Lewati ke konten utama

Kursus

Machine Learning untuk Pemasaran dengan Python

MenengahTingkat Keterampilan

Diperbarui 06/2022

Dari nilai seumur hidup pelanggan, memprediksi churn hingga segmentasi - pelajari dan terapkan kasus penggunaan Machine Learning untuk Pemasaran dalam Python.

Mulai Kursus Gratis

PythonMachine Learning

4 jam

16 videos

53 Latihan

4,450 XP

14,222

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Bangkitnya machine learning (hampir terdengar seperti "kebangkitan mesin"?) dan penerapan metode statistik pada pemasaran telah mengubah bidang ini selamanya. Machine learning digunakan untuk mengoptimalkan perjalanan pelanggan agar memaksimalkan kepuasan dan nilai seumur hidup mereka. Kursus ini akan membekali Anda dengan alat dasar yang dapat langsung diterapkan untuk meningkatkan strategi pemasaran perusahaan Anda. Anda akan mempelajari berbagai teknik untuk memprediksi churn pelanggan dan menafsirkan pendorongnya, mengukur dan memprakirakan Customer Lifetime Value, dan akhirnya membangun segmen pelanggan berdasarkan pola pembelian produk mereka. Anda akan menggunakan data pelanggan dari sebuah perusahaan telekomunikasi untuk memprediksi churn, menyusun himpunan data recency-frequency-monetary dari peritel daring untuk prediksi Customer Lifetime Value, dan membangun segmen pelanggan dari data pembelian produk sebuah toko bahan makanan.

Persyaratan

Supervised Learning with scikit-learn

1

Dasar-dasar machine learning untuk pemasaran

Pada bab ini, Anda akan mempelajari dasar-dasar metode machine learning yang digunakan dalam pemasaran. Anda akan mengenal berbagai jenis machine learning, langkah-langkah penyiapan data, dan menjalankan beberapa model ujung-ke-ujung untuk memahami kemampuannya.

Mengapa menggunakan Machine Learning untuk pemasaran? Strategi dan kasus penggunaan

Identifikasi contoh supervised learning

Supervised vs. unsupervised learning

Persiapan untuk pemodelan

Selidiki data

Pisahkan kolom numerik dan kategorikal

Enkode variabel kategorikal dan skala variabel numerik

Langkah-langkah pemodelan ML

Bagi data menjadi training dan testing

Melatih decision tree

Prediksi churn dengan decision tree

2

Prediksi churn dan pendorongnya

Pada bab ini Anda akan mempelajari dasar-dasar prediksi churn, kemudian menyesuaikan model regresi logistik dan pohon keputusan untuk memprediksi churn. Terakhir, Anda akan menelaah hasilnya dan mengekstrak wawasan tentang apa saja pendorong churn.

Dasar-dasar prediksi churn

Eksplorasi tingkat churn dan pemisahan data

Pisahkan fitur dan variabel target

Prediksi churn dengan regresi logistik

Melatih model logistic regression

Melatih logistic regression dengan regularisasi L1

Identifikasi koefisien penalti L1 yang optimal

Prediksi churn dengan decision tree

Melatih model decision tree

Mengidentifikasi kedalaman pohon optimal

Identifikasi dan interpretasikan pendorong churn

Menjelajahi koefisien regresi logistik

Uraikan aturan decision tree

3

Prediksi Customer Lifetime Value (CLV)

Pada bab ini, Anda akan mempelajari dasar-dasar Customer Lifetime Value (CLV) dan berbagai metodologi perhitungannya. Anda akan memanfaatkan pengetahuan ini untuk membangun fitur pembelian tingkat pelanggan guna memprediksi transaksi bulan depan menggunakan regresi linear.

Dasar-dasar Customer Lifetime Value (CLV)

Bangun tabel retensi dan churn

Eksplorasi retensi dan churn

Menghitung dan memproyeksikan CLV

Hitung CLV dasar

Hitung CLV granular

Hitung CLV tradisional

Persiapan data untuk prediksi pembelian

Bangun fitur

Definisikan variabel target

Bagi data menjadi pelatihan dan pengujian

Memprediksi transaksi pelanggan

Prediksi transaksi bulan depan

Mengukur kecocokan model

Jelajahi koefisien model

4

Segmentasi pelanggan

Bab terakhir ini membahas segmentasi pelanggan berdasarkan riwayat pembelian produk. Anda akan mengeksplorasi dua model berbeda yang memberikan wawasan tentang pola pembelian pelanggan dan mengelompokkan mereka ke dalam segmen pelanggan yang terpisah dengan baik dan mudah ditafsirkan.

Dasar-dasar segmentasi pelanggan dan produk

Eksplorasi himpunan data pembelian produk pelanggan

Memahami perbedaan pada variabel

Persiapan data untuk segmentasi

Mengurangi skewness pada variabel

Normalisasi variabel

Bangun segmentasi pelanggan dan produk

Menentukan jumlah klaster yang optimal

Bangun segmentasi dengan pengelompokan k-means

Segmentasi alternatif dengan NMF

Visualisasikan dan interpretasikan solusi segmentasi

Rata-rata segmentasi K-means

Rata-rata segmentasi NMF

Machine Learning untuk Pemasaran dengan Python

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Machine Learning untuk Pemasaran dengan Python Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.