Retail Insights餐厅运营数据挖掘实训营 课程安排

课程大纲

入营欢迎会
Welcome
项目主题：根据餐厅的实际销售流水，帮助餐厅发现、优化和解决运营中的问题。
项目内容：课程制定了一个项目的理想化实施方案，学生根据自己的能力和兴趣选择项目方向（DA、DS）和进度。在 DS 方向进度快的学生还可以尝试 MLE 的内容。8 周时间的学习内容完全取决于学生自己的能力和投入时间。
指导方式：模拟工作环境，导师作为产品经理和 tech lead，提供任务描述和技术架构，学生自己根据理解的需求进行开发，导师进行结果验收，根据学生的实际情况给予学习建议和努力方向。帮助学生为实际工作场景做好准备。
互动频率：为了保证效果，每个学生每周保证 1 小时 catch up，具体时间由学生灵活安排，每次 catch up 所有学生一起参加互相学习。
项目时长：8 周
项目类型：团队项目
上课模式：课程以标准的 Scrum 模式开展，每两周为一个 Sprint，课程一共 4 个 Sprint
• week 1-2: Sprint 1
• week 3-4: Sprint 2
• week 5-6: Sprint 3
• week 7-8: Sprint 4
项目路径
Project Path 1
目标：基础数据分析技巧，进行数据解读和客户画像分析。
注意⚠️：以下项目时间安排仅供参考，8 周内的实际进度根据学生背景和能力自行决定。提前完成的学生可以参与到其他项目路径中。
周 1-2: EDA 了解数据
• 数据清洗和预处理。
• 初步探索数据集结构，理解关键指标。
• 学员 catch up。
周 3-4: 描述性分析 - 客户画像
• 应用 RFM 模型区分不同类型的客户。
• 分析活跃客户与流失客户，日活与月活指标。
• 学员 catch up。
周 5-6: 餐品分析
• 分析热销与冷门商品。
• 产品的生命周期和销售趋势。
• 学员 catch up。
周 7-8: 结果呈现与建议
• 利用数据分析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。
• 学员 catch up。
Project Path 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。
注意⚠️：以下项目时间安排仅供参考，8 周内的实际进度根据学生背景和能力自行决定。提前完成的学生可以参与到其他项目路径中。
周 1-3: EDA 与描述性分析加深
• 深入 EDA，高级数据清洗，特征工程。
• 客户画像深入分析，包括 RFM 指标随时间的变化分析。
• 学员 catch up。
周 4-5: DS 路线 - 客户流失预测
• 构建客户流失预测模型。
• 模型评估与优化。
• 学员 catch up。
周 6: 销量预测基础
• 构建基础销量预测模型。
• 进行模型评估和预测结果的可视化。
• 学员 catch up。
周 7: 销量预测进阶
• 特征工程：优化模型精度。
• 进行集成预测，误差与不确定性分析。
• 学员 catch up。
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。
• 学员 catch up。
Project Path 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。
注意⚠️：以下项目时间安排仅供参考，8 周内的实际进度根据学生背景和能力自行决定。提前完成的学生可以参与到其他项目路径中。
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。
• 客户画像和餐品分析的深入探索。
• 学员 catch up。
周 3-5: DS 路线加深 - 客户流失预测与销量预测
• 构建和优化客户流失预测模型。
• 销量预测进阶，引入复杂模型进行集成学习（Ensemble learning）。
• 学员 catch up。
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。
• 学员 Catch up。
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。
• 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。
• 学员 catch up。