营销中的数据科学入门
您是否曾在网购平台购买过商品，之后每次上网浏览都会被类似产品的广告“包围”？这正是数据科学在营销中的一种应用。
在过去两年中，全球大部分数据才刚刚被生成，如今企业能够以前所未有的规模收集和存储客户数据。每当用户与机构的网站、社交媒体页面或POS系统互动时，都会产生新的数据点。
这些数据随后被用来洞察用户行为，并向其投放定制化广告、个性化产品推荐和特殊促销。
我们大多数人在日常生活中都会与营销数据科学的应用打交道，并在不自觉间基于其做出决策。
在本文中，我们将介绍在营销中使用数据科学的5种方式。接着，我们会为每个用例提供一个可加入您数据科学作品集的个人项目。最后，我们将简要探讨为何您应成为一名营销数据科学家，以及如何获得相关岗位。
数据科学在营销中的5个用例
1. 推荐系统
Netflix、Spotify和Amazon等公司使用推荐系统，根据用户在平台上的互动为其提供个性化内容建议。
例如，如果您在Netflix上看了一部电影并给出好评，下次打开应用时，您将会被推荐同类型、相似内容和相同演员阵容的电影。
这就是我们在日常生活中与推荐引擎互动的一个简单示例。
随着用户持续与系统互动，推荐系统会变得更加强大。
比如，当您初次使用Spotify时，最开始的音乐推荐会比较泛化。由于算法尚无足够数据了解您的偏好，应用会推荐广受大众欢迎的多种曲风。
随着您在平台上的使用时间增加，推荐引擎会逐步了解您的喜好与厌恶，音乐推荐将愈发贴合您的口味。算法甚至可以预测您在不同季节或一天中的不同时段可能喜欢的音乐类型。
推荐系统的类型
推荐系统大体可分为两类——基于内容的推荐系统和基于协同过滤的推荐系统。
1. 基于内容的推荐系统：
作者供图
基于内容的推荐系统仅依据产品本身的内容来给出建议。
例如，如果您喜欢阅读《波西·杰克逊》系列小说，那么可能会被推荐《奥林匹斯英雄》，这本书与之同一作者且体裁相近。
然而，这类算法的一个缺点是不会推荐与您已读书籍不同类型的作品。如果您喜欢《波西·杰克逊》，系统便只会推荐冒险和奇幻类书籍，即便您也可能会喜欢非虚构或悬疑小说。
您可以使用基于协同过滤的推荐系统来弥补基于内容方法的这一不足，我们将在本文稍后进行解释。
基于内容的推荐系统项目灵感
如果您是推荐系统的初学者，几乎没有构建经验，可以从Kaggle电影数据集入手。该数据集包含45,000部电影的元数据，包括海报、上映日期、类型和票房收入。
您可以跟随Datacamp上的Python推荐系统教程，使用数据集中提供的电影细节来构建一个基于内容的推荐系统。
如果您希望获得更多构建电影推荐系统的指导，可报名参加Datacamp的直播代码共学培训。这是由专家主持的引导式工作坊，将在1.5小时内教您如何用R创建推荐系统；若过程中遇到挑战，您也可以向讲师提问以获得澄清。
2. 基于协同过滤的推荐系统
基于协同过滤的模型依据过往用户行为生成建议。它们可进一步分为基于用户的协同过滤和基于物品的协同过滤。
顾名思义，基于用户的协同过滤会将行为相似的顾客归为一组。
随后，算法会根据这些客户群体的共同偏好来提供产品推荐，如下图所示：
作者供图
另一方面，基于物品的协同过滤会根据用户偏好将相似物品归为一组，如下图所示：
作者供图
想了解更多推荐系统类型及其实现方法，请学习Datacamp的使用Python构建推荐引擎课程。
协同过滤项目灵感
您可以使用Kaggle上的图书推荐系统数据集来构建一个基于协同过滤的推荐系统。该数据集仅包含三个变量——用户ID、图书的ISBN码，以及用户对每本书的评分。
如果您不熟悉协同过滤的工作原理，可以参考这篇推荐系统教程入门该项目。
2. 情感分析
图片来源于KDNuggets
情感分析（又称观点挖掘）是判断一段文本背后情绪倾向的过程，是数据科学在营销中的另一热门应用。
以下是情感分析如何为组织带来业务价值的示例：
南非一家银行的客户流失率高于往常。许多用户开始转投竞争对手，不愿再与其开展业务。该银行尝试借助情感分析来定位问题。
他们在社交媒体上收集了超过200万个数据点，用于分析客户对他们的评价，并据此训练了一个情感分析模型。
基于该分析，机构发现大多数负面评论来自对午餐时段柜台人员不足而导致排队时间过长感到不满的用户。
随后，银行在业务高峰时段增派柜台人员，用户流失随之下降。
上述例子表明，情感分析对于帮助公司改进产品服务、超越竞争对手有多么有用。其他应用还包括产品分析、市场研究和用户评论挖掘。
若想进一步了解情感分析模型及其从零构建方法，请参加Datacamp上的Python情感分析课程。
情感分析项目灵感
您可以先使用NLTK库中提供的数据集，创建一个电影评论情感分析模型。NLTK是一个Python包，提供多种自然语言处理算法。
在此项目中，您可使用该库内置的电影评论数据集，并通过一行代码即可导入。接着，您需要构建一个算法，将电影评论数据分类为正面与负面情感。
如需入门指导，可跟随Datacamp上的Python情感分析教程编码实践。
3. 客户流失预测
图片来源于DeepNote
客户流失是指用户停止与某一实体进行业务往来的现象。比如，若您是Netflix用户并决定结束订阅，您就属于流失客户。
对企业而言，获取新客户的成本高于留住现有客户。因此，许多组织会雇用数据科学家来识别即将流失的用户，从而提前采取干预。
以下是客户流失预测模型如何帮助企业留存用户的一个示例：
您订阅了一家互联网服务提供商，最近发现网速变慢。您提交了多次投诉并尝试联系客服团队，但问题依旧存在。为此，您甚至多次重启路由器并重新连接网络。
最终，由于使用体验欠佳，您决定转投竞争对手。
该ISP的数据科学团队会收集客户行为数据、追踪用户连接网络时的活动，并汇总投诉信息。在整合这些数据后，团队意识到您存在较高的流失风险。
他们立刻向市场和产品团队发出预警，表示您很可能会停止与其合作。
随后，公司市场团队向您提供个性化促销和折扣WiFi方案，甚至提出免费升级您现有的订阅。升级后，您发现网速明显加快，整体体验更好，于是决定继续订阅而非转投其他品牌。
上述示例展示了客户流失模型在留住组织现有用户方面的实用价值。该应用能直接为公司带来业务价值，常被Netflix、Spotify等依赖用户续费为主要收入来源的订阅制平台采用。
客户流失预测项目灵感
您可以使用DataCamp上的电信客户流失数据集来创建您的首个流失预测项目。
该数据集包含已订阅某伊朗电信公司的用户信息，如年龄、使用行为、订阅时长和投诉情况。利用这些数据来预测客户是否可能流失。
如果您不确定如何入手，可参考客户流失率预测教程进行建模。您也可以学习我们的用Python预测客户流失课程。
4. 客户细分
图片来源于Madlytics
客户细分是根据共同特征将用户划分为不同子群的过程。随后，每个细分群体会根据其行为被投放不同的促销活动和产品方案。
以下是客户细分如何为组织带来业务价值的一个示例：
一家电商公司构建了客户细分模型，以便向不同用户投放个性化促销。
如果某用户经常浏览平台但仅在折扣时购买，则被归类为“促销猎手”。该群体的所有客户在每次有促销进行时都会立即收到邮件通知，因为他们更可能在此期间增加购买。
另一方面，有些用户会为特定商品购物，并不太在意价格，因为他们更看重质量而非实惠。对于这类客户，公司市场团队会采用不同的策略，只根据其已表现出兴趣的产品向其推广高端商品。
通过这种方式，具有较强购买力的客户会被展示更昂贵、契合其兴趣的产品，从而鼓励其提高消费；而注重实惠的用户则会在促销期间被更低价的产品所吸引。
上述例子虽简单，却表明客户细分如何帮助公司最大化从每位用户身上获得的利润。
客户细分模型最常见的应用之一是用于在营销活动中建立广告组。
例如，Facebook会收集用户的人口统计和行为数据，并允许公司基于这些信息向自定义受众群体投放广告。用户可基于特定特征进行细分，如位置、年龄、性别、喜欢的品牌以及其关联人群。
客户细分通常通过构建无监督机器学习模型来实现，例如K-Means聚类。
如果您想进一步了解客户细分以及如何构建K-Means聚类等算法，请学习我们的Python客户细分课程。
客户细分项目灵感
您可以使用Datacamp的电商数据集来构建客户细分作品集项目。
该数据集由一家总部位于英国的电商平台上的订单明细组成。
其中记录了客户的购买信息，如订购的商品、产品价格和发票日期，您可利用这些数据根据其在平台上的活动对用户进行细分。
5. 购物篮分析
图片来源于Analytics Vidhya
购物篮分析（亦称关联挖掘）是一种用于分析经常被同时购买的商品的技术。其通过处理历史购买数据来识别在交易中常一起出现的产品组合。
零售商可利用这些分析结果优化门店陈列，鼓励顾客在一次交易中购买更多商品。
例如，购买奶粉的人也很可能购买纸尿裤，因此商店通常会将这些商品彼此相邻摆放，以方便用户选购。
但购买模式并非总是如此显而易见。受地区、文化影响和人口统计因素影响，客户往往会将不同类别的商品一起购买。许多这类关联并非肉眼可见，这正是组织依赖购物篮分析等数据科学技术的原因。
以下是购物篮分析如何识别出人眼难以发现的关联的一个示例：
最常被引用的购物篮分析示例是“啤酒与纸尿裤”案例。据称，美国中西部一家连锁超市使用数据挖掘技术识别经常被同时购买的商品。
分析显示，顾客通常会在周五晚上同时购买啤酒和纸尿裤。这个关联或许看似纯属巧合，但可能的情景是这样的：
一位年轻父亲在办公室度过漫长一周后，周五晚上顺路去超市买几瓶啤酒。他的妻子知道这一习惯，便让他顺带为新生儿买纸尿裤。这样的行为逐渐成为习惯，职场父亲们在周五回家前便会同时买啤酒和纸尿裤。
在发现这一点后，商店将啤酒和纸尿裤摆在同一货架旁，销售额立刻有所增长。
该故事最早见诸于上世纪90年代中期，多年来其真实性一直备受质疑。无论真伪如何，这一用例都提醒我们，统计学在揭示人眼难以察觉的隐性关联方面多么强大。
购物篮分析并不限于实体零售店。电商平台也会在同一页面展示高度相关的产品，确保它们进入用户的视线范围。
例如，如果您在网上选购黑色牛仔裤，页面底部可能会展示与之搭配的鞋子，鼓励您购买一组产品而非单件商品。再次强调，这会直接提升公司的销售额，因为客户往往会购买比原计划更多的商品。
想了解更多购物篮分析以及如何使用机器学习技术来执行它，请学习Python购物篮分析学习路径。若您更偏好R，请学习R语言的购物篮分析课程。
购物篮分析项目灵感
要开始购物篮分析，您可以使用上文客户细分部分提到的同一电商数据集。请注意，这是UCI机器学习资料库中某数据集的截断版本，仅包含2,500行。如果您希望有更多数据可用，可以下载更大的数据集。
如上一节所述，该电商数据集包含客户交易数据，如发票编号和购买的产品。您可以据此识别客户在同一交易中经常一起购买的商品。
在实现该项目时，您可以参考R语言购物篮分析教程。若您更偏好Python，我们也提供Python购物篮分析课程。
营销中的数据科学——下一步：
为何考虑成为一名营销数据科学家？
数据科学在营销领域有着广泛的应用，上文已经讨论了其中许多。这些用例通过提升销售、解决客户痛点并鼓励购买者消费更多，为组织带来直接价值。
过去，在组织无法获取大量客户数据时，许多上述应用由营销专家亲自完成。情感分析和市场研究依靠发放问卷；营销人员基于对客户行为的理解来投放定向广告，这更多是一种直觉驱动而非数据驱动的过程。
如今，随着组织收集和存储的数据量激增，公司已开始采取数据驱动的营销方法。
然而，仅仅雇用数据科学家来处理营销用例还不够。
尽管数据科学家可以处理复杂数据集、构建高精度预测模型并进行统计分析，但仅凭这些技能还不足以从数据中提炼出有价值的洞见。他们缺乏营销领域的专业知识，往往难以将手头的数据与业务问题相联系。
相反，营销专家理解客户行为，知道如何制定问题陈述并指导营销决策，但他们缺乏处理大型数据集的技术能力。
而专注于营销领域的数据科学家兼具两方面的技能组合，对组织而言极具价值。这类人才能弥合数据科学与营销之间的鸿沟，做出对公司有利的数据驱动决策。
如何成为一名营销数据科学家
要成为一名营销数据科学家，您需要具备扎实的技术与分析能力、营销领域知识以及软技能：
1. 技术技能
- 使用SQL在数据库中抽取、清洗和处理数据。学习基础数据库操作可参加SQL入门课程。
- 具备统计学专长，了解监督与无监督机器学习技术。学习统计分析基础可参加统计学入门课程。
- 至少掌握一种编程语言（R、Python、Java等）。如果您不会编程，可学习Datacamp的Python编程技能路径或其R语言替代课程。
- 具备开展A/B测试的能力。
- 具备数据可视化能力，能使用Tableau、PowerBI和Excel等工具构建仪表板。
- 了解如何在Facebook和Google展示广告网络等平台上投放并优化广告活动。
- 具备实验设计与归因建模能力。
请注意，上述要求会因您加入的组织和团队而异。例如，专注于向用户展示产品推荐的团队不会负责优化广告，也不会执行归因建模等任务。
如果您缺乏营销领域知识，想学习如何进行A/B测试、可视化营销指标并分析转化，请在Datacamp上学习营销中的Pandas入门课程。
2. 软技能
- 出色的沟通能力。
- 能将复杂的技术概念分解并传达给高层管理者，助力决策制定。
- 能够针对业务问题提出数据驱动的解决方案。
为更清楚地了解公司对营销数据科学家的期望，以下是Uber对该岗位的要求：
如果您尚无营销数据科学领域经验，展示您在该领域能力的最佳方式是创建能解决真实业务问题的项目。
本文针对每个应用场景都列出了相关项目，将其中一些展示在您的简历中，是向招聘经理证明您能用数据科学技术驱动业务价值的好办法。
最后，如果您希望弥补现有知识差距，学习如何将数据科学方法应用于营销，可学习Datacamp的Python营销机器学习课程，或其R语言等效课程。
营销中的数据科学入门
您是否曾在网购平台购买过商品，之后每次上网浏览都会被类似产品的广告“包围”？这正是数据科学在营销中的一种应用。
在过去两年中，全球大部分数据才刚刚被生成，如今企业能够以前所未有的规模收集和存储客户数据。每当用户与机构的网站、社交媒体页面或POS系统互动时，都会产生新的数据点。
这些数据随后被用来洞察用户行为，并向其投放定制化广告、个性化产品推荐和特殊促销。
我们大多数人在日常生活中都会与营销数据科学的应用打交道，并在不自觉间基于其做出决策。
在本文中，我们将介绍在营销中使用数据科学的5种方式。接着，我们会为每个用例提供一个可加入您数据科学作品集的个人项目。最后，我们将简要探讨为何您应成为一名营销数据科学家，以及如何获得相关岗位。
数据科学在营销中的5个用例
1. 推荐系统
Netflix、Spotify和Amazon等公司使用推荐系统，根据用户在平台上的互动为其提供个性化内容建议。
例如，如果您在Netflix上看了一部电影并给出好评，下次打开应用时，您将会被推荐同类型、相似内容和相同演员阵容的电影。
这就是我们在日常生活中与推荐引擎互动的一个简单示例。
随着用户持续与系统互动，推荐系统会变得更加强大。
比如，当您初次使用Spotify时，最开始的音乐推荐会比较泛化。由于算法尚无足够数据了解您的偏好，应用会推荐广受大众欢迎的多种曲风。
随着您在平台上的使用时间增加，推荐引擎会逐步了解您的喜好与厌恶，音乐推荐将愈发贴合您的口味。算法甚至可以预测您在不同季节或一天中的不同时段可能喜欢的音乐类型。
推荐系统的类型
推荐系统大体可分为两类——基于内容的推荐系统和基于协同过滤的推荐系统。
1. 基于内容的推荐系统：
作者供图
基于内容的推荐系统仅依据产品本身的内容来给出建议。
例如，如果您喜欢阅读《波西·杰克逊》系列小说，那么可能会被推荐《奥林匹斯英雄》，这本书与之同一作者且体裁相近。
然而，这类算法的一个缺点是不会推荐与您已读书籍不同类型的作品。如果您喜欢《波西·杰克逊》，系统便只会推荐冒险和奇幻类书籍，即便您也可能会喜欢非虚构或悬疑小说。
您可以使用基于协同过滤的推荐系统来弥补基于内容方法的这一不足，我们将在本文稍后进行解释。
基于内容的推荐系统项目灵感
如果您是推荐系统的初学者，几乎没有构建经验，可以从Kaggle电影数据集入手。该数据集包含45,000部电影的元数据，包括海报、上映日期、类型和票房收入。
您可以跟随Datacamp上的Python推荐系统教程，使用数据集中提供的电影细节来构建一个基于内容的推荐系统。
如果您希望获得更多构建电影推荐系统的指导，可报名参加Datacamp的直播代码共学培训。这是由专家主持的引导式工作坊，将在1.5小时内教您如何用R创建推荐系统；若过程中遇到挑战，您也可以向讲师提问以获得澄清。
2. 基于协同过滤的推荐系统
基于协同过滤的模型依据过往用户行为生成建议。它们可进一步分为基于用户的协同过滤和基于物品的协同过滤。
顾名思义，基于用户的协同过滤会将行为相似的顾客归为一组。
随后，算法会根据这些客户群体的共同偏好来提供产品推荐，如下图所示：
作者供图
另一方面，基于物品的协同过滤会根据用户偏好将相似物品归为一组，如下图所示：
作者供图
想了解更多推荐系统类型及其实现方法，请学习Datacamp的使用Python构建推荐引擎课程。
协同过滤项目灵感
您可以使用Kaggle上的图书推荐系统数据集来构建一个基于协同过滤的推荐系统。该数据集仅包含三个变量——用户ID、图书的ISBN码，以及用户对每本书的评分。
如果您不熟悉协同过滤的工作原理，可以参考这篇推荐系统教程入门该项目。
2. 情感分析
图片来源于KDNuggets
情感分析（又称观点挖掘）是判断一段文本背后情绪倾向的过程，是数据科学在营销中的另一热门应用。
以下是情感分析如何为组织带来业务价值的示例：
南非一家银行的客户流失率高于往常。许多用户开始转投竞争对手，不愿再与其开展业务。该银行尝试借助情感分析来定位问题。
他们在社交媒体上收集了超过200万个数据点，用于分析客户对他们的评价，并据此训练了一个情感分析模型。
基于该分析，机构发现大多数负面评论来自对午餐时段柜台人员不足而导致排队时间过长感到不满的用户。
随后，银行在业务高峰时段增派柜台人员，用户流失随之下降。
上述例子表明，情感分析对于帮助公司改进产品服务、超越竞争对手有多么有用。其他应用还包括产品分析、市场研究和用户评论挖掘。
若想进一步了解情感分析模型及其从零构建方法，请参加Datacamp上的Python情感分析课程。
情感分析项目灵感
您可以先使用NLTK库中提供的数据集，创建一个电影评论情感分析模型。NLTK是一个Python包，提供多种自然语言处理算法。
在此项目中，您可使用该库内置的电影评论数据集，并通过一行代码即可导入。接着，您需要构建一个算法，将电影评论数据分类为正面与负面情感。
如需入门指导，可跟随Datacamp上的Python情感分析教程编码实践。
3. 客户流失预测
图片来源于DeepNote
客户流失是指用户停止与某一实体进行业务往来的现象。比如，若您是Netflix用户并决定结束订阅，您就属于流失客户。
对企业而言，获取新客户的成本高于留住现有客户。因此，许多组织会雇用数据科学家来识别即将流失的用户，从而提前采取干预。
以下是客户流失预测模型如何帮助企业留存用户的一个示例：
您订阅了一家互联网服务提供商，最近发现网速变慢。您提交了多次投诉并尝试联系客服团队，但问题依旧存在。为此，您甚至多次重启路由器并重新连接网络。
最终，由于使用体验欠佳，您决定转投竞争对手。
该ISP的数据科学团队会收集客户行为数据、追踪用户连接网络时的活动，并汇总投诉信息。在整合这些数据后，团队意识到您存在较高的流失风险。
他们立刻向市场和产品团队发出预警，表示您很可能会停止与其合作。
随后，公司市场团队向您提供个性化促销和折扣WiFi方案，甚至提出免费升级您现有的订阅。升级后，您发现网速明显加快，整体体验更好，于是决定继续订阅而非转投其他品牌。
上述示例展示了客户流失模型在留住组织现有用户方面的实用价值。该应用能直接为公司带来业务价值，常被Netflix、Spotify等依赖用户续费为主要收入来源的订阅制平台采用。
客户流失预测项目灵感
您可以使用DataCamp上的电信客户流失数据集来创建您的首个流失预测项目。
该数据集包含已订阅某伊朗电信公司的用户信息，如年龄、使用行为、订阅时长和投诉情况。利用这些数据来预测客户是否可能流失。
如果您不确定如何入手，可参考客户流失率预测教程进行建模。您也可以学习我们的用Python预测客户流失课程。
4. 客户细分
图片来源于Madlytics
客户细分是根据共同特征将用户划分为不同子群的过程。随后，每个细分群体会根据其行为被投放不同的促销活动和产品方案。
以下是客户细分如何为组织带来业务价值的一个示例：
一家电商公司构建了客户细分模型，以便向不同用户投放个性化促销。
如果某用户经常浏览平台但仅在折扣时购买，则被归类为“促销猎手”。该群体的所有客户在每次有促销进行时都会立即收到邮件通知，因为他们更可能在此期间增加购买。
另一方面，有些用户会为特定商品购物，并不太在意价格，因为他们更看重质量而非实惠。对于这类客户，公司市场团队会采用不同的策略，只根据其已表现出兴趣的产品向其推广高端商品。
通过这种方式，具有较强购买力的客户会被展示更昂贵、契合其兴趣的产品，从而鼓励其提高消费；而注重实惠的用户则会在促销期间被更低价的产品所吸引。
上述例子虽简单，却表明客户细分如何帮助公司最大化从每位用户身上获得的利润。
客户细分模型最常见的应用之一是用于在营销活动中建立广告组。
例如，Facebook会收集用户的人口统计和行为数据，并允许公司基于这些信息向自定义受众群体投放广告。用户可基于特定特征进行细分，如位置、年龄、性别、喜欢的品牌以及其关联人群。
客户细分通常通过构建无监督机器学习模型来实现，例如K-Means聚类。
如果您想进一步了解客户细分以及如何构建K-Means聚类等算法，请学习我们的Python客户细分课程。
客户细分项目灵感
您可以使用Datacamp的电商数据集来构建客户细分作品集项目。
该数据集由一家总部位于英国的电商平台上的订单明细组成。
其中记录了客户的购买信息，如订购的商品、产品价格和发票日期，您可利用这些数据根据其在平台上的活动对用户进行细分。
5. 购物篮分析
图片来源于Analytics Vidhya
购物篮分析（亦称关联挖掘）是一种用于分析经常被同时购买的商品的技术。其通过处理历史购买数据来识别在交易中常一起出现的产品组合。
零售商可利用这些分析结果优化门店陈列，鼓励顾客在一次交易中购买更多商品。
例如，购买奶粉的人也很可能购买纸尿裤，因此商店通常会将这些商品彼此相邻摆放，以方便用户选购。
但购买模式并非总是如此显而易见。受地区、文化影响和人口统计因素影响，客户往往会将不同类别的商品一起购买。许多这类关联并非肉眼可见，这正是组织依赖购物篮分析等数据科学技术的原因。
以下是购物篮分析如何识别出人眼难以发现的关联的一个示例：
最常被引用的购物篮分析示例是“啤酒与纸尿裤”案例。据称，美国中西部一家连锁超市使用数据挖掘技术识别经常被同时购买的商品。
分析显示，顾客通常会在周五晚上同时购买啤酒和纸尿裤。这个关联或许看似纯属巧合，但可能的情景是这样的：
一位年轻父亲在办公室度过漫长一周后，周五晚上顺路去超市买几瓶啤酒。他的妻子知道这一习惯，便让他顺带为新生儿买纸尿裤。这样的行为逐渐成为习惯，职场父亲们在周五回家前便会同时买啤酒和纸尿裤。
在发现这一点后，商店将啤酒和纸尿裤摆在同一货架旁，销售额立刻有所增长。
该故事最早见诸于上世纪90年代中期，多年来其真实性一直备受质疑。无论真伪如何，这一用例都提醒我们，统计学在揭示人眼难以察觉的隐性关联方面多么强大。
购物篮分析并不限于实体零售店。电商平台也会在同一页面展示高度相关的产品，确保它们进入用户的视线范围。
例如，如果您在网上选购黑色牛仔裤，页面底部可能会展示与之搭配的鞋子，鼓励您购买一组产品而非单件商品。再次强调，这会直接提升公司的销售额，因为客户往往会购买比原计划更多的商品。
想了解更多购物篮分析以及如何使用机器学习技术来执行它，请学习Python购物篮分析学习路径。若您更偏好R，请学习R语言的购物篮分析课程。
购物篮分析项目灵感
要开始购物篮分析，您可以使用上文客户细分部分提到的同一电商数据集。请注意，这是UCI机器学习资料库中某数据集的截断版本，仅包含2,500行。如果您希望有更多数据可用，可以下载更大的数据集。
如上一节所述，该电商数据集包含客户交易数据，如发票编号和购买的产品。您可以据此识别客户在同一交易中经常一起购买的商品。
在实现该项目时，您可以参考R语言购物篮分析教程。若您更偏好Python，我们也提供Python购物篮分析课程。
营销中的数据科学——下一步：
为何考虑成为一名营销数据科学家？
数据科学在营销领域有着广泛的应用，上文已经讨论了其中许多。这些用例通过提升销售、解决客户痛点并鼓励购买者消费更多，为组织带来直接价值。
过去，在组织无法获取大量客户数据时，许多上述应用由营销专家亲自完成。情感分析和市场研究依靠发放问卷；营销人员基于对客户行为的理解来投放定向广告，这更多是一种直觉驱动而非数据驱动的过程。
如今，随着组织收集和存储的数据量激增，公司已开始采取数据驱动的营销方法。
然而，仅仅雇用数据科学家来处理营销用例还不够。
尽管数据科学家可以处理复杂数据集、构建高精度预测模型并进行统计分析，但仅凭这些技能还不足以从数据中提炼出有价值的洞见。他们缺乏营销领域的专业知识，往往难以将手头的数据与业务问题相联系。
相反，营销专家理解客户行为，知道如何制定问题陈述并指导营销决策，但他们缺乏处理大型数据集的技术能力。
而专注于营销领域的数据科学家兼具两方面的技能组合，对组织而言极具价值。这类人才能弥合数据科学与营销之间的鸿沟，做出对公司有利的数据驱动决策。
如何成为一名营销数据科学家
要成为一名营销数据科学家，您需要具备扎实的技术与分析能力、营销领域知识以及软技能：
1. 技术技能
请注意，上述要求会因您加入的组织和团队而异。例如，专注于向用户展示产品推荐的团队不会负责优化广告，也不会执行归因建模等任务。
如果您缺乏营销领域知识，想学习如何进行A/B测试、可视化营销指标并分析转化，请在Datacamp上学习营销中的Pandas入门课程。
2. 软技能
为更清楚地了解公司对营销数据科学家的期望，以下是Uber对该岗位的要求：
如果您尚无营销数据科学领域经验，展示您在该领域能力的最佳方式是创建能解决真实业务问题的项目。
本文针对每个应用场景都列出了相关项目，将其中一些展示在您的简历中，是向招聘经理证明您能用数据科学技术驱动业务价值的好办法。
最后，如果您希望弥补现有知识差距，学习如何将数据科学方法应用于营销，可学习Datacamp的Python营销机器学习课程，或其R语言等效课程。