才懂分析邏輯
2-0 數據不只是數字——看懂資料的第一步
2-1 資料的「本質」是什麼？——資料型別與分析思維
2-2 別被表象騙了——用 Python 看穿資料的真實型別
2-3 別忽略資料的空白——缺失值比你想的有意義
2-4 小心資料裡的「空洞」——缺失值的處理策略
2-5 小心那些「怪數據」——離群值與補值思維
2-6 補值實戰——電商數據的完整處理流程
2-7 本章回顧——你現在會了什麼？
03 讓資料說話——資料視覺化的技術與美學
3-0 數據不只是數字，而是洞察——視覺化的核心目的
3-1 資料視覺化起手式——選對工具與格式準備
3-2 數量與比例怎麼看？類別型資料的視覺化對策
3-3 資料分布一眼看懂——箱型圖、直方圖與小提琴圖上場
3-4 看見資料的關聯性——探索變數之間的對話
3-5 趨勢分析一眼看懂——折線圖與面積圖上場
3-6 資料可視美學——讓圖表不只正確，還吸睛
3-7 本章回顧——你現在會了什麼？
04 用數據告訴你「差異在哪」
4-0 表面看起來有差，真的有嗎？——差異檢定的由來
4-1 別被「平均數」誤導！要用 t-test 和 ANOVA
4-2 差異檢定的核心概念
4-3 二選一的戰場——t-test 快、狠、準！
4-4 三方對決——誰才是真正王者？單因子 ANOVA
4-5 雙線作戰——雙因子 ANOVA 看見隱藏交互作用
4-6 誰搞的鬼？事後檢定揭開真正的差異
4-7 本章回顧——你現在會了什麼？
05 變數間的隱秘關聯——掌握數據之間的對話
5-0 變數之間，其實一直在「說話」——揭開資料關聯的面紗
5-1 為什麼要了解變數之間的關係？
5-2 皮爾森相關係數——量化關聯的第一步
5-3 散佈圖——讓變數關係一目了然
5-4 交互效應——資料背後的「如果⋯但是⋯」
5-5 共變異性——當數據「同起同落」時
5-6 商務案例挑戰——看懂資料之間的對話陷阱
5-7 本章回顧——你現在會了什麼？
06 想預測，就要建模型
6-0 為什麼要預測——從理解過去，到預見未來
6-1 預測 ≠ 回顧——預測模型的價值
6-2 一對一的預測——從來店次數預測消費金額
6-3 多變數、多面向——誰還會影響消費金額？
6-4 模型診斷與改善——檢查模型是否可靠
6-5 線性迴歸模型的適用場景
6-6 本章回顧——你現在會了什麼？
PART 2 行銷× 電商資料分析實戰
07 顧客輪廓分析——誰是你的好客戶？
7-0 顧客輪廓分析導論——掌握誰是你的「好客戶」
7-1 為什麼需要顧客分群？
7-2 RFM 分數與客戶分群
7-3 描述性統計與視覺化分析
7-4 從 RFM 到 Kmeans——升級你的客戶分群策略
7-5 分群效度檢驗
7-6 RFM 分群與其他變數的交叉分析
7-7 本章回顧——你現在會了什麼？
08 購物籃分析——用 Apriori 發現潛藏的購買關聯
8-0 發現那些「悄悄一起被買」的商品組合
8-1 為什麼要做購物籃分析？
8-2 關聯規則的三大指標——Support、Confidence、Lift
8-3 這不是巧合！Apriori 演算法找出高價值商品組合
8-4 如何將高頻購買行為轉化為商業規則
8-5 限制與延伸——Apriori 的挑戰與進階方向
8-6 本章回顧——你現在會了什麼？
09 顧客旅程分析——從點擊到購買的決策路徑
9-0 從點擊到購買，他們經歷了什麼？
9-1 旅程資料怎麼來？該怎麼整理？
9-2 從事件序列還原轉換流程
9-3 旅程分群與洞察
9-4 電商平台「購物流程優化專案」
9-5 本章回顧——你現在會了什麼？
10 漏斗分析——拆解轉換率，抓出關鍵流失點
10-0 漏斗分析導論——逐步拆解轉換率與流失點
10-1 建立並分析轉換漏斗
10-2 電商網站用戶轉換分析實戰
10-3 哪裡在漏？視覺化一次看懂轉換破口
10-4 哪個族群最容易掉隊？切分漏斗，精準追擊！
10-5 本章回顧——你現在會了什麼？
11 行銷人的四大天王——CTR、CPC、CPA、ROI 全解析
11-0 廣告成效分析導論——用數據追蹤每一分廣告預算的價值
11-1 廣告不是燒錢遊戲，是數據決策戰！
11-2 KPI 怎麼選？廣告成效別再「一把抓」
11-3 用圖說故事——廣告成效視覺化技巧
11-4 行銷優化最實用的武器——A/B 測試設計法
11-5 實戰分析——新廣告文案 A vs B，誰能帶來更多轉單？
11-6 本章回顧——你現在會了什麼？
12 留住顧客比吸引顧客更難——「留存率」與「流失率」的真相
12-0 客戶留不住，問題到底出在哪？
12-1 留住真金——揭開留存率的祕密武器
12-2 留存黑科技——算出誰真的愛你
12-3 留存曲線——畫出用戶留下的軌跡
12-4 用戶價值分析——誰最值得被留下？
12-5 本章回顧——你現在會了什麼？
13 預測再購——線性與邏輯迴歸應用
13-0 預測誰會再購？從觀察行為到主動出擊
13-1 再購預測的商業價值
13-2 預測模型的資料前處理
13-3 預測用戶是否會購買——三種模型實戰比較
13-4 預測未來——精準識別潛在購買者，提升行銷效能
13-5 本章回顧——你現在會了什麼？
PART 3 數據決策與呈現
14 專題製作——以 ARIMA 模型預見未來銷售
14-0 銷售預測啟程——ARIMA 模型導入
14-1 時間序列分析（Time Series Analysis）
14-2 讓時間說話——ARIMA 精準預測銷售趨勢
14-3 鎖定金雞母——預測產品類別的銷售潛力
14-4 本章回顧——你現在會了什麼？
15 專題製作——智慧客服系統的打造
15-0 智慧客服系統啟程
15-1 Jieba 出擊——破解無空格的語言密碼
15-2 TF-IDF——文字關鍵詞的超級放大鏡
15-3 算出你我有多像——餘弦相似度解密
15-4 問我吧！會回答你的智慧客服系統
15-5 本章回顧——你現在會了什麼？
16 打造面試亮點的顧客行為分析專案——以 Seaborn tips 資料集為例
16-0 數據 × 咖啡——博碩咖啡顧客行為洞察報告
16-1 資料認識與前處理
16-2 小費行為的描述性分析
16-3 統計檢定與假設驗證
16-4 小費行為的多變數模型建構
16-5 顧客分群與洞察擴充
16-6 面試作品集整理與履歷應用
16-7 本章回顧——你現在會了什麼？

PART 1 建立數據分析的邏輯與思維
01 數據分析從「問題」開始
1-0 問題類型與分析思維的重要性
1-1 為什麼數據分析不是從打開 Excel 或 Python 開始？
1-2 三種數據問題類型——比較 vs 關聯 vs 預測
1-3 行銷、電商數據分析需要的技能
1-4 分析前的 Python 技能整理
1-5 本章回顧——你現在會了什麼？
02 數據透視——搞懂資料型別，才懂分析邏輯
2-0 數據不只是數字——看懂資料的第一步
2-1 資料的「本質」是什麼？——資料型別與分析思維
2-2 別被表象騙了——用 Python 看穿資料的真實型別
2-3 別忽略資料的空白——缺失值比你想的有...