Ir al contenido principal

Curso

Machine Learning para marketing en Python

IntermedioNivel de habilidad

Actualizado 6/2022

El valor del ciclo de vida de clientes, predecir la pérdida de clientes o la segmentación: aplica machine learning para marketing en Python.

Comienza El Curso Gratis

PythonMachine Learning

4 h

16 vídeos

53 Ejercicios

4,450 XP

14,205

Certificado de logros

Preferido por estudiantes en miles de empresas

¿Formando un equipo?

Prueba para empresas

Descripción del curso

El auge del Machine Learning (¿casi suena a "ascenso de las máquinas"?) y la aplicación de métodos estadísticos al marketing han cambiado el sector para siempre. El Machine Learning se usa para optimizar los recorridos de cliente y maximizar su satisfacción y su valor de vida. Este curso te dará las herramientas fundamentales que podrás aplicar de inmediato para mejorar la estrategia de marketing de tu empresa. Aprenderás distintas técnicas para predecir el churn y entender sus factores, medir y pronosticar el valor de vida del cliente, y, por último, crear segmentos de clientes a partir de sus patrones de compra. Utilizarás datos de clientes de una empresa de telecomunicaciones para predecir churn, construirás un conjunto de datos de recencia-frecuencia-monetario a partir de un minorista online para predecir el valor de vida del cliente y crearás segmentos de clientes con datos de compra de productos de un supermercado.

Requisitos previos

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

Iniciar Capítulo

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

Iniciar Capítulo

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

Iniciar Capítulo

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!

Iniciar Capítulo

Machine Learning para marketing en Python

Curso
completo

Obtener certificado de logros

Añade esta certificación a tu perfil de LinkedIn o a tu currículum.
Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete Ahora

¡Únete a 19 millones de estudiantes y empieza Machine Learning para marketing en Python hoy mismo!

Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp

Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.