02_商業分析發展

核心表格

核心主題	主要觀點／方法	實務用途	重要條件／限制／延伸
Analytics Development Function	People、Tools／Techniques、Methodology 三者必須 Alignment	建立 Analytics Team 與 Governance	One size does not fit all；例如 R Skill 與 Excel-only Environment 可能錯配
Analytics Process	Business Objective → Collect Data → Prepare／Explore → Training／Test → Build／Improve → Deploy	建立 End-to-end Analytics Project	Data Collection／Cleaning／Assessment 可占總專案時間 80%；Input Quality 影響 Model Output
Training／Validation	常見 80% Training、20% Test；Training 內可做 5-fold Cross-validation	降低 Overfitting、評估 Unseen Data Performance	80／20 是常見做法，不是所有資料集的唯一規則
CRISP-DM	Business Understanding、Data Understanding、Data Preparation、Modelling、Evaluation、Deployment	用 Methodology 結構化、規劃與控制 Analytics Development	非固定線性流程；原書指出其當時已不再積極維護，但仍可作 Foundation／Guide
Methodology Usage Poll	2014 KDnuggets：CRISP-DM 43%、Own 27.5%、SEMMA 8.5%、KDD 7.5%	理解不同方法論的實務採用	樣本 200 名 KDnuggets Users，不代表全球企業母體
A／B Testing／RCT	Random Assignment＋Experimental／Control Group，用 Manipulation 檢驗 Intervention	驗證 Analytics-driven Action 是否真正改善 Business Outcome	Prediction Accuracy 不等於 Intervention 有 Causal Effect
UK Courts Experiment	Standard Text、Amount、Name、Name＋Amount、No Text 五組隨機測試	比較多種 Behavioral Intervention	原書文字指出 Personalized Name 的 Uplift 最佳；目前可讀文字未列 Figure 精確百分比
Supervised／Unsupervised Learning	依是否有 Output／Target Label 區分；Table 2.1 列多種 Modeling Techniques	Customer Segmentation、Churn、Loan、Spam、Forecast、Text、Network 等	同一問題可用多模型；需比較 Performance、Runtime、Auditability
AI／Deep Learning	Process Automation、Cognitive Insight、Cognitive Engagement	Image／Speech／NLP、Fraud、Customer Service 等	Integration、Cost、Manager Understanding、Expert Shortage、Immaturity、Overselling 都是 Adoption Risk
Data Scientist Capability	Programming＋Math／Statistics＋Domain；Team 以 Complementary Skills 覆蓋需求	Recruitment、Team Design、Capability Assessment	O’Reilly 2017 Survey 近 800 人、69 國；Major Involvement% 不是工時%
Data Scientist Tasks	Exploratory Analysis 67%、Research Question Analysis 61%、Business Communication 58%、Data Cleaning 53%	辨識真正工作重心與 Skill Gap	Develop Hardware 4%；原書也引用 Data Shaping 可能占到 90% 時間的觀點
Automated Machine Learning	DataRobot 自動 Preprocessing、Feature／Model Selection、Tuning、Validation、Ensemble	讓 End-user／Citizen Data Scientist 更快建立模型，也減少 Expert 的重複工作	80+ Model Types；Default 80／20、5 folds；Automation 不取代 Business Framing、Governance、Accountability
Toolset Selection	比較 DataRobot、SAS VA、R 的 Functionality、Platform、Cost、Support、Usability、Skills、Learning Curve	建立 Weighted Decision Framework	R 無 Acquisition Cost 不等於 Zero Total Cost；Cloud 也可能受 Data Residency 限制
SBS Decision Problem	150 European Outlets、1 planned Data Scientist、Current Excel／No Methodology；FD／IT／CEO 各偏好 Excel／SAS／DataRobot	練習把 Stakeholder Preference 轉成 Objective Tool Criteria	原書沒有 Weight、License Price 或 Winner；不可自行指定最佳工具

核心表格

文字說明