Weiter zum Inhalt

Kurs

Machine Learning für Marketing-Analytics in R

MittelSchwierigkeitsgrad

Aktualisiert 05/2024

In diesem Kurs lernst du, wie du Data Science für verschiedene gängige Marketingaufgaben nutzen kannst.

Kurs kostenlos starten

RMachine Learning

4 Std.

17 Videos

60 Übungen

4,200 XP

13,531

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Das ist deine Chance, mit R in die Welt von Marketing- und Business-Analytics einzutauchen. Tag für Tag müssen Unternehmen zahlreiche Entscheidungen treffen. Mit statistischen Modellen kannst du den Entscheidungsprozess auf Basis von Daten unterstützen – nicht aus dem Bauch heraus. Wir zeigen dir, welchen großen Einfluss statistisches Modeling auf die Performance von Unternehmen haben kann. Du lernst Strategien kennen und anwenden, um deine Ergebnisse zu kommunizieren und wirklich etwas zu bewirken.

Voraussetzungen

Introduction to Regression in R

1

Customer Lifetime Value mit linearer Regression modellieren

Wie kannst du entscheiden, welche Kundinnen und Kunden am wertvollsten für dein Unternehmen sind? Lerne, den Customer Lifetime Value mit linearer Regression zu modellieren.

Customer Lifetime Value im CRM

Vorteile, den CLV zu kennen

Daten ansehen

Einfache lineare Regression

Residuen verstehen

Einfache lineare Regression schätzen

Multiple lineare Regression

Multikollinearität vermeiden

Interpretation von Koeffizienten

Modellvalidierung, Modellgüte und Vorhersage

Modellgüte interpretieren

Zukünftige Umsatzvorhersagen

Kapitel starten

2

Logistische Regression zur Churn-Prävention

Vorherzusagen, ob ein Kunde dein Unternehmen verlassen wird (Churn), ist wichtig, um wertvolle Kundinnen und Kunden gezielt anzusprechen und gefährdete zu halten. Lerne, Customer Churn mit logistischer Regression zu modellieren.

Churn-Prävention im Online-Marketing

Anwendung: Churn Prevention

Daten erkunden

Besonderheiten der abhängigen Variable

Modellierung und Modellauswahl

Modellspezifikation und -schätzung

Statistische Signifikanz

Modellspezifikation

Modellanpassung im Sample und Schwellenwertsetzung

In-Sample-Fit: Vollständiges Modell

In-Sample-Fit: Restriktiertes Modell

Den optimalen Schwellenwert finden

Gefahr von Overfitting

Out-of-Sample-Validierung und Kreuzvalidierung

Beurteilung der Modellgüte out-of-sample

Cross-Validation

Kapitel starten

3

Zeit bis zur Nachbestellung mit Survival-Analyse modellieren

Lerne, die Zeit bis zu einem Ereignis mit Survival-Analyse zu modellieren. Das kann die Zeit bis zur nächsten Bestellung sein – oder bis eine Person churnt.

Überlebenanalyse: Einführung

Anwendungsfälle der Survival-Analyse

Daten für die Survival-Analyse

Merkmale der Survival-Analyse

Analyse der Überlebenskurve mit Kaplan-Meier

Survival-Funktion, Hazard-Funktion und Hazard-Rate

Das Survival-Objekt

Kaplan-Meier-Analyse

Cox-PH-Modell mit konstanten Kovariaten

Proportional-Hazard-Annahme

Cox-Proportional-Hazards-Modell

Interpretation von Koeffizienten

Modellannahmen prüfen und Vorhersagen treffen

Verletzung der PH-Annahme

Modellannahmen

Vorhersagen

Kapitel starten

4

Dimensionalität mit Hauptkomponentenanalyse reduzieren

CRM-Daten können sehr umfangreich sein. Jede von dir erhobene Kennzahl kann interessante Informationen über deine Kundschaft enthalten. Aber mit einem Datensatz mit zu vielen Variablen umzugehen, ist schwierig. Lerne, die Anzahl der Variablen in deinen Daten mit der Hauptkomponentenanalyse zu reduzieren. Das hilft nicht nur, deine Daten besser zu verstehen. PCA ermöglicht es dir außerdem, Informationen zu einzelnen Indizes zu verdichten und Multikollinearität in einer Regressionsanalyse mit vielen stark korrelierten Variablen zu lösen.

PCA für CRM-Daten

Ziele von PCA

Lerne die Daten kennen

Die Korrelationsstruktur untersuchen

PCA-Berechnung

Standardisierung von Daten

Eine PCA berechnen

Das Ergebnisobjekt einer PCA

Die richtige Anzahl an Hauptkomponenten wählen

Wie viele Komponenten sind relevant?

Interpretation von Komponenten

Visualisierung mit einem Biplot

Hauptkomponenten in einer Regressionsanalyse

Regressionsanalyse mit vielen Variablen

Lineare Regression mit Hauptkomponenten

Kapitel starten

Machine Learning für Marketing-Analytics in R

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Machine Learning für Marketing-Analytics in R heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.