Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Las empresas más exitosas hoy son las que conocen tan bien a sus clientes que pueden anticipar sus necesidades. Las personas analistas de datos tienen un papel clave para desbloquear estos conocimientos en profundidad y segmentar a los clientes para atenderlos mejor. En este curso, aprenderás técnicas reales de segmentación de clientes y analítica del comportamiento, usando un conjunto de datos real con transacciones anonimizadas de un minorista online. Primero, harás un análisis de cohortes para entender las tendencias de los clientes. Después, verás cómo construir segmentos de clientes fáciles de interpretar. Además, prepararás los segmentos que creaste para que estén listos para Machine Learning. Por último, potenciarás tus segmentos con k-means clustering, ¡en solo unas pocas líneas de código! Al finalizar, serás capaz de aplicar técnicas prácticas de analítica del comportamiento del cliente y de segmentación.
Requisitos previos
Programa de formación
Esquema del curso
1
Análisis de cohortes
En este primer capítulo, aprenderás qué son las cohortes y cómo analizarlas. Crearás tus propias cohortes de clientes, obtendrás algunas métricas y visualizarás tus resultados.
- Introducción al análisis de cohortes50 XP
- ¿Cuántos clientes se adquirieron?50 XP
- Análisis de cohortes50 XP
- Asignar cohorte de adquisición diaria100 XP
- Calcular el desfase temporal en días - parte 1100 XP
- Calcular el desfase de tiempo en días - parte 2100 XP
- Métricas de cohortes50 XP
- Retención de clientes50 XP
- Calcula la tasa de retención desde cero100 XP
- Calcular el precio medio100 XP
- Visualizar el análisis de cohortes50 XP
- Visualiza la métrica de cantidad media100 XP
2
Análisis de Recency, Frequency y Monetary Value
En este segundo capítulo, aprenderás sobre segmentos de clientes. En concreto, conocerás recency, frequency y monetary value, crearás segmentos basados en estos conceptos y analizarás tus resultados.
3
Preprocesamiento de datos para clustering
Una vez que has creado algunos segmentos, querrás hacer predicciones. Sin embargo, antes necesitas dominar métodos prácticos de preparación de datos para garantizar que tu algoritmo de k-means clustering descubra segmentos bien separados y con sentido.
4
Segmentación de clientes con K-means
En este capítulo final, usarás los datos que preprocesaste en el Capítulo 3 para identificar grupos de clientes según su recency, frequency y monetary value.
Segmentación de clientes en Python
Curso
completado
