置頂App 版位價值歸因 · Markov 移除效應與實驗設計
以一階馬可夫鏈與移除效應量化 480 個版位對成交的不可替代性，揭露首頁首頁-01 39 倍於中位數的曝光錯配，並轉化為 A/B 因果實驗矩陣。
置頂站內流量地圖
把 App 內「從哪來、靠什麼動作、往哪去」畫成一張可點選的地圖，讓團隊自己找到斷點。
置頂遊戲科技公司 · 營運數據分析與 Tableau 監控平台
獨立負責數據平台的架構與儀表板建置，涵蓋玩家留存、活躍時段、內容偏好與儲值付費分析，並串接 Slack 自動化異常監控。
置頂捷運營運監控儀表板
獨力完成六大類、四十多頁的運量監控報表：從站、列車到車廂三個層級，用燈號讓值班人員一眼看出哪裡擁擠。畫面中的數字為模擬資料。
置頂Power BI 實務應用課程
為數據分析人員與企劃同仁設計的實作課：從選對圖表，到做出一份有人會打開的儀表板。
置頂旅遊業營運儀表板系列
為行銷、通路主管與企業客戶業務各做一份儀表板：每日進單、月會目標達成，以及企業客戶的 RFM 分群。
置頂Kaggle 酵素穩定性預測（銀牌）
在全球 2,482 隊中名列第 29 名榮獲銀牌；融合特徵工程、生物物理模擬、蛋白質語言模型與 3D-CNN 四模型加權集成。
置頂Python 分析與機器學習練習集
整理 2022 至 2023 年間以 Python 進行的數據分析與機器學習練習：以 Uniqlo 門市營運分析為首，涵蓋 Kaggle 競賽、房價預測、類神經網絡與環境指標評比。
置頂雙北旅遊景點推薦系統（LINE Bot）
爬取 Google Maps 最新評論，以 Jieba 斷詞、正負向情緒字典與星等加權評分排序景點，做成會回傳評論文字雲的 LINE 旅遊推薦機器人。
A/B Test Playbook：從問題到決策
好的 A/B Test，從來不只是在看 p-value。可靠的實驗是一條完整鏈路：把正確的問題，以可驗證的設計、足夠的資料與清楚的決策規則串起來。
分析不是做報表：五階段分析流程
數據分析的價值，不在於產出多少張圖表，而在於能否把模糊的業務疑問轉化成可驗證的問題，找出可能原因，並提出能被執行與檢驗的行動。
定義問題：讓問題可以被證偽
分析的起點不是「我有一份資料」，而是「我需要做出什麼判斷」。問題定義越精準，後續分析越不容易失焦。
結構化多元資料集：讓資料能回答問題
資料不是越多越好，而是要能回答問題。定量資料告訴我們「發生多少、何時發生」；定性資料協助理解「為什麼發生」。
分析與歸因：從看到變化到解釋變化
歸因的目標是評估哪些因素可能造成觀察到的結果。分析時應先描述現象，再逐步排除其他解釋，不要一開始就把相關性當成因果關係。
從洞察到行動：現象、歸因、動作、預期
洞察不是把圖表上的數字換句話說，而是提出一個有證據支持、能改變決策的解釋。
對比分析：差多少？是否達標？
七種方法不是互斥選項。實務上常常先用對比發現異常，再用趨勢確認持續性，以維度拆解定位來源，最後用漏斗、因子與分群分析深入解釋。
趨勢分析：持續變化，還是短期波動？
依照時間順序觀察指標變化，辨識長期方向、短期波動、週期性與可能的結構性轉折。
分布分析：平均數之外的故事
分布分析關注資料整體如何散布，而不只看一個平均數。它能回答「大多數人落在哪裡」、「差異有多大」以及「是否有極端值或長尾」。
維度拆解：整體變化由誰帶動？
把整體指標依不同分類切開，找出各群體的規模、表現與貢獻。它的核心問題是：「整體數字是由誰、在哪裡、透過什麼方式形成的？」
漏斗分析：使用者在哪一步離開？
漏斗分析將使用者完成目標的過程拆成連續步驟，觀察每一步有多少人前進、多少人流失。適合分析購買、註冊、申請、預約等流程。
因子拆解：GMV＝流量 × 轉換率 × 客單價
把一個結果指標拆成可理解的組成因子，藉此判斷結果變化是由哪個環節帶動。因子拆解能建立業務指標與可執行槓桿之間的連結。
分群分析：規則分群、RFM 與 K-means
分群分析將具有相似特徵或行為的對象分成群組，讓團隊不必用同一套策略對待所有人。分群可以依業務規則建立，也可以使用統計或機器學習方法探索。
整合案例：GMV 為什麼連續兩週下滑？
以下用一個虛構電商案例示範，如何把五階段流程與七種分析方法串在一起。所有數字皆為教學示意。
分析品質與常見陷阱
報告中應明確標示目前結論屬於哪個層級，不要把「可能原因」寫成「已證明原因」。
課堂練習與分析交付檢查表
情境：「最近新客變少，可能是廣告效果不好。」請將這句話改寫成包含客群定義、觀察期間、指標、比較基準與可證偽條件的分析問題。