Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Les entreprises les plus performantes aujourd’hui sont celles qui connaissent si bien leurs clients qu’elles peuvent anticiper leurs besoins. Les data analysts jouent un rôle clé pour dégager ces insights approfondis et segmenter les clients afin de mieux les servir. Dans ce cours, vous apprendrez des techniques concrètes de segmentation client et d’analyse comportementale, à partir d’un jeu de données réel contenant des transactions anonymisées d’un e-commerçant. Vous commencerez par une analyse de cohortes pour comprendre les tendances clients. Vous verrez ensuite comment construire des segments clients faciles à interpréter. En complément, vous préparerez les segments créés pour les rendre prêts pour le Machine Learning. Enfin, vous renforcerez vos segments avec le clustering k-means, en seulement quelques lignes de code ! À la fin du cours, vous serez en mesure d’appliquer des techniques pratiques d’analyse comportementale client et de segmentation.
Prérequis
Programme de formation
Plan du cours
1
Analyse de cohortes
Dans ce premier chapitre, vous découvrirez les cohortes et la manière de les analyser. Vous créerez vos propres cohortes de clients, calculerez des métriques et visualiserez vos résultats.
- Introduction à l’analyse de cohortes50 XP
- Combien de clients acquis ?50 XP
- Analyse de cohortes50 XP
- Attribuer la cohorte d’acquisition quotidienne100 XP
- Calculer le décalage temporel en jours - partie 1100 XP
- Calculer le décalage temporel en jours - partie 2100 XP
- Métriques de cohorte50 XP
- Rétention client50 XP
- Calculer le taux de rétention depuis zéro100 XP
- Calculer le prix moyen100 XP
- Visualiser l’analyse de cohortes50 XP
- Visualiser la métrique de quantité moyenne100 XP
2
Analyse Récence, Fréquence et Valeur Monétaire
Dans ce deuxième chapitre, vous aborderez les segments clients. Plus précisément, vous verrez la récence, la fréquence et la valeur monétaire, créerez des segments clients basés sur ces notions et analyserez vos résultats.
3
Prétraitement des données pour le clustering
Une fois vos segments créés, vous voudrez faire des prédictions. Cependant, vous devez d’abord maîtriser des méthodes pratiques de préparation des données pour garantir que votre algorithme de clustering k-means mette en évidence des segments bien séparés et pertinents.
4
Segmentation client avec k-means
Dans ce dernier chapitre, vous utiliserez les données prétraitées au Chapitre 3 pour identifier des groupes de clients en fonction de leur récence, fréquence et valeur monétaire.
Customer Segmentation in Python
Cours
terminé
