Justin

Command Palette

Search for a command to run...

返回作品典藏庫
已完成2026ai-data

RetailPulse 零售 BI 與推薦平台

把交易資料變成可操作洞察與推薦的端到端資料產品

RetailPulse 是一個零售電商資料產品，串接 ETL、DuckDB 分析倉儲、RFM 分群、Cohort 留存、購物籃關聯分析與三層推薦引擎，並擴充時序預測、深度學習客戶建模、NLP 商品向量與 A/B 測試。後端以 FastAPI 提供多組 API，前端以 Next.js 與 Streamlit 呈現互動儀表板，全程以 pytest 與 Playwright 驗證並用 Docker 部署。

網站 Demo查看 GitHubDemo 錄影README

已驗證 Demo 錄影 1

由 portfolio quality pass 從既有專案 demo 素材複製。

31 張截圖2 支 Demo 影片

媒體總覽

快速瀏覽這個專案的截圖與錄影展示。

專案連結與 Demo 狀態

live

網站 Demo

有已驗證 Live Demo 時直接開啟；尚未部署時，使用本頁的執行指南準備手動展示。

github

查看 GitHub

有公開 repository 時直接開啟；尚未確認時，使用本頁原始碼狀態追蹤後續補齊。

video

Demo 錄影

有 Demo 錄影時直接開啟；尚未錄影時，使用本段作為錄影檢查清單。

documentation

README

有 README 時直接開啟；尚未補齊時，使用本案例頁作為文件基準。

專案概覽

## 概述 RetailPulse 是一個面向零售與電商的 **data-to-decisions** 端到端資料產品。它把原始交易資料，經過 ETL 清洗後寫入 DuckDB 分析倉儲（八張表），再逐層計算 KPI、RFM 分群、Cohort 留存與購物籃關聯規則，最後透過推薦引擎與互動儀表板，把資料轉成可操作的商業決策。 ## 建模與推薦 核心以 scikit-learn 的 K-Means（k=4，依質心排序標記 Champions／Loyal／At Risk／Lost）做 RFM 分群，以 mlxtend Apriori 產出單品關聯規則。推薦採三層串接：先用關聯規則找「常一起買」，再回退到同分群熱門商品，最後回退全域熱門以處理冷啟動。專案另擴充 SARIMA/ETS 與 LSTM 銷售預測、Autoencoder 客戶異常偵測、CLV 迴歸與流失分類（PyTorch），以及 item2vec／ALS／NMF 協同過濾與 SBERT／TF-IDF 商品向量。 ## 服務與前端 後端以 FastAPI 提供健康檢查、KPI 概覽、客戶 RFM、熱門商品、客戶／商品推薦等多組 endpoint，並附 OpenAPI 文件。前端提供兩種呈現：Next.js 14（TypeScript、TanStack Query、Recharts、shadcn/ui、Tailwind、中英 i18n）的現代化儀表板，以及五頁 Streamlit BI 介面（KPI、RFM 散點、Cohort heatmap、關聯規則、互動推薦）。 ## 工程與驗證 專案以 28 個 pytest 覆蓋資料清洗、RFM、購物籃與推薦核心邏輯，以 Playwright 進行桌面與行動端到端驗證並錄製操作影片，另含遠端部署 smoke 測試。整體以 Docker Compose 編排（ETL 一次性設定＋API／App 服務），並誠實記錄合成資料、評估近似與單寫入等限制與未來工作。

我的角色

獨立全端資料科學家／開發者，負責資料管線、建模、API、前端與部署全鏈路。

問題背景

零售業每天產生大量交易，卻難以回答「誰是最佳客戶、客戶是否回購、哪些商品一起賣、接下來該推薦什麼」，缺乏將資料轉成決策的端到端系統。

解決方案

建立 data-to-decisions 管線：清洗交易資料寫入 DuckDB 八張倉儲表，計算 RFM、Cohort、商品特徵，以 K-Means 分群與 Apriori 產出關聯規則，再透過 FBT→分群→熱門的三層串接推薦。額外加入 SARIMA/LSTM 銷售預測、自編碼器與梯度提升的客戶建模、SBERT/item2vec 商品向量與 A/B 測試框架，並以 FastAPI、Next.js、Streamlit 對外呈現。

目前成果

在 Online Retail UCI 真實資料上，從 541,909 筆交易清洗到 397,884 筆，30 秒內完成完整管線；推薦引擎於 1,867 位客戶時序測試集達 Precision@10 = 0.0407（約隨機基準 14 倍）。交付 6+ endpoint 的 FastAPI、五頁 Streamlit 與多頁 Next.js 儀表板，並以 28 個 pytest 與 Playwright 端到端驗證、Docker 部署上線。

作品亮點

  • 以 DuckDB 建立八張分析倉儲表，串起 ETL→特徵→建模→服務的完整資料鏈路
  • 三層推薦串接（購物籃關聯→RFM 分群熱門→全域熱門）處理冷啟動回退
  • 以 Apriori 產出關聯規則（最高 Lift 24.03），並用時序 hold-out 評估 Precision/Recall/Coverage
  • 擴充深度學習與時序：LSTM/SARIMA 預測、Autoencoder 異常、CLV 與流失分類
  • 雙前端：Next.js（TanStack Query、Recharts、shadcn/ui、中英 i18n）＋ Streamlit BI 儀表板
  • 以 Docker Compose 部署，pytest 與 Playwright 雙重驗證並附遠端 smoke 測試

技術挑戰

  • 合成示範資料規模有限，使關聯規則與分群偏向示意，需誠實標註限制
  • 推薦評估採時序切分但模型以全量資料訓練，覆蓋率僅 2.0% 且熱門回退易主導冷啟動
  • DuckDB 單寫入特性使 ETL 與 API 並行讀寫需謹慎設計

目標使用者

  • 作品集審閱者與面試官
  • 需要快速理解專案目的、技術棧與成熟度的技術讀者

技術亮點

  • 偵測到的主要技術線索：Python, FastAPI, DuckDB, scikit-learn, PyTorch, statsmodels, Next.js, TypeScript, Streamlit, Docker
  • 已有 README 作為後續補齊案例研究的依據
  • 已連接公開 GitHub repository，可從作品集追溯原始碼

系統架構

此專案目前由 portfolio catalog pipeline 依 README、Git metadata、package/build 設定與素材線索建立案例頁。正式架構說明仍需依實際 source code 補齊；目前可確認的技術線索包含：Python, FastAPI, DuckDB, scikit-learn, PyTorch, statsmodels, Next.js, TypeScript, Streamlit, Docker。

資料流程

目前尚未完成可公開的資料流程說明。若此專案含資料處理、AI pipeline 或後端 API，後續應補上 input、processing、storage、UI/output 的端到端流程。

專案結構

retailpulse-bi-recommender/
  README.md              # project documentation, when available
  source files           # implementation reviewed by local audit
  package/build config   # detected capability signals

安裝與執行

This project does not expose a verified runnable web command yet. Review the README/source tree and add exact install, run, test, and build commands before interview use.
No verified build command was detected. Treat the current portfolio page as a case-study placeholder until build steps are reviewed.

後續改進

  • 補齊正式 README、截圖與 demo recording
  • 補上架構圖、資料流程與關鍵技術決策
  • 確認 build/test 狀態並更新 portfolio release report

面試說明重點

  • 先說明此專案目前的成熟度與可展示範圍
  • 聚焦在可驗證的技術棧、程式結構與已完成部分
  • 不要宣稱尚未部署、尚未錄影或尚未測試的能力已完成

後續規劃

  • 導入完整 Online Retail UCI 資料並加入矩陣分解（SVD/ALS）協同過濾
  • 改用 PostgreSQL 支援多寫入生產部署並建置 CI/CD
  • 強化冷啟動推薦與線上 A/B 實驗評估推薦策略

相關作品