Accéder au contenu principal

Cours

Machine Learning pour le marketing en Python

IntermédiaireNiveau de compétence

Actualisé 06/2022

Commencer le cours gratuitement

PythonMachine Learning

4 h

16 vidéos

53 Exercices

4,450 XP

14,216

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

Description du cours

L’essor du Machine Learning (qui rappelle presque la « révolte des machines » ?) et l’application de méthodes statistiques au marketing ont transformé durablement le domaine. Le Machine Learning permet aujourd’hui d’optimiser les parcours clients pour maximiser leur satisfaction et leur valeur sur la durée. Ce cours vous donne les bases indispensables que vous pourrez appliquer immédiatement pour améliorer la stratégie marketing de votre entreprise. Vous apprendrez à utiliser différentes techniques pour prédire l’attrition (churn) et en interpréter les facteurs, mesurer et prévoir la valeur vie client (Customer Lifetime Value), et enfin, construire des segments clients à partir de leurs comportements d’achat. Vous utiliserez des données clients d’un opérateur télécom pour prédire l’attrition, construirez un jeu de données récence-fréquence-montant à partir d’un e-commerçant pour la prédiction de la valeur vie client, et créerez des segments à partir des achats produits d’une enseigne alimentaire.

Prérequis

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

Commencer le chapitre

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

Commencer le chapitre

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

Commencer le chapitre

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!

Commencer le chapitre

Machine Learning pour le marketing en Python

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Machine Learning pour le marketing en Python dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.