內容簡介
銷售 AI 化！看資料科學家如何思考, 用 Python 打造能賺錢的機器學習模型
內容簡介
【世界發生劇變！銷售 AI 化勢在必行！】
AI 議題已經講了好多年，然而絕大多數的企業仍然沿用老路子做生意，亂槍打鳥式的銷售方式也沒甚麼進步。然而時代不同了，既然有 AI 這個好工具為何不用？因為不懂不會所以不知該如何開始？眼睜睜看著 Google、Facebook 靠著 AI 化的銷售技術大賺特賺！
其實，AI 不是大企業才能作，中小企業也可以，但不是全面做，而是挑選適合的做。最容易做到且很快就能換成實績的就是行銷、業務的銷售工作，只要利用自身累積的銷售與客戶等資料就行，讓 AI 自動找出其中隱藏的銷售密碼，並直接運用在工作中驗證，這就是本書的主軸：銷售 AI 化，讓機器學習來幫忙。
【AI 不是打高空，要落實在工作中】
許多工程師學了 AI 技術，卻不知道如何讓技術落地！其實開發以銷售為目的的 AI 並不需要高深的技術，只要用機器學習就能辦到。書中範例使用的都是真實企業產生的工作資料，例如要預測潛在客戶時，可讓 AI 從客戶職業、年齡與過去的銷售實績等資料自動學習，找出資料間的關係建出模型並做出預測，我們就可以對商品或客戶擬定策略去執行計畫。也可以依據過去幾年的每日銷量，考慮節假日的影響，利用 Facebook 提供的時間序列套件去預測未來一段時間的銷量等等。
重要的商用實作範例包括：
●銷售成交預測
●銷量或來客數預測
●季節週期性變化預測
●推薦商品提案
●根據客群制定銷售策略
本書由世界 500 大企業 Accenture (埃森哲) 公司的 AI 集團資深總監親自執筆，規劃出開發 AI 專案的標準流程，從選擇適合引入工作中的 AI 開始，一路到訓練資料的取得、資料加工、選擇演算法及建立 AI 模型之後的評估與調整等 9 大步驟。即使沒有開發過 AI 專案經驗的人也不用擔心，只要跟著動手做，就能看到成果。
書中的案例會實作監督式學習與非監督式學習中「分類」、「迴歸」、「時間序列」、「關聯分析」、「分群」、「降維」等各種演算法，讓讀者依照問題的類型選擇適用的處理模式。而且每個專案都不馬虎，從頭做到尾一遍一遍演練 SOP，將流程深深印入腦海，熟悉每個步驟之後才能順利應用到自己的專案。
【邁向資料科學家之路】
書中提供的所有 Python 程式都是可以運用在實務工作上的原型，每個人都可以利用這些原型建出自己想要的機器學習模型。了解如何從實務觀點建立 AI，藉由本書了解整個專案的開發流程以及 Python 程式的實作方式，也等於邁出成為資料科學家的第一步。
許多書籍在教導讀者建出 AI 模型後就結束了，但資料科學家最有價值之處就在於建出預測模型後該如何因應提出的需求做調整，本書也會詳細介紹數種調整模型的方法與策略。
【適合的讀者程度】
無論是 MIS、程式設計師、業務或行銷主管、只要具備 Python 程式基礎就可以開始。AI 專案常用的 NumPy、Pandas 與 Matplotlib 等必備 Python 套件，也會在書附講座中一一介紹供讀者練習。開發環境是雲端的 Google Colaboratory，只要能上網就能用，省去在自己電腦安裝軟體的麻煩。
本書特色:
1. 世界 500 大 Accenture (埃森哲) 公司 AI 集團資深總監親自執筆
2. 實用性最高！能實際運用在提高公司的銷售績效。
3. 一點都不難！只要具備 Python 語言基礎就能上手。
4. 由施威銘研究室監修，在適當的地方補充說明幫助讀者理解。
內容簡介
【世界發生劇變！銷售 AI 化勢在必行！】
AI 議題已經講了好多年，然而絕大多數的企業仍然沿用老路子做生意，亂槍打鳥式的銷售方式也沒甚麼進步。然而時代不同了，既然有 AI 這個好工具為何不用？因為不懂不會所以不知該如何開始？眼睜睜看著 Google、Facebook 靠著 AI 化的銷售技術大賺特賺！
其實，AI 不是大企業才能作，中小企業也可以，但不是全面做，而是挑選適合的做。最容易做到且很快就能換成實績的就是行銷、業務的銷售工作，只要利用自身累積的銷售與客戶等資料就行，讓 AI 自動找出其中隱藏的銷售密碼，並直接運用在工作中驗證，這就是本書的主軸：銷售 AI 化，讓機器學習來幫忙。
【AI 不是打高空，要落實在工作中】
許多工程師學了 AI 技術，卻不知道如何讓技術落地！其實開發以銷售為目的的 AI 並不需要高深的技術，只要用機器學習就能辦到。書中範例使用的都是真實企業產生的工作資料，例如要預測潛在客戶時，可讓 AI 從客戶職業、年齡與過去的銷售實績等資料自動學習，找出資料間的關係建出模型並做出預測，我們就可以對商品或客戶擬定策略去執行計畫。也可以依據過去幾年的每日銷量，考慮節假日的影響，利用 Facebook 提供的時間序列套件去預測未來一段時間的銷量等等。
重要的商用實作範例包括：
●銷售成交預測
●銷量或來客數預測
●季節週期性變化預測
●推薦商品提案
●根據客群制定銷售策略
本書由世界 500 大企業 Accenture (埃森哲) 公司的 AI 集團資深總監親自執筆，規劃出開發 AI 專案的標準流程，從選擇適合引入工作中的 AI 開始，一路到訓練資料的取得、資料加工、選擇演算法及建立 AI 模型之後的評估與調整等 9 大步驟。即使沒有開發過 AI 專案經驗的人也不用擔心，只要跟著動手做，就能看到成果。
書中的案例會實作監督式學習與非監督式學習中「分類」、「迴歸」、「時間序列」、「關聯分析」、「分群」、「降維」等各種演算法，讓讀者依照問題的類型選擇適用的處理模式。而且每個專案都不馬虎，從頭做到尾一遍一遍演練 SOP，將流程深深印入腦海，熟悉每個步驟之後才能順利應用到自己的專案。
【邁向資料科學家之路】
書中提供的所有 Python 程式都是可以運用在實務工作上的原型，每個人都可以利用這些原型建出自己想要的機器學習模型。了解如何從實務觀點建立 AI，藉由本書了解整個專案的開發流程以及 Python 程式的實作方式，也等於邁出成為資料科學家的第一步。
許多書籍在教導讀者建出 AI 模型後就結束了，但資料科學家最有價值之處就在於建出預測模型後該如何因應提出的需求做調整，本書也會詳細介紹數種調整模型的方法與策略。
【適合的讀者程度】
無論是 MIS、程式設計師、業務或行銷主管、只要具備 Python 程式基礎就可以開始。AI 專案常用的 NumPy、Pandas 與 Matplotlib 等必備 Python 套件，也會在書附講座中一一介紹供讀者練習。開發環境是雲端的 Google Colaboratory，只要能上網就能用，省去在自己電腦安裝軟體的麻煩。
本書特色:
1. 世界 500 大 Accenture (埃森哲) 公司 AI 集團資深總監親自執筆
2. 實用性最高！能實際運用在提高公司的銷售績效。
3. 一點都不難！只要具備 Python 語言基礎就能上手。
4. 由施威銘研究室監修，在適當的地方補充說明幫助讀者理解。
作者簡介
作者簡介
Masanori Akaishi
世界 500 大 Accenture 公司商業諮詢總部 AI 集團資深總監。
1985 年畢業於東京大學工學院數值工程系。1987 年在同一研究所完成碩士課程。 同年加入日本 IBM 至 2020 年 12 月。2021 年 3 月加入 Accenture 公司，負責人工智慧人力資源開發相關工作。
學校講師
京都情報學大學院客座教授
著作
《銷售 AI 化！看資料科學家如何思考, 用 Python 打造能賺錢的機器學習模型》、《深度學習的數學地圖–用 Python 實作神經網路的數學模型》(旗標科技)、《實用 Python 自然語言處理入門》(日本翔泳社)、《機器學習與深度學習從 Watson Studio 開始》(日本 RIC Telcom)。此外，也在許多雜誌執筆。
LinkedIn：https://www.linkedin.com/in/makaishi2/
qiita：https://qiita.com/makaishi2
Masanori Akaishi
世界 500 大 Accenture 公司商業諮詢總部 AI 集團資深總監。
1985 年畢業於東京大學工學院數值工程系。1987 年在同一研究所完成碩士課程。 同年加入日本 IBM 至 2020 年 12 月。2021 年 3 月加入 Accenture 公司，負責人工智慧人力資源開發相關工作。
學校講師
京都情報學大學院客座教授
著作
《銷售 AI 化！看資料科學家如何思考, 用 Python 打造能賺錢的機器學習模型》、《深度學習的數學地圖–用 Python 實作神經網路的數學模型》(旗標科技)、《實用 Python 自然語言處理入門》(日本翔泳社)、《機器學習與深度學習從 Watson Studio 開始》(日本 RIC Telcom)。此外，也在許多雜誌執筆。
LinkedIn：https://www.linkedin.com/in/makaishi2/
qiita：https://qiita.com/makaishi2
內容目錄
目錄
第 1 章 實務的機器學習應用
1.1 本書目的
1.2 參與機器學習專案的人員
1.3 機器學習開發流程
1.4 未來實務專家需具備的技能
1.5 本書架構
第 2 章 解決問題的處理模式
2.1 AI 與機器學習的關係
2.2 機器學習的三種學習方式
2.3 監督式學習的處理模式
2.3.1 分類（Classification）
2.3.2 迴歸（Regression）
2.3.3 時間序列（Time series）
2.4 非監督式學習的處理模式
2.4.1 關聯分析（Association analysis）
2.4.2 分群（Clustering）
2.4.3 降維（Dimension reduction）
2.5 選擇正確的處理模式
2.6 深度學習與結構化、非結構化資料
第 3 章 機器學習模型的開發流程
3.1 模型開發流程
3.2 範例資料與目的說明
3.2.1 範例資料說明
3.2.2 模型的目的
3.3 模型的實作
3.3.1 （1）載入資料
3.3.2 （2）確認資料
3.3.3 （3）預處理資料
3.3.4 （4）分割資料
3.3.5 （5）選擇演算法
3.3.6 （6）訓練
3.3.7 （7）預測
3.3.8 （8）評估
3.3.9 （9）調整
專欄 關於公開資料集
第 4 章 開發流程的深入探討
4.1 確認資料
4.1.1 以數值或統計方式進行分析
4.1.2 視覺化的分析與確認方法
4.2 預處理資料
4.2.1 刪除多餘的資料欄位
4.2.2 處理缺失值
4.2.3 將二元資料數值化
4.2.4 多元資料數值化
4.2.5 資料標準化
4.2.6 其它預處理資料的做法
4.3 選擇演算法
4.3.1 分類模型的代表性演算法與其特色
4.3.2 範例程式碼使用的資料
4.3.3 邏輯斯迴歸（Logistic regression）
4.3.4 支援向量機（SVM）- Kernel method
4.3.5 神經網路演算法（Neural network）
4.3.6 決策樹（Decision tree）
4.3.7 隨機森林（Random forests）
4.3.8 XGBoost
4.3.9 如何選擇演算法
4.4 評估
4.4.1 混淆矩陣（confusion matrix）
4.4.2 正確率、精確性、召回率、F 分數
4.4.3 機率值與閾值
4.4.4 PR 曲線與 ROC 曲線
4.4.5 輸入特徵（資料欄位）的重要性
4.4.6 迴歸模型的評估方法
4.5 調整
4.5.1 多試幾種演算法
4.5.2 演算法參數最佳化
4.5.3 交叉驗證
4.5.4 網格搜尋
第 5 章 銷售 AI 化的案例實作
5.1 銷售成交預測 － 分類模型
5.1.1 問題類型與實務工作場景
5.1.2 範例資料說明與使用案例
5.1.3 模型的概要
5.1.4 從載入資料到確認資料
5.1.5 預處理資料與分割資料
5.1.6 選擇演算法
5.1.7 訓練、預測、評估
5.1.8 調整
5.1.9 重要性分析
專欄 瑕疵與疾病判定模型
5.2 銷量或來客數預測 － 迴歸模型
5.2.1 問題類型與實務工作場景
5.2.2 範例資料說明與使用案例
5.2.3 模型的概要
5.2.4 從載入資料到確認資料
5.2.5 預處理資料與分割資料
5.2.6 選擇演算法
5.2.7 訓練與預測
5.2.8 評估
5.2.9 調整
5.2.10 重要性分析
5.3 季節週期性變化預測 － 時間序列模型
5.3.1 問題類型與實務工作場景
5.3.2 範例資料說明與使用案例
5.3.3 模型的概要
5.3.4 從載入資料到確認資料
5.3.5 預處理資料與分割資料
5.3.6 選擇演算法
5.3.7 訓練與預測
5.3.8 評估
5.3.9 調整（1）
5.3.10 調整（2）
5.3.11 迴歸與時間序列模型的選擇
專欄 「冰淇淋消費預測」的時間序列模型
5.4 推薦商品提案 － 關聯分析模型
5.4.1 問題類型與實務工作場景
5.4.2 範例資料說明與使用案例
5.4.3 模型的概要
5.4.4 從載入資料到確認資料
5.4.5 預處理資料
5.4.6 選擇演算法與分析
5.4.7 調整
5.4.8 關係圖的視覺化
5.4.9 更高階的分析 – 協同過濾
專欄 「尿布與啤酒」僅是都市傳說
5.5 根據客群制定銷售策略 － 分群、降維模型
5.5.1 問題類型與實務工作場景
5.5.2 範例資料說明與使用案例
5.5.3 模型的概要
5.5.4 從載入資料到確認資料
5.5.5 執行分群
5.5.6 分析分群結果
5.5.7 執行降維
5.5.8 降維的運用方式
第 6 章 AI 專案成敗的重要關鍵
6.1 選擇機器學習的適用問題
6.1.1 選擇適合解決問題的模型
6.1.2 取得標準答案是監督式學習的首要工作
6.1.3 勿對 AI 抱持 100% 的期待
6.2 取得並確認工作資料
6.2.1 確認資料來源
6.2.2 跨部門資料整合問題
6.2.3 資料的品質
6.2.4 One-Hot 編碼的問題
專欄 機器學習模型的自動建構工具 AutoML
講座 1 Google Colaboratory 基本操作
講座 2 機器學習的 Python 常用套件
講座 2.1 NumPy 入門
講座 2.2 Pandas 入門
講座 2.3 Matplotlib 入門
第 1 章 實務的機器學習應用
1.1 本書目的
1.2 參與機器學習專案的人員
1.3 機器學習開發流程
1.4 未來實務專家需具備的技能
1.5 本書架構
第 2 章 解決問題的處理模式
2.1 AI 與機器學習的關係
2.2 機器學習的三種學習方式
2.3 監督式學習的處理模式
2.3.1 分類（Classification）
2.3.2 迴歸（Regression）
2.3.3 時間序列（Time series）
2.4 非監督式學習的處理模式
2.4.1 關聯分析（Association analysis）
2.4.2 分群（Clustering）
2.4.3 降維（Dimension reduction）
2.5 選擇正確的處理模式
2.6 深度學習與結構化、非結構化資料
第 3 章 機器學習模型的開發流程
3.1 模型開發流程
3.2 範例資料與目的說明
3.2.1 範例資料說明
3.2.2 模型的目的
3.3 模型的實作
3.3.1 （1）載入資料
3.3.2 （2）確認資料
3.3.3 （3）預處理資料
3.3.4 （4）分割資料
3.3.5 （5）選擇演算法
3.3.6 （6）訓練
3.3.7 （7）預測
3.3.8 （8）評估
3.3.9 （9）調整
專欄 關於公開資料集
第 4 章 開發流程的深入探討
4.1 確認資料
4.1.1 以數值或統計方式進行分析
4.1.2 視覺化的分析與確認方法
4.2 預處理資料
4.2.1 刪除多餘的資料欄位
4.2.2 處理缺失值
4.2.3 將二元資料數值化
4.2.4 多元資料數值化
4.2.5 資料標準化
4.2.6 其它預處理資料的做法
4.3 選擇演算法
4.3.1 分類模型的代表性演算法與其特色
4.3.2 範例程式碼使用的資料
4.3.3 邏輯斯迴歸（Logistic regression）
4.3.4 支援向量機（SVM）- Kernel method
4.3.5 神經網路演算法（Neural network）
4.3.6 決策樹（Decision tree）
4.3.7 隨機森林（Random forests）
4.3.8 XGBoost
4.3.9 如何選擇演算法
4.4 評估
4.4.1 混淆矩陣（confusion matrix）
4.4.2 正確率、精確性、召回率、F 分數
4.4.3 機率值與閾值
4.4.4 PR 曲線與 ROC 曲線
4.4.5 輸入特徵（資料欄位）的重要性
4.4.6 迴歸模型的評估方法
4.5 調整
4.5.1 多試幾種演算法
4.5.2 演算法參數最佳化
4.5.3 交叉驗證
4.5.4 網格搜尋
第 5 章 銷售 AI 化的案例實作
5.1 銷售成交預測 － 分類模型
5.1.1 問題類型與實務工作場景
5.1.2 範例資料說明與使用案例
5.1.3 模型的概要
5.1.4 從載入資料到確認資料
5.1.5 預處理資料與分割資料
5.1.6 選擇演算法
5.1.7 訓練、預測、評估
5.1.8 調整
5.1.9 重要性分析
專欄 瑕疵與疾病判定模型
5.2 銷量或來客數預測 － 迴歸模型
5.2.1 問題類型與實務工作場景
5.2.2 範例資料說明與使用案例
5.2.3 模型的概要
5.2.4 從載入資料到確認資料
5.2.5 預處理資料與分割資料
5.2.6 選擇演算法
5.2.7 訓練與預測
5.2.8 評估
5.2.9 調整
5.2.10 重要性分析
5.3 季節週期性變化預測 － 時間序列模型
5.3.1 問題類型與實務工作場景
5.3.2 範例資料說明與使用案例
5.3.3 模型的概要
5.3.4 從載入資料到確認資料
5.3.5 預處理資料與分割資料
5.3.6 選擇演算法
5.3.7 訓練與預測
5.3.8 評估
5.3.9 調整（1）
5.3.10 調整（2）
5.3.11 迴歸與時間序列模型的選擇
專欄 「冰淇淋消費預測」的時間序列模型
5.4 推薦商品提案 － 關聯分析模型
5.4.1 問題類型與實務工作場景
5.4.2 範例資料說明與使用案例
5.4.3 模型的概要
5.4.4 從載入資料到確認資料
5.4.5 預處理資料
5.4.6 選擇演算法與分析
5.4.7 調整
5.4.8 關係圖的視覺化
5.4.9 更高階的分析 – 協同過濾
專欄 「尿布與啤酒」僅是都市傳說
5.5 根據客群制定銷售策略 － 分群、降維模型
5.5.1 問題類型與實務工作場景
5.5.2 範例資料說明與使用案例
5.5.3 模型的概要
5.5.4 從載入資料到確認資料
5.5.5 執行分群
5.5.6 分析分群結果
5.5.7 執行降維
5.5.8 降維的運用方式
第 6 章 AI 專案成敗的重要關鍵
6.1 選擇機器學習的適用問題
6.1.1 選擇適合解決問題的模型
6.1.2 取得標準答案是監督式學習的首要工作
6.1.3 勿對 AI 抱持 100% 的期待
6.2 取得並確認工作資料
6.2.1 確認資料來源
6.2.2 跨部門資料整合問題
6.2.3 資料的品質
6.2.4 One-Hot 編碼的問題
專欄 機器學習模型的自動建構工具 AutoML
講座 1 Google Colaboratory 基本操作
講座 2 機器學習的 Python 常用套件
講座 2.1 NumPy 入門
講座 2.2 Pandas 入門
講座 2.3 Matplotlib 入門
ISBN: 9789863127024