階段 4 商業 ML

分析告訴你「發生了什麼」,這一階段資料分析師要再進一步:用機器學習預測「接下來會怎樣」,而且輸出是業務能直接行動的名單、預測或分群。

這一階段學什麼

• scikit-learn 建模流程:切分訓練與測試集、選模型、調參數、防過擬合,跑通分類與分群的標準流程。
• 特徵工程:把原始欄位加工成有預測力的特徵(如「最近 30 天登入次數」),實務上它比換演算法更能拉高效果。
• SHAP 可解釋性:量化每個特徵對單筆預測的貢獻,回答業務最愛問的「為什麼模型說這個客戶會流失」。
• 從預測到行動:模型輸出要落地成名單、分數或分群,並設計對應的行動方案。

為什麼是現在學

有階段 2 的統計思維,你才能正確評估模型、不被準確率騙;有階段 3 的商業敘事,模型結果才推得動業務。這一階段的產出,正是階段 5 要自動化、產品化的核心資產。

怎麼練(具體行動)

1. 用公開的電商或電信資料做流失預測:輸出高風險客戶名單與前三大流失因子。
2. 做一次客群分群(如 K-means 搭配 RFM 特徵),替每群命名並寫行動建議。
3. 用 SHAP 畫出特徵重要性,把技術圖翻譯成一頁業務語言的說明。

完成標準

• 完成一個商業 ML 專題,附評估指標、可解釋性分析與行動建議。
• 能向業務主管講清楚模型「準不準、為什麼、怎麼用」,對方聽得懂。

⚠️ 常見誤區:只追準確率 — 抓流失客戶時,漏抓的代價往往比誤抓高得多,指標要跟著業務代價選。