【6th 下學期專案紀實】H2U、國泰人壽、Garena、WeMo、Logitech、街口支付

還在煩惱如何準備 7th NTU DAC 的面試嗎？這篇 6th 專案紀實最終篇，將會幫助你「沈浸式體驗」資料和商業分析兩大技術交會的精彩專案內容🤩

以上學期的商業分析思維為基礎，下學期的專案應用更進階的資料分析技術來處理專案問題。社團專案分為「商業分析組」及「機器學習組」，提供彈性讓社員依照自己的興趣、職涯規劃做選擇。而我們很榮幸能與 H2U、國泰人壽、Garena、WeMo、Logitech、街口支付 6 家企業進行專案合作，快來一起看看下半年社員們走過了哪些吧！

業主簡介

🔖 H2U：H2U 以「健康生活」、「數據驅動」、「服務整合」三大主軸，致力於推動卓越的數位健康服務，透過專業結合跨產業資源，為全世界帶來數位健康生活的新紀元。

🔖 國泰人壽：作為全國最大的保險公司，國泰人壽秉持著誠信、當責、創新的核心價值，以「大樹為您撐傘，讓人生總是好天氣」為使命，用心守護幸福，朝向「亞太地區最佳金融機構」的願景邁進。

🔖 Garena：Garena 為全球領先的線上遊戲開發及發行商，為世界各地的玩家打造豐富的遊戲體驗、耀眼的電競舞台、有趣的社群企劃，持續壯大遊戲生態系，和千萬玩家共享精彩時刻！

🔖 WeMo：台灣在地的共享電動機車品牌 WeMo，提供即借即還的綠色移動服務，結合科技與永續理念，致力於打造便利、環保且具彈性的城市交通新選擇，為未來城市創造更多可能。

🔖 Logitech：Logitech 專注於結合設計與創新，提供提升工作效率與娛樂體驗的硬體解決方案。其產品不斷創造連結人與數位世界的永續科技生活，並且以永續的設計領先業界，善盡環境責任。

🔖 街口支付：重視消費者體驗，街口支付致力提供功能完整、操作流暢的行動應用服務。旗下街口電子支付股份有限公司為行動支付領導品牌，透過廣泛通路與 QR Code 掃碼技術，積極推動無現金生活，涵蓋點餐、外送、訂位、候位、叫車與優惠券等多元服務。

H2U

| Group 1 |

專案目標：本專案與 H2U 合作，針對兩項健康產品進行廣告精準投放策略設計，目標為找出潛在受眾，並將單位獲客成本（CPL）降至 900 元以下，提升廣告轉換效益與投資報酬率。

研究方法：團隊以 CDP 系統擷取用戶瀏覽與購買行為資料，透過 Excel 與 Python 工具，結合 BERT 模型、K-means 分群、PCA 降維、情緒分析與主題聚類，建立潛在客群模型。此外，也進行 Apriori 關聯式分析與多次行銷實驗設計（如 A/B 測試、名單擴張與條件鬆綁），針對三種受眾來源進行實驗：人生事件、電商行為與歷史名單，並搭配 Meta 廣告系統測試廣告表現。

最終產出：專案成功找出多組 CPL 低於 900 元的廣告策略，其中「情緒主題 × 即時追蹤名單」的組合 CPL 低至 40 元，條件放寬後的大規模投放策略則達到 205 元，均顯著優於原始目標。分析結果指出，放寬受眾條件比一味追求精準更能擴大成效，並進一步發現透過 NLP 技術分析大量網頁標籤，有效辨識高潛力受眾、提升轉換效率。整體專案成果有效提升 H2U 廣告成效與數據應用深度，為後續精準行銷策略提供明確方向與實用建議。

組員真心話：這次的專案讓我們第一次實際運用自然語言處理技術來解讀受眾輪廓，像是用 BERT 做文字向量轉換、搭配 K-means 分群，讓我們能從龐大的內容資料中看出潛在客群的主題傾向與健康意識。也透過多次廣告實驗，我們學會怎麼根據每一輪的成效數據來調整策略，讓我們更熟悉數據驅動的優化思維，在各個方面都有很大的成長！

國泰人壽

| Group 2 |

專案目標：建立一套可預測保戶未來購買產品的機器學習模型，藉此提升 EDM 精準推薦的效率與保單轉換率。透過個人化推薦，改善以往廣泛投放所造成的低效與品牌損耗問題，並協助業主更有效掌握客戶需求與潛在購買行為。

研究方法：以 Python 為主要開發工具，進行資料清理、視覺化分析與特徵工程建構。更運用了 LightGBM 作為核心模型，先預測保戶有可能購買的險種，再進一步細化到特定保單名稱。此外，也針對家庭客群進行線上與線下服務樣態分析與分群，提出客戶經營與推薦建議。

最終產出：模型表現準確度極高，第一層險種預測中，Top 3 預測準確率達 98%，各險種的 recall 均衡且超過 80%；第二層險名預測亦有穩定表現，多數險名的 recall 超過 80%。最終成果可直接應用於 EDM 系統中，作為推播商品的依據，大幅提升精準度與個人化程度。

組員真心話：這次專案讓我們實際參與機器學習模型建構，從特徵工程設計、資料處理到模型訓練，學會避免資料洩漏、優化程式效能，也更理解如何讓模型貼近商業情境。我們除了學會在有限資源下有效迭代與測試，在合作方面，也提升了溝通與專案管理能力，更收穫無價的友情！

| Group 3 |

專案目標：以「家庭」為分析單位，探討不同生涯階段家庭的保險購買行為及數位使用模式，目的是建立家庭保險行為模型與購買順序，並提供實用的行銷與經營策略建議，協助提升保險銷售與用戶體驗。

研究方法：團隊運用 Python 對多張資料表進行串接與聚合分析，將保戶依家庭關係進行分類，並以子女生涯階段為主軸劃分家庭類型。透過統計檢定與 Persona 分群，深入了解不同家庭的保險險種偏好、主附約差異及數位行為特徵。最後，再結合 Figma 設計介面，提出國泰人壽 APP 介面改善建議。

最終產出：團隊繪製出七大生涯階段家庭 Persona，並針對每類型家庭提供保險險種配置與理賠特徵建議。除此之外，也包含針對新手業務員的家庭特徵教學方案，以及納入家庭資訊優化的 MML 平台介面設計建議，期望能提升用戶對家庭保險的認知與購買意願。

組員真心話：這次專案讓我們更深入了解壽險業的運作與挑戰，尤其是以家庭為單位分析，能清楚掌握保障重點轉移及險種偏好的變化。我們也體會到家庭資料整合與關係重組是既耗時又關鍵的前置工作，學習處理大量結構化資料，並從終端價值出發思考專案交付，更增強了大家商業分析能力！

Garena

| Group 4 |

專案目標：聚焦於優化官方社群經營，並針對目標族群 Gen Z 玩家進行輪廓探索與參與度提升，強化品牌社群活力與用戶黏著度。

研究方法：運用 Python 進行社群留言資料清理與探勘，搭配 LLM 與 BERT 主題建模，對留言情緒與主題進行深入分析，並透過 Gemini API 進行情緒貼標與官方貼文主題分類。最後，輔以 Excel、Tableau 與 Looker Studio 視覺化呈現數據，同時設計問卷與質性訪談，建構完整 Gen Z 玩家輪廓。

最終產出：成功歸納出影響玩家情緒與互動的三大類貼文主題，並提出共 8 項社群經營與行銷策略建議，涵蓋活動優化、平台使用習慣、KOL 互動及遊戲內競品偏好等面向。成果有助於進一步提升 Gen Z 玩家參與度與社群活躍度，並優化官方社群營運模式。

組員真心話：這次專案讓我們學會從業主角度思考，如何讓分析結果最大化影響力，也體會到即便未完全達成目標，只要成果與過去經驗一致，仍具參考價值。在技術層面，我們也深入掌握文字資料處理、LLM API 串接、Power Query 與 Excel 的結合等能力，讓資料處理和團隊協作更高效！

WeMo

| Group 5 |

專案目標：本專案旨在深入洞察 WeMo 18～24 歲年輕用戶行為，並提出針對性拓展新客策略，聚焦學生與通勤族群的消費特徵與需求。

研究方法：運用 Python 進行資料清理與探索性分析，並比較 K-means、HDBSCAN、K-prototype 三種分群模型，最終採用最貼合數據特性的 K-prototype 進行用戶分群。再透過 RFM 模型篩選高價值用戶群，重點鎖定「通勤上班族」與「通勤大學生」兩大分群。最後，為驗證策略效果設計並發放質化與量化問卷，作為分析結果的補充。

最終產出：成功識別出高價值用戶高度集中於兩大群體，比例分別達 82% 及 84.2%。再根據分析與問卷回饋，收斂出四大行銷策略，具備高接受度與潛在轉換力，並為品牌提出長短期優化建議。

組員真心話：面對不熟悉的程式、機器學習和統計領域，我們都是邊做邊學，從一開始只知道模糊方向，到後來透過與業主和團隊溝通，拆解出具體可執行的目標，收穫豐富，不僅提升技術能力，更增強了我們在團隊合作、管理專案的軟實力！

Logitech

| Group 6 |

專案目標：了解銷售主要受廣告還是折扣促銷驅動，並針對不同品類及電商平台制定相應行銷策略。

研究方法：運用 Python 與 Excel 對銷售資料、廣告投放及折扣資訊進行時間序列拆解與分析。透過分析銷售趨勢，評估廣告與促銷活動對銷售額的影響，並尋找各品類的折扣甜蜜點。

最終產出：發現銷售主要由廣告驅動，但折扣仍具差異化影響力。針對前三大品類，團隊制定折扣銷售策略，並提出各電商平台的廣告檔期與推廣建議，幫助羅技優化行銷效益。

組員真心話：這次專案讓我們學會了完整的資料分析流程，尤其是如何用 Python 有效清理和分析資料，並將結果用視覺化簡報呈現給業主。過程中，深入品類表現的細節分析非常有趣，也讓人更理解行銷決策背後的邏輯！

街口支付

| Group 7 |

專案目標：提升街口支付用戶首購後的長期穩定留存率，特別聚焦於「繳費」與「超商」兩大通路，設計差異化留存策略。

研究方法：團隊運用 Python 進行資料前處理及用戶行為深度挖掘，並結合外部市場調研資料與內部用戶資料。透過 Excel 進行探索性分析，利用 RFM 模型與分群技術識別不同留存用戶特徵，進一步進行假說驗證與因果推論分析。

最終產出：針對繳費和超商兩大通路，提出「繳費一鍵付」、「跨通路導流優惠」及「超商閃電回購」三大策略，並預估這些策略對提升穩定留存率的效果，為街口支付後續用戶經營提供具體可行方案。

組員真心話：我們透過這次專案深刻理解了何謂「用數據說話」，除此之外，也更了解支付產業特性，像是消費通路、時間和金額等各種因素如何影響行銷策略的制定。在團隊合作中，我們學會與不同背景的同學協調合作模式，同時透過 AI 技術加速資料分析，大大提升了團隊效率！