工具概覽
該專案是一個端到端的分析演示，將 Criteo Uplift 資料集上的增量/提升建模，與 Yelp Open Dataset 上的商家參與度評分和 GenAI 驅動的情感分析結合起來。它旨在展示與數字優惠定向和商家健康監測相關的資料科學技能。Criteo 工作流分析廣告定向的增量效果，發現全資料集轉化率從對照組 0.194% 提升至實驗組 0.309%（相對提升 +59.4%，p ≈ 7.3e-179），並識別出四個統計上有吸引力的客戶細分。T-Learner 提升模型顯示，最高十分位的客戶佔測試集轉化的 65%，前 10% 的定向效果比隨機高出約 4 倍。Yelp 工作流為 8,812 家餐廳打分，將 48.4% 歸類為穩定、26.8% 為下滑、24.8% 為增長。對來自 300 家商家的 2,193 條評論進行的 GenAI 情感分析與星級評分高度一致（Pearson r = 0.92）。一個優先順序框架將商家分為四個可執行的組別（擴張 / 監控–干預 / 增長機會 / 重新評估），每組都有不同的推薦行動。
定價
價格與限制可能變動，請以官網為準，並確認幣別、付款週期、最低席位數和用量上限。
應用場景
- 團隊用該專案分析廣告定向的增量效果，並識別數字優惠的客戶細分。
- 團隊用該專案構建提升模型，根據預測的增量響應為客戶的干預優先順序排序。
- 團隊用該專案為商家參與度打分，並將商家歸入健康類別。
- 團隊用該專案對客戶評論進行 GenAI 驅動的情感分析，並與星級評分對照驗證。
- 團隊用該專案從評論中提取客戶體驗主題，並按商家彙總。
- 團隊用該專案生成綜合兩個工作流發現的高管敘述。
功能特色
通過因果增益模型定位目標客戶
分析 Criteo 即時競價廣告資料
利用生成式 AI 評估商家互動
基於 Yelp 資料評估商家情感
結合客戶定向與商家優先順序排序
使用 pandas、sklearn 和 Groq 構建
使用者評論
還沒有評論，來分享你的使用體驗吧