掌握
Intelligent Catering 数据分析项目实训营
拥有公司背书的真实项目,8 周获得项目实战经验
有机会获得 Centauri Alpha 公司背书,并在官网展示项目成果
Intelligent Catering 数据分析项目实训营亮点
为什么选择 Intelligent Catering 数据分析实训营
通过分析 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,以及项目经验。 ...
咨询可以联系我们
通过我们帮你获得理想工作
有机会参加Career Coaching Bootcamp,2个月找工作陪伴,为面试做好准备,并与招聘人员建立联系。
价格选项
$3300
$2200
$3300
谁应该参加我们的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?
- 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。
- 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。
- 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。
- 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?
- 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。
- 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。
- 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!