實務分析 6.1。以汽車製造商案例說明如何從客服中心／安全紀錄發現產品問題與顧客情緒。
理解詞頻－逆文件頻率（Term Frequency–Inverse Document Frequency, TF-IDF）、餘弦相似度、分群與自然語言處理（Natural Language Processing, NLP）的互補角色。
Think Big Analytics／Teradata 以快速分析顧問專案（Rapid Analytic Consulting Engagement, RACE）協助汽車製造商分析安全相關文字，從大量自由文字中找出重複議題與顧客群。
| 原書項目 | 數值／內容 |
|---|---|
| 快速分析顧問專案交付時間 | 6 週或更短 |
| 主要方法 | 詞頻－逆文件頻率＋餘弦相似度＋分群＋自然語言處理 |
| 辨識議題 | 煞車問題、動力方向盤滲漏、其他安全問題、工廠相關問題 |
| 低價值示例 | 二手車購買：約 $5,000 |
| 高價值示例 | 新車購買：約 $30,000 |
| 回購顧客獎勵示例 | $500 回饋 |
| 地點示例 | California 與 Nebraska |
詞頻－逆文件頻率衡量某詞相對於語料庫的重要性；餘弦相似度比較文件相似度；分群聚合常見片語／主題；自然語言處理再協助判斷討論性質與情緒。
原書沒有提供語料庫、詞頻或餘弦向量，因此不能重算詞頻－逆文件頻率／餘弦相似度。可直接確認的管理輸出是案例辨識到煞車、動力方向盤、安全與工廠相關群集。
文字分析可以把產品品質、顧客價值與地點結合，讓企業不是只做「情緒分類」，而是依問題嚴重度、客戶價值與法規情境決定處置優先順序。
根據已知群集、顧客價值與地點資訊提出處置優先順序；不可生成不存在的詞頻－逆文件頻率分數、餘弦相似度或顧客數。
問題： 若只比較原書兩個顧客價值示例，$30,000 相對 $5,000 是幾倍？
參考解答： $30,000 ÷ $5,000 = 6 倍。這只是原書示例金額的比例，不等於完整顧客終身價值。