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

14,216

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

Fundamentos de Machine Learning para marketing

En este capítulo explorarás los fundamentos de los métodos de Machine Learning usados en marketing. Verás los distintos tipos de Machine Learning, los pasos de preparación de datos y ejecutarás varios modelos de extremo a extremo para comprender su potencia.

¿Por qué usar Machine Learning en marketing? Estrategias y casos de uso

Identifica ejemplos de aprendizaje supervisado

Aprendizaje supervisado vs. no supervisado

Preparación para el modelado

Investiga los datos

Separa columnas numéricas y categóricas

Codifica variables categóricas y escala variables numéricas

Pasos para modelar en ML

Divide los datos en entrenamiento y prueba

Ajusta un árbol de decisión

Predecir churn con árbol de decisión

Iniciar capítulo

2

Predicción de churn y factores impulsores

En este capítulo aprenderás los fundamentos de la predicción de churn y luego ajustarás modelos de regresión logística y árboles de decisión para predecirlo. Por último, explorarás los resultados y extraerás conclusiones sobre cuáles son los factores que impulsan el churn.

Fundamentos de la predicción de churn

Explora la tasa de churn y divide los datos

Separa las variables predictoras y la variable objetivo

Predecir churn con regresión logística

Ajusta un modelo de regresión logística

Ajusta una regresión logística con regularización L1

Identificar el coeficiente óptimo de penalización L1

Predecir el churn con árboles de decisión

Ajusta un modelo de árbol de decisión

Identifica la profundidad óptima del árbol

Identifica e interpreta los factores de churn

Explora los coeficientes de la regresión logística

Desglosa las reglas del árbol de decisión

Iniciar capítulo

3

Predicción del Customer Lifetime Value (CLV)

En este capítulo aprenderás los conceptos básicos del Customer Lifetime Value (CLV) y sus diferentes metodologías de cálculo. Aprovecharás este conocimiento para crear variables de compra a nivel de cliente y predecir las transacciones del mes siguiente usando regresión lineal.

Fundamentos del Customer Lifetime Value (CLV)

Crea tablas de retención y churn

Explora la retención y el churn

Cálculo y proyección del CLV

Calcular CLV básico

Calcular CLV granular

Calcula el CLV tradicional

Preparación de datos para predecir compras

Construye características

Definir la variable objetivo

Divide los datos en entrenamiento y prueba

Predicción de transacciones de clientes

Predecir las transacciones del próximo mes

Mide el ajuste del modelo

Explora los coeficientes del modelo

Iniciar capítulo

4

Segmentación de clientes

Este capítulo final profundiza en la segmentación de clientes basada en el historial de compras. Explorarás dos modelos que ofrecen información sobre los patrones de compra de los clientes y los agrupan en segmentos bien diferenciados e interpretables.

Conceptos básicos de segmentación de clientes y productos

Explora el conjunto de datos de compras de productos por cliente

Comprender las diferencias entre variables

Preparación de datos para la segmentación

Corrige la asimetría de las variables

Normaliza las variables

Crea una segmentación de clientes y productos

Determina el número óptimo de clústeres

Crea una segmentación con k-means clustering

Segmentación alternativa con NMF

Visualiza e interpreta las soluciones de segmentación

Medias de la segmentación con K-means

Promedios de segmentación con NMF

¡Enhorabuena!

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.