Weiter zum Inhalt

Startseite Python

Kurs

Machine Learning für Marketing mit Python

FortgeschrittenSchwierigkeitsgrad

Aktualisiert 06/2022

Hier setzt du Machine Learning im Marketing ein – vom Customer Lifetime Value über Abwanderungsprognosen bis zur Segmentierung.

Kurs kostenlos starten

PythonMachine Learning4 Std.16 Videos53 Übungen4,450 XP14,110Leistungsnachweis

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

Beliebt bei Lernenden in Tausenden Unternehmen

Training für 2 oder mehr Personen?

Probiere es mit DataCamp for Business

Kursbeschreibung

Der Aufstieg von Machine Learning (klingt fast wie „Aufstand der Maschinen“, oder?) und der Einsatz statistischer Methoden im Marketing haben das Feld dauerhaft verändert. Machine Learning optimiert heute Customer Journeys, maximiert Zufriedenheit und Customer Lifetime Value. In diesem Kurs bekommst du die Grundlagen an die Hand, die du sofort einsetzen kannst, um die Marketingstrategie deines Unternehmens zu verbessern. Du lernst, mit verschiedenen Techniken Churn vorherzusagen und seine Treiber zu interpretieren, den Customer Lifetime Value zu messen und zu prognostizieren und schließlich Kundensegmente anhand ihrer Kaufmuster zu bilden. Du arbeitest mit Kundendaten eines Telekommunikationsunternehmens zur Churn-Vorhersage, erstellst einen Recency-Frequency-Monetary-Datensatz eines Onlinehändlers zur CLV-Prognose und bildest Kundensegmente aus Einkaufsdaten eines Lebensmittelhändlers.

Voraussetzungen

Supervised Learning with scikit-learn

1

Machine learning for marketing basics

In this chapter, you will explore the basics of machine learning methods used in marketing. You will learn about different types of machine learning, data preparation steps, and will run several end to end models to understand their power.

Why use ML for marketing? Strategies and use cases

Identify supervised learning examples

Supervised vs. unsupervised learning

Preparation for modeling

Investigate the data

Separate numerical and categorical columns

Encode categorical and scale numerical variables

ML modeling steps

Split data to training and testing

Fit a decision tree

Predict churn with decision tree

Kapitel starten

2

Churn prediction and drivers

In this chapter you will learn churn prediction fundamentals, then fit logistic regression and decision tree models to predict churn. Finally, you will explore the results and extract insights on what are the drivers of the churn.

Churn prediction fundamentals

Explore churn rate and split data

Separate features and target variable

Predict churn with logistic regression

Fit logistic regression model

Fit logistic regression with L1 regularization

Identify optimal L1 penalty coefficient

Predict churn with decision trees

Fit decision tree model

Identify optimal tree depth

Identify and interpret churn drivers

Explore logistic regression coefficients

Break down decision tree rules

Kapitel starten

3

Customer Lifetime Value (CLV) prediction

In this chapter, you will learn the basics of Customer Lifetime Value (CLV) and its different calculation methodologies. You will harness this knowledge to build customer level purchase features to predict next month's transactions using linear regression.

Customer Lifetime Value (CLV) basics

Build retention and churn tables

Explore retention and churn

Calculating and projecting CLV

Calculate basic CLV

Calculate granular CLV

Calculate traditional CLV

Data preparation for purchase prediction

Build features

Define target variable

Split data to training and testing

Predicting customer transactions

Predict next month transactions

Measure model fit

Explore model coefficients

Kapitel starten

4

Customer segmentation

This final chapter dives into customer segmentation based on product purchase history. You will explore two different models that provide insights into purchasing patterns of customers and group them into well separated and interpretable customer segments.

Customer and product segmentation basics

Explore customer product purchase dataset

Understand differences in variables

Data preparation for segmentation

Unskew the variables

Normalize the variables

Build customer and product segmentation

Determine the optimal number of clusters

Build segmentation with k-means clustering

Alternative segmentation with NMF

Visualize and interpret segmentation solutions

K-means segmentation averages

NMF segmentation averages

Congratulations!

Kapitel starten

Machine Learning für Marketing mit Python

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 mit Python heute!

Kostenloses Konto erstellen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

DataCamp gibt es auch für Mobilgeräte

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