Vai al contenuto principale

Corso

Machine Learning per il Marketing Analytics in R

IntermedioLivello di competenza

Aggiornato 05/2024

In questo corso imparerai come usare la scienza dei dati per diverse attività di marketing comuni.

Inizia il corso gratis

RMachine Learning

4 h

17 video

60 Esercizi

4,200 XP

13,533

Attestato di conseguimento

Preferito dagli studenti di migliaia di aziende

Formare un team?

Prova per il Business

Descrizione del corso

Questa è la tua occasione per esplorare i mondi del marketing e della business analytics con R. Ogni giorno le aziende devono affrontare una moltitudine di decisioni. Con l’aiuto di modelli statistici, potrai supportare il processo decisionale basato sui dati, non sull’intuito. Ti mostreremo l’enorme impatto che la modellazione statistica può avere sulle performance aziendali. Imparerai a comunicare i risultati in modo efficace e ad applicare strategie che facciano davvero la differenza.

Prerequisiti

Introduction to Regression in R

1

Modellare il Customer Lifetime Value con la regressione lineare

Come stabilire quali clienti sono più preziosi per il tuo business? Scopri come modellare il customer lifetime value usando la regressione lineare.

Customer lifetime value nel CRM

Vantaggi del conoscere il CLV

Uno sguardo ai dati

Regressione lineare semplice

Capire i residui

Stima di una regressione lineare semplice

Regressione lineare multipla

Evitare la multicollinearità

Interpretazione dei coefficienti

Validazione del modello, bontà di adattamento e previsione

Interpretare la bontà di adattamento del modello

Previsioni future delle vendite

Inizia il capitolo

2

Regressione logistica per prevenire il churn

Prevedere se un cliente lascerà il tuo business, ossia andrà in churn, è fondamentale per mirare ai clienti di valore e trattenere chi è a rischio. Impara a modellare il churn dei clienti con la regressione logistica.

Prevenzione del churn nel marketing online

Applicazione della prevenzione del churn

Esplorazione dei dati

Particolarità della variabile dipendente

Modellazione e selezione del modello

Specificazione ed estimazione del modello

Significatività statistica

Specificazione del modello

Adattamento del modello in-sample e scelta della soglia

Adattamento in-sample del modello completo

Adattamento in-sample modello ristretto

Trovare la soglia ottimale

Il pericolo dell'overfitting

Validazione out-of-sample e cross validation

Valutare l’aderenza del modello out-of-sample

Cross validation

Inizia il capitolo

3

Modellare il tempo al riordino con l’analisi di sopravvivenza

Impara a modellare il tempo fino a un evento usando l’analisi di sopravvivenza. Può trattarsi del tempo fino al prossimo ordine o fino a quando una persona va in churn.

Analisi di sopravvivenza: introduzione

Applicazioni della survival analysis

Dati per l'analisi di sopravvivenza

Caratteristiche dell’analisi di sopravvivenza

Analisi della curva di sopravvivenza con Kaplan-Meier

Funzione di sopravvivenza, funzione di rischio e tasso di rischio

L'oggetto di sopravvivenza

Analisi di Kaplan-Meier

Modello Cox PH con covariate costanti

Assunzione di rischi proporzionali

Modello di rischio proporzionale di Cox

Interpretazione dei coefficienti

Verificare le assunzioni del modello e fare previsioni

Violazione dell'assunzione di PH

Assunzioni del modello

Inizia il capitolo

4

Ridurre la dimensionalità con l’analisi delle componenti principali

I dati CRM possono essere molto estesi. Ogni metrica raccolta può contenere informazioni interessanti sui tuoi clienti. Ma gestire un insieme di dati con troppe variabili è difficile. Scopri come ridurre il numero di variabili nei tuoi dati con l’analisi delle componenti principali. Questo non solo aiuta a comprendere meglio i dati: la PCA consente anche di condensare le informazioni in singoli indici e di risolvere problemi di multicollinearità in una regressione con molte variabili tra loro correlate.

PCA per i dati CRM

Obiettivi della PCA

Conosciamo i dati

Esplorare la struttura di correlazione

Calcolo della PCA

Standardizzazione dei dati

Calcola una PCA

L'oggetto risultato di una PCA

Scegliere il numero giusto di componenti principali

Quante componenti sono rilevanti?

Interpretazione delle componenti

Visualizzazione con un biplot

Componenti principali in un'analisi di regressione

Analisi di regressione con molte variabili

Regressione lineare con componenti principali

Inizia il capitolo

Machine Learning per il Marketing Analytics in R

Corso
completato

Ottieni Attestato di conseguimento

Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CV
Condividila sui social e nella valutazione delle tue performanceIscriviti ora

Unisciti a oltre 19 milioni di studenti e inizia Machine Learning per il Marketing Analytics in R oggi!

Aumenta le tue competenze sui dati con l'app di DataCamp

Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.