【專案紀實】NTUDAC 上學期專案有哪些?

NTU Data Analytics Club
10 min readApr 23, 2023

每學期 NTUDAC 除了有專業的數據分析工具課程以及認識不同領域產業的職涯社課以外,同學們也會運用所學於企業專案中,希望能實際練習如何以數據驅動決策,進而提升解決問題力。上學期我們很榮幸的與 WaBay 挖貝、Shopee 蝦皮購物(蝦皮店到店部門)、PackAge+ 配客嘉、WordBranch 四家不同企業進行專案合作,快來看看這半年社員們學到了哪些吧!

業主簡介

上學期專案合作企業介紹

WaBay:最值得信賴的群眾集資/ 群眾募資平台

為回饋型群眾集資/ 群眾募資平台,讓任何人都有機會在平台上提案號召群眾支持,累積實踐夢想所需的關鍵資金、社群認同與品牌影響力

Shopee(蝦皮店到店部門):由蝦皮與指定物流商合作提供之快速可靠的快遞服務

在有提供蝦皮店到店配送的賣場下單時,消費者可選擇物流方式為蝦皮店到店,並於蝦皮店到店門市取貨

PackAge+:打造串連電商與歸還點的網購包裝循環系統

透過網購循環包裝系統打造永續電商生態圈,目前已推動 65 萬個循環包裝在市場循環流通,相當於減少約 19.5 萬公斤的一次性網購包裝垃圾

WordBranch:致力於字首字根字尾學習法,輔助記憶英語單字的平台

利用單字的分解、聯想等方法引導學生思考單字的連結,讓單字不只是死背,而是豐富有趣的記憶過程

WaBay 挖貝

| Group 1 |

專案目標:提供業主 B 端業務開發方向建議,以達成集資金額、人次、回頭客三個指標項目的總額提升。

研究方法:採用相關性分析、季節週期性分析、並透過 Tableau 和 Excel 進行資料視覺化呈現,後續則透過其他質性資料作為決策輔助和資料驗證的補充。

最終產出:最終挑選出 10 項最具潛力產品作為未來的專案發展重點,並給予這些產品開發細部指標的建議。

組員真心話:從顧問、業主身上學到很多業界應用數據與解決問題的方法,並且能夠更加熟練應用 Excel、Python 找到許多商業洞察!

| Group 2 |

專案目標:根據平台 C 端會員的消費金額或是消費頻率找出目標會員,並分析其輪廓和行爲偏好,以提出後續相對應之行銷策略。

研究方法:透過不同資料集的串接,以 RFM 模型作為主要分析依據,找出 M 高或是 F 高的會員分群後以不同維度切入,並接續以 K-means 和標準化等方式分群,同時搭配業主提供的「神策分析工具」將目標會員的資料倒入,以漏斗分析觀測不同階段、不同產業的目標會員的轉換率,從而提出因應的精準行銷策略。

最終產出:整理出所有價格、非價格等關鍵影響因素,最後從中找出社會類和娛樂類專案在第二到第三階段(瀏覽平台商品頁面到確認商品品項階段)的轉換率較低。

組員真心話:謝謝顧問、業主的協助,讓我們有很大發揮空間的同時也都能及時給予我們很實用的建議,雖然中間資料源的取得上遇到一些問題,但感謝專案長和業主的溝通和協助在最後也順利完成專案!且在資料清洗的技能上,也學會如何善用 Excel 函數跟其他工具清理高達26 萬筆的資料,對於沒有資料分析經驗的人,可以實際體驗在專案執行過程中可能遇到的問題或是困難,學習團隊合作一起破解問題,也相當有成就感!

Shopee 蝦皮購物(蝦皮店到店部門)

| Group 3 |

專案目標:協助蝦皮店到店部門找到潛在合作夥伴和其合適店址,增加除了蝦皮店到店門市以外的線下取貨店點。

研究方法:透過問卷調查消費者偏好通路及網路爬蟲各夥伴店址資料的方式,量化各個線下合作夥伴及店址的營運表現,並透過加權分數對店家進行等地排序。

最終產出:最終透過問卷調查和爬蟲的結果,製作出包含多樣參數的 Tableau 視覺化儀表板,讓業主可以根據不同策略目標來動態調整權重的參數,以獲得合作夥伴和店址的動態排名。

組員真心話:社團方對於專案的時程、進度安排得宜且明確,而無論是顧問或是業主都對於專案投入程度非常高,也能適時的給予許多非常深入的商業角度的建議和想法,尤其是在專案卡住時也不忘時時提醒大家當前首要專案目標和問題。最後,最希望的當然是我們的專案成果真的能夠落地並且給予蝦皮實質的幫助 !

| Group 4 |

專案目標:透過數據定位未來潛在合作夥伴及店點。

研究方法:小組先針對合適合作夥伴確立「合作必要條件」以及「合作適當條件」,並使用 Python 的 Pandas、Geopandas、Folium 套件及 Travel Time API 中的 Isochrone 功能進行夥伴之合適店址篩選邏流程三步驟,分別為「該區域人流密度高」、「使用電商人口密度高」及「與 Shopee Xpress 具有互補性」。

最終產出:後續將「新增涵蓋範圍之新增之服務人口數」作為效益指標,最終得出全台及台北市、北區、中區及南區之合作夥伴單間及以 2 間作為組合之優先順序。

組員真心話:整體而言,大家都非常積極投入的在專案內,而且組長也很凱瑞的排專案進度、統整進度報告,讓每次顧問、業主會議的效益最大化,並且總是能夠在得到反饋後迅速調整內容、討論出組內的共識,因此可以花更多時間在資料處理上很有效率,團隊的氣氛也超級融洽!雖然開會討論時會有專案的壓力,但每次都能透過跟大家的討論學習到很多,偶爾講講幹話也很快樂!而顧問跟業主們也對於每次會議的內容都有正面評價,尤其業主更於期末表示後續會針對專案結論思考下一步的決策,讓我們覺得這段時間的付出是有被看見的!

PackAge+ 配客嘉

| Group 5 |

專案目標:在維持消費者便利性的原則下,提升雙北地區包裝歸還點的使用效率。

研究方法:利用 Excel 作基本的資料清理與 EDA,使用 Python 爬取公開資料以及評分模型的建立,最後透過 Tableau 做資料視覺化的呈現。

最終產出:計算雙北各歸還點於「便利性」及「潛力」兩面向的分數,協助業主未來在增刪歸還點時能有量化資料作為參考依據。

組員真心話:整體感覺業主給予我們蠻大的發揮空間,並適時給予一些產業的 Insight 來輔助我們判斷專案的執行。而在定義、拆解專案問題的部分,可能有些部分不 MECE,導致分析架構看起來不太合理,但過程中藉由與組員以及顧問的討論,點出問題再針對不合理的部分持續修改,最後產出一份邏輯通順,有價值的分析專案。我們認為在討論的過程中不斷提升自己資料分析的思維是做這個專案最大的收穫!

| Group 6 |

專案目標:線下歸還點的篩減以達成降低維運成本的目標,並同時維持其使用者的歸還便利性。

研究方法:首先運用 Excel 對資料進行初步的敘述性統計分析、使用 R 處理地理性質資料,以發展出「 單一包材成本」、「客群密度」、「與其他歸還點平均距離」三指標作為篩減歸還點的指標,並根據上述指標,使用 K-means 演算法將各個歸還點分為四群進行篩減,並以各群優先篩減順序制定三個方案。

最終產出:透過 Tableau 呈現預期篩減歸還點的分佈位置及所產生之預期效益(總成本最多可下降約 22 萬,消費者最多增加約 1 分鐘步行距離),並根據分群的篩減方案達到在減少歸還點的同時維持消費者的歸還便利性的共同目標。

組員真心話:

  • 了解循環包裝產業的 Domain Know-How 及所面臨的痛點
  • 運用到很多製作邏輯脈絡清晰簡報的技巧,讓業主可以在短時間內了解小組的分析成果
  • 透過包含經緯度的資料集,強化分析地理資料工具及套件的能力
  • 透過每週跟業主的聯繫,學習到商業信件往來的基本禮儀(該注意的事項),在期中跟期末報告的時候,業主也都會不吝嗇地讚美我們(很有成就感)

WordBranch

| Group 7 |

專案目標:提高 WordBranch App 的訂閱用戶數量。

研究方法:針對用戶轉換流程進行階段性分析並進一步找到付費轉換瓶頸,過程中使用 Excel 與 Python 對用戶進行輪廓分析、轉換流程分析,找出免費與付費用戶之間的主要差異並以統計檢定進行驗證。

最終產出:針對不同類型的用戶進行分群之後,最終提出具體可執行之訂閱體驗優化策略與後續進行 AB-Test 的詳細方法。

組員真心話:在本次專案中,學習到一個具有付費的 App 在其實際運作過程中所會需要面對到的問題和可以進行分析和驗證的指標。加上顧問界學長的指導,學會如何將問題進行拆解,並針對最關鍵的部分提出合適的解決方案。最後,非常感謝業主這學期的協助,給了我們豐富的資料與發揮空間,每次報告也都不吝給予許多正面回饋!

| Group 8 |

專案目標:提升 WordBranch 在試用期學生用戶的訂閱率至 15%。

研究方法:運用 Excel, Python 進行探索式資料分析,使用羅吉斯回歸驗證各指標與訂閱率的相關性,並透過 Tableau 視覺化呈現分析內容。

最終產出:找出三個顯著影響訂閱率的核心功能作為試用期任務設計內容,並優化試用期各階段的使用者體驗,並提供產品介面設計之改善建議。

組員真心話:透過這次專案,我們學到了以下幾個面向:

  • 團隊協作與溝通:在協作的過程中,理解到保持暢通的溝通及達成共識的重要性,例如在資料集的使用上,需要保持使用資料的一致性,才不會導致分工分析的結果有所偏誤;另外,在專案製作過程中,會存在許多不同角色,不一定每個人都擅長所有事情,因此依據專長分工能夠幫助專案執行上的效率,但不同職能的人還是可以盡可能理解其他組別在做的事情及進度,能幫助專案掌握度也可以降低溝通成本。
  • 數據分析技能:我們大量運用到在社團所學到的資料清理來對業主的網站資料進行整理,並且運用 Tableau 數據視覺化的技巧,讓數據結果能夠更清晰易懂呈現給業主,也同時增進我們資料分析的實作經驗。而這次的經驗也開拓我們對數據分析的應用,不僅敘述性統計,也可以運用其他方式來分析數據,在本次專案中我們也運用到Logistic Regression 進行分析、Cohort Analysis (群組分析)、Sankey Diagram (桑基圖)等方式來探索更多的數據 Insight,工具使用上也實際運用到 Excel, SQL, Python, Tableau, GA 等工具進行分析,最後也確實透過這些分析結果為業主提出合適的解決方案。
  • 問題解決與簡報技巧:在顧問的指導下,我們理解可以善用過去所學習過的理論架構來拆解專案問題,在本專案中我們運用到客戶生命週期及行銷漏斗等架構搭配上MECE 的概念,來拆解問題及發想解決方案。另外,我們也實際使用了社課學習的商業簡報心法,讓我們能夠在簡報製作上強調重要資訊,將分析重點有效傳達給業主。

最後,再次感謝四間合作企業提供了寶貴的數據資源和專業知識,使專案得以順利進行,相信企業們的支持和指導對社員的學習有著極大的幫助。另外,也十分感謝羽嵐學姊、育雯學姊、哲宇學長、勝翔學長和遠志學姊擔任本次的專案顧問,給予 NTUDAC 社員數據分析到簡報呈現的完整指導,協助克服專案過程中困難和挑戰,相信這三個月對社員們來說也也是一段深刻的成長體驗!

--

--

NTU Data Analytics Club

臺大資料分析與決策社 (NTUDAC) 為一群對資料科學抱有熱忱的臺大學生創立, 旨在教授學員如何利用數據分析解決商業問題的商業性社團,在 Medium 將分享社團課程與實作專案內容,以期推廣資料分析的相關資訊。