RetailPulse BI

零售智慧分析平台

從原始交易資料到 ML 驅動的業務洞察 — 完整的資料工程與機器學習 Portfolio

397,884

筆交易資料

4,338

位活躍客戶

個 ML 模型

個分析頁面

開始導覽 ↓前往頁面: 儀表板

資料流程架構

原始資料

397,884 rows

UCI CSV

ETL / DuckDB

17 tables

DuckDB 1.5

特徵工程

RFM · MBA

Time Series

ML 訓練

11 models

6 paradigms

FastAPI

30+ routes

Next.js

Next.js 14

9 pages

Data Layer

DuckDB 1.5 · 17 tables · 397K rows

ML Stack

PyTorch · scikit-learn · statsmodels · gensim

API

FastAPI 0.138 · Pydantic v2 · 30+ routes

Frontend

Next.js 14 · TypeScript · Recharts · shadcn/ui

NLP

SBERT (all-MiniLM-L6-v2) · TF-IDF · LSA

ALS (implicit 0.7) · NMF · Item2Vec

ML 技術矩陣

六大學習範式 — 完整覆蓋

監督式學習

CLV Regressor + Churn Classifier

3-layer MLP · BCEWithLogitsLoss / MSELoss

R²=0.875 AUC=1.0

RFM 6-dim features → predict revenue CLV and 180-day churn probability per customer.

PyTorch 2.xStandardScalerDuckDB

非監督式學習

Customer Autoencoder

Encoder 6→32→16→8 Decoder 8→16→32→6

anomaly_rate=0.5%

Unsupervised anomaly detection via reconstruction error threshold (mean + 2×std).

PyTorchMSELossMinMaxScaler

序列學習

LSTM Forecaster

LSTM(1→32, 2 layers) + Linear(32→1)

MAPE=36.95%

Sliding window (30 days) deep sequence model for daily revenue forecasting.

PyTorch LSTMMinMaxScalerLog-transform

自監督學習

Item2Vec

Word2Vec Skip-Gram vector_size=64 window=5

vocab=3,665 products

Learn product co-purchase embeddings from customer purchase sequences — no labels needed.

gensim 4.422,870 sequencesDuckDB FLOAT[64]

遷移學習

SBERT Product Encoder

all-MiniLM-L6-v2 dim=384 L2-normalized

cosine sim > 0.79

Zero-shot transfer: encode product descriptions into semantic space for search & similarity.

sentence-transformersHuggingFaceCosine Search

強化學習

Thompson Sampling Bandit

Beta(α,β) per arm 5 arms argmax(θ~Beta)

5 recommendation strategies

Online RL: select best recommendation strategy per request, update with user feedback.

Beta DistributionJSON state5 arms

其他模型 / Additional Models

SARIMA(1,1,1)(0,1,1,7)Holt-Winters ETSALS Collaborative FilteringNMF RecommenderTF-IDF + LSA (20 clusters)K-Means RFM SegmentationApriori MBA (88 rules)Two-proportion z-testWelch t-test

逐步功能導覽

儀表板

KPI 總覽、月營收趨勢、國家分布、Top 商品 / Business KPIs, revenue trends, country distribution

前往頁面

DuckDB ETLRFM CalcFastAPIRecharts

›£891萬總營收 · 25,900 筆發票 · 4,338 位客戶
›月營收折線圖 + 國家收入長條圖
›即時 ML 模型狀態卡（共 11 個已訓練模型）

客戶分析

RFM 分群、互動散點圖、客戶個人資料 / RFM segmentation, interactive scatter, customer profiles

前往頁面

K-Means RFMQuintile ScoringDuckDB Query

›R/F/M 三維五分位打分 → Champions / Loyal / At Risk / Lost
›互動式 3D 散點圖：選點查看客戶詳情
›個人 Profile：RFM + 預估 CLV + 推薦商品連結

留存分析

月度同期群組留存矩陣 / Monthly cohort retention matrix visualization

前往頁面

Cohort AnalysisDuckDB WindowHeatmap

›15+ 月份同期群組 × 12 個月追蹤期
›熱力圖：深色 = 高留存，最佳群組留存率 > 40%
›清楚呈現客戶生命週期的自然衰減曲線

購物籃

Apriori 關聯規則挖掘 / Association rule mining with interactive filters

前往頁面

AprioriFP-Growthmlxtend 0.23

›88 條關聯規則 · 可調整 min_lift / min_confidence
›Support × Confidence × Lift 三指標篩選
›最高 Lift 商品組合：禮物包裝類別 (Lift > 40)

智慧推薦

多策略推薦 · ALS CF · SBERT 語意搜尋 / Multi-strategy recs + semantic search

前往頁面

ALS (implicit)SBERTThompson BanditItem2Vec

›協同過濾：ALS 64-dim 潛因子 × 4,338 客戶預快取
›SBERT 語意搜尋：輸入自然語言找到最相關商品
›Thompson Sampling：5 策略自動優化 CTR

銷售預測

三模型時序預測 · SARIMA · ETS · LSTM / Three-model time series forecasting

前往頁面

SARIMAHolt-Winters ETSPyTorch LSTMstatsmodels

›SARIMA(1,1,1)(0,1,1,7)：MAPE=70%（資料尾段跳躍）
›ETS(mul)：MAPE=40%（最佳統計模型）
›LSTM 2-layer：MAPE=37%（深度學習最優）

ML 洞察

流失預測 · CLV 回歸 · Autoencoder 異常偵測 / Churn, CLV, anomaly detection

前往頁面

MLP ChurnCLV RegressionAutoencoderPyTorch

›Churn Classifier：180 天流失標籤 → AUC=1.0（確定性標籤）
›CLV Regressor：預測終身價值 → R²=0.875
›Autoencoder：重建誤差異常偵測 → anomaly_rate=0.5%

A/B 測試

完整 A/B 實驗框架 · 統計顯著性 / Full A/B testing framework with stats

前往頁面

z-testWelch t-testCohen's dBonferroni

›兩比例 z-test：可即時建立實驗、記錄事件
›樣本量計算機：輸入 baseline_rate + MDE → 所需樣本數
›效果量 + p-value + lift：完整統計報告

可重現性驗證

完整流程可一鍵重跑

安裝依賴

~3 分鐘

make install && make install-dl

ETL 資料處理

~1 分鐘

make etl

訓練所有模型

~10 分鐘

make train-all

啟動 API

立即

make api

啟動前端

立即

make frontend

確認狀態:

make status