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 Learning4 jam16 videos53 Latihan4,450 XP14,118Bukti Prestasi

Buat Akun Gratis Anda

atau

Dengan melanjutkan, Anda menerima Ketentuan Penggunaan kami, Kebijakan Privasi kami dan bahwa data Anda disimpan di Amerika Serikat.

Dipercaya oleh para pelajar di ribuan perusahaan

Pelatihan untuk 2 orang atau lebih?

Coba DataCamp for Business

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

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

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

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

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!

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!

Buat Akun Gratis Anda

atau

Dengan melanjutkan, Anda menerima Ketentuan Penggunaan kami, Kebijakan Privasi kami dan bahwa data Anda disimpan di Amerika Serikat.

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

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