Intelligent Catering 数据分析项目实训营

什么是数据分析？

想象一下你有一堆乐高积木，你需要按照说明书来拼出一座城堡或者一辆车。在数据分析中，那堆乐高就是原始数据，而你想要构建的模型（城堡或车）则是你的数据分析目标。数据分析的过程包括收集、清洗、探索、模型构建和解读数据——就像按照图纸一步步拼出乐高模型一样。

为什么要进行数据分析？

1. 洞察消费者需求：通过分析客户数据，企业可以发现消费者的购买习惯、喜好与趋势，从而推出更受市场欢迎的产品。
2. 优化运营效率：数据分析帮助企业找出生产和服务中的瓶颈，使得流程更加高效，降低成本，提高利润。
3. 制定战略决策：企业可以依据数据分析得出的结果，制定市场进入策略、价格策略等，减少决策过程中的不确定性。
4. 增强客户服务：分析客户互动数据，企业可以改进客户服务流程，提升客户满意度和忠诚度。

数据分析求职者面临的挑战？

1. 高竞争性：澳洲的就业市场竞争非常激烈，特别是在数据分析这样的领域，公司通常寻找具有证明技能和经验的候选人。由于技能移民的持续涌入以及本地大学毕业生数量的增加，这种竞争性进一步加剧。
2. 高级技术要求：雇主经常寻找具有使用高级数据分析工具和编程语言（如 Python、R、SQL）以及机器学习和大数据技术经验的候选人。跟上这些技术的快速发展对求职者来说是一个挑战，他们需要不断更新自己的技能。
3. 本地经验：公司通常更倾向于有澳洲工作经验的候选人，这对国际学生和新移民来说是一个重大障碍。

项目介绍

本项目通过分析澳洲本地 Catering 的真实流水数据，发现、优化和解决运营中的问题。课程结合了 Data Aanalysis、Data Science 以及 Machine Learning Engineering 的学习路径，通过 8 周的项目开发工作，你将能够完善你的技术栈，获得解决真实商业问题的能力，以及澳洲项目经验。

导师介绍

导师 Guang 拥有莫纳什大学博士学位，专攻空间大数据研究。在谷歌学术上，他的 H 指数为 21，并且是 Kaggle 平台上的 Competition Expert，全球排名达到 4%。在曾经服务于 AusPost、NAB、REA 等企业期间，他参与了多个数据科学与数据工程项目的开发和实施。目前，他在澳大利亚领先的 B2B 电商平台 New Aim 担任 Tech Lead 一职，带领团队致力于构建现代化数据平台，以支持企业级 AI 应用。

为什么选这门课

• 在实际项目中应用 Data Aanalysis 和 Machine Learning 技能，提升自己的项目实战能力。
• Centauri Alpha 公司真实项目需求，完成项目后可获得公司背书，并且在公司官网展示项目成果。
• 在澳洲行业专家的指导下，根据个人能力选择适合自己的项目开发路径，全方位满足不同条件的学员需求。

参与项目的好处

• 实战经验：通过分析真实的餐饮销售数据，你将获得宝贵的实战经验，学会如何在实际业务中应用数据分析技术，为餐饮业务提供具有实际影响力的运营优化建议。

• 技术技能提升：从 Data Cleaning 到 Machine Learning，你将掌握 Data Science 的 A 到 Z，无论你是 Data Aanalysis 的初学者还是未来的数据科学专家，都能获得必要的技能提升。

• 战略思维：通过深入的数据洞察，你将学会如何为企业提供具体可行的商业策略和改进建议，成为一个能够用数据驱动决策的战略思考者。

• 个性化辅导：每周至少一小时的专业辅导，确保你在数据探索的旅程中方向明确，步步为营，我们的行业专家导师将为你的学习之旅提供无价的指导和支持。

项目内容

在这为期 8 周的项目中，你将踏上数据分析项目的旅程。不论你是 Data Aanalysis 的初学者，还是 Data Science 的未来专家，亦或是 Machine Learning Engineering 的热衷者，这里都有适合你的成长路径。在行业顶尖导师的指导下，你将学会如何将理论知识应用于实际项目，以获取宝贵的项目实战经验。

EDA 了解数据

• 内容：数据收集、清洗和预处理。探索数据集以理解其结构和关键指标。
• 技术栈：Python (Pandas, NumPy), SQL for data querying, Matplotlib, Seaborn for initial data visualization.

客户画像

• 内容：
  • 应用 RFM 模型分析不同类型的客户。
  • 分析 RFM 指标随时间的变化。
  • 识别活跃与流失客户，计算日活跃用户（DAU）与月活跃用户（MAU）。
  • 分析顾客的订餐偏好和就餐时间。
  • 识别流失用户的特征。
  • 基于分析提出针对商家的建议。
• 技术栈：Python (Pandas, Matplotlib, Seaborn), SQL

餐品分析

• 内容：
  • 分析热销与冷门商品。
  • 应用 BCG 矩阵理论分析产品组合。
  • 如何有效沟通分析结果，给商家提出建议。
• 技术栈：Python (Pandas, Matplotlib, Seaborn)

客户流失预测

• 内容：
  • 构建客户流失预测模型。
  • 根据模型结果提出商家策略建议。
• 技术栈：Python, Scikit-learn, TensorFlow/PyTorch for advanced predictive models, Matplotlib, Seaborn for model evaluation visualization.

销量预测

• 内容：
  • 构建销量预测的基准模型。
  • 应用 Cross Validation ****优化模型。
  • 实施 Feature Engineering 优化模型精度。
  • 应用 Ensemble Learning 提高预测精度。
  • 分析预测的误差和不确定性。
• 技术栈：Python, Scikit-learn, TensorFlow/PyTorch, Matplotlib, Seaborn.

MLE 路线

• 内容：
  • 封装代码，创建模型训练和预测的脚本。
• 技术栈：Python, Git for version control.

SWE 路线

• 内容：
  • 使用 Django 框架构建用户界面，展示预测结果。
• 技术栈：Django, HTML/CSS, JavaScript for front-end interaction, Docker for deployment.

我们能够提供什么

• 真实商业需求：项目需求来自真实需求，你将实训营中面对真实业务挑战，通过项目实战，磨练问题解决能力和获得实际的项目经验。

• 多样化学习路径：根据个人技术水平和职业规划，提供三条学习路径，让每位学员都能找到适合自己的成长道路。

• 精品小班教学：每班 2～4 人的教学模式，确保每位学员都能得到充分的关注和指导，同时通过团队合作完成项目，体验协作的力量。

• 互动与合作：在每周的集体讨论时间里，你将有机会与来自不同路径的同学分享见解，汲取他们的思考和经验，促进个人全面成长。

课程内容提纲

• EDA 了解数据：探索数据集的秘密，学会数据清洗和预处理。
• 客户画像分析：使用 RFM 模型描绘客户轮廓，挖掘客户行为和偏好。
• 餐品分析：通过热销与冷门商品分析，洞悉市场趋势和产品生命周期。
• 预测模型：构建并优化客户流失预测和销量预测模型，洞察未来趋势。
• 模型部署：将模型实现为实用的工具，使用框架如 Django 展示预测结果。
• 个性化进阶：针对不同技术水平的学生提供个性化路径，无论你是数据新手还是技术专家，都能找到适合自己的挑战。

多样化学习路径

我们深知每位学员都独一无二，因此我们的课程设计赋予了你前所未有的灵活性和个性化选择。在这个项目中，你不仅是一个学员，更是你自己学习旅程的规划者。我们提供三条学习路径，让你能够根据自己的兴趣、能力和职业规划，选择最适合自己的项目方向。

路径 1

目标：基础数据分析技巧，进行数据解读和客户画像分析。

周 1-2: EDA 了解数据

• 使用 Python 的 Pandas, NumPy 进行数据清洗和预处理。
• 利用 Matplotlib 和 Seaborn 初步探索数据集结构，理解关键指标。

周 3-4: 描述性分析 - 客户画像

• 使用 Python 和 SQL 实现 RFM 模型区分不同类型的客户。
• 使用 Pandas 和 Matplotlib, Seaborn 分析活跃客户与流失客户，日活与月活指标。

周 5-6: 餐品分析

• 使用 Python 进行数据处理，分析热销与冷门商品。
• 通过 Matplotlib 和 Seaborn 来研究产品的生命周期和销售趋势。

周 7-8: 结果呈现与建议

• 利用 Python, Pandas, Matplotlib, Seaborn 对商家运营进行优化。
• 有效呈现分析结果，给商家提出改进建议。

路径 2

目标：在描述性分析基础上，探索预测模型，进行客户流失预测和销量预测。

周 1-3: EDA 与描述性分析加深

• 深入 EDA，高级 Data Cleaning，Feature Engineering。
• 客户画像深入分析，包括 RFM 指标随时间的变化分析，利用 Python 进行深度分析。

周 4-5: DS 路线 - 客户流失预测

• 使用 Python 和 Scikit-learn 或 TensorFlow/PyTorch，构建客户流失预测模型。
• 模型评估与优化。

周 6: 销量预测基础

• 构建基础销量预测模型。
• 使用 Matplotlib 和 Seaborn 进行模型评估和预测结果的可视化。

周 7: 销量预测进阶

• Feature Engineering：优化模型精度。
• 进行集成预测，误差与不确定性分析。

周 8: 模型优化与策略建议

• 对模型进行最后的优化。
• 结合模型结果，提出针对性的商业策略和优化建议。

路径 3

目标：完整经历数据科学项目流程，从数据分析到模型部署，掌握高级分析技巧和机器学习工程。

周 1-2: 高级 EDA 与特征工程

• 应用高级数据处理技术和特征工程优化模型。
• 客户画像和种类分析的深入探索。

周 3-5: DS 路线加深 - 客户流失预测与销量预测

• 使用 Python 构建和优化客户流失预测模型。
• 销量预测进阶，引入复杂模型进行 Ensemble learning。

周 6-7: MLE 路线与 SWE 路线

• 代码封装，模型训练和预测脚本编写。
• 使用 FastAPI 等框架进行模型部署，构建用户友好的界面展示预测结果。

周 8: 高级模型优化与自动化

• 针对模型进行进一步优化，比如参数调整，特征选择等。
• 使用 Jenkins 或 GitHub Actions 探索模型自动化训练和更新的策略，确保模型在实际应用中的可靠性和稳定性。

路径化项目体验

在我们的课程中，同一个项目为不同学员带来的体验完全不同。无论你是想深入 Data Aanalysis、探索Data Science 的奥秘，还是希望挑战 Machine Learning Engineering 的高峰，这里都有适合你的路径。每一条路径都有其独特的挑战和学习成果，但它们有一个共同点：都是为了让你在数据科学领域更进一步。

自主选择适合自己的路径

选择权完全掌握在你的手中。你可以根据自己的实际情况和兴趣，选择最适合自己的学习路径。无论你选择哪条路径，我们的专业导师团队都将提供全程指导和支持，确保你能够顺利完成学习任务，实现自我提升。

协作与个人成长并重

虽然学习路径是多样化的，但我们鼓励所有学员在整个学习过程中保持密切的交流和合作。在每周的集体讨论时间里，你将有机会与来自不同路径的同学分享见解，汲取他们的思考和经验。这样的交流不仅能够激发新的灵感，还能帮助你从不同的角度审视问题，促进个人全面成长。

学员能够收获什么

• 掌握数据清洗、处理、分析和可视化的技能。
• 学习构建和评估机器学习模型的方法。
• 获得项目开发、团队协作和技术沟通的经验。
• 对餐饮行业的运营模式和挑战有更深入的理解。

技术要求

技术方面：

• 必要：统计学基本知识、python / pandas、SQL、数据可视化（BI 或者 python 可视化库均可）
• 如有 Machine Learning 经验（如 sklearn）、云平台经验（如 bigquery）更好

软实力：

• 沟通能力、自学能力、对 DS 的兴趣

学员成果展示

立即行动，开启属于你的数据科学之旅

别让你的职业生涯等待。现在就加入我们，选择属于你的学习路径，开启一段全新的旅程。在这里，每一步都紧密结合实际应用，每一个挑战都是你职业发展的垫脚石。我们期待在这场数据科学的探索旅程中与你并肩前行！