Build your ultimate AI agent
Description du cours
Voici l'occasion d'explorer l'analytics marketing et business avec R. Chaque jour, les entreprises doivent prendre une multitude de décisions. Grâce aux modèles statistiques, vous allez pouvoir étayer ces décisions sur des données plutôt que sur l'intuition. Nous allons vous montrer l'impact considérable que la modélisation statistique peut avoir sur la performance d'une entreprise. Vous apprendrez aussi des stratégies pour communiquer vos résultats et faire en sorte qu'ils aient un véritable impact.
Prérequis
Programme de formation
Plan du cours
1
Modéliser la valeur vie client avec la régression linéaire
Comment identifier les clients les plus précieux pour votre entreprise ? Découvrez comment modéliser la valeur vie client avec une régression linéaire.
- Valeur vie client (CLV) en CRM50 XP
- Avantages à connaître le CLV50 XP
- Explorer les données100 XP
- Régression linéaire simple50 XP
- Comprendre les résidus50 XP
- Estimer une régression linéaire simple100 XP
- Régression linéaire multiple50 XP
- Éviter la multicolinéarité100 XP
- Interprétation des coefficients50 XP
- Validation du modèle, qualité d'ajustement et prédiction50 XP
- Interpréter l'ajustement du modèle50 XP
- Prévisions des ventes à venir100 XP
2
Régression logistique pour prévenir l'attrition
Prédire si un client va quitter votre entreprise — l'attrition — est crucial pour cibler les clients à forte valeur et retenir ceux à risque. Apprenez à modéliser l'attrition client avec une régression logistique.
3
Modéliser le temps avant nouvelle commande avec l'analyse de survie
Apprenez à modéliser le temps jusqu'à un événement avec l'analyse de survie. Il peut s'agir du délai jusqu'à la prochaine commande ou jusqu'à l'attrition d'une personne.
4
Réduire la dimension avec l'analyse en composantes principales
Les données CRM peuvent devenir très volumineuses. Chaque indicateur collecté peut apporter une information utile sur vos clients. Mais gérer un jeu de données avec trop de variables est difficile. Découvrez comment réduire le nombre de variables grâce à l'analyse en composantes principales. Cela permet non seulement de mieux comprendre vos données, mais aussi de condenser l'information en indices uniques et de résoudre les problèmes de multicolinéarité dans une régression comportant de nombreuses variables interdépendantes.
R
Machine Learning for Marketing Analytics in R
Cours
terminé
