Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Die erfolgreichsten Unternehmen kennen ihre Kundschaft so gut, dass sie deren Bedürfnisse voraussagen können. Data Analysts spielen dabei eine Schlüsselrolle: Sie gewinnen tiefgehende Einblicke und segmentieren Kundinnen und Kunden, um sie besser zu bedienen. In diesem Kurs lernst du praxistaugliche Techniken zur Kundensegmentierung und Verhaltensanalyse kennen – anhand eines realen Datensatzes mit anonymisierten Transaktionen eines Online-Händlers. Zuerst führst du eine Kohortenanalyse durch, um Kundentrends zu verstehen. Danach lernst du, leicht interpretierbare Kundensegmente zu erstellen. Zusätzlich bereitest du die erstellten Segmente so auf, dass sie für Machine Learning geeignet sind. Abschließend machst du deine Segmente mit k-means-Clustering noch aussagekräftiger – in nur wenigen Zeilen Code! Am Ende dieses Kurses kannst du praktische Methoden der Kundenverhaltensanalyse und Segmentierung anwenden.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Kohortenanalyse
In diesem ersten Kapitel lernst du, was Kohorten sind und wie du sie analysierst. Du erstellst eigene Kundenkohorten, berechnest Kennzahlen und visualisierst deine Ergebnisse.
- Einführung in die Kohortenanalyse50 XP
- Wie viele Kundinnen und Kunden wurden gewonnen?50 XP
- Cohortenanalyse50 XP
- Tägliche Acquisition Cohort zuweisen100 XP
- Zeitversatz in Tagen berechnen – Teil 1100 XP
- Zeitversatz in Tagen berechnen – Teil 2100 XP
- Kohortenmetriken50 XP
- Kundenbindung50 XP
- Berechne die Retentionsrate from scratch100 XP
- Durchschnittspreis berechnen100 XP
- Cohort-Analyse visualisieren50 XP
- Durchschnittliche Mengenmetrik visualisieren100 XP
2
Analyse von Recency, Frequency und Monetary Value
Im zweiten Kapitel geht es um Kundensegmente. Du lernst insbesondere Recency, Frequency und Monetary Value kennen, bildest darauf basierend Kundensegmente und analysierst deine Ergebnisse.
3
Datenvorverarbeitung für Clustering
Nachdem du einige Segmente erstellt hast, willst du Vorhersagen treffen. Dafür brauchst du jedoch zunächst praxisnahe Methoden der Datenvorbereitung, damit dein k-means-Clustering klar getrennte, sinnvolle Segmente findet.
4
Kundensegmentierung mit K-means
Im letzten Kapitel nutzt du die in Kapitel 3 vorverarbeiteten Daten, um Kundengruppen anhand ihrer Recency, Frequency und ihres Monetary Value zu identifizieren.
Kundensegmentierung in Python
Kurs
abgeschlossen
