본문으로 바로가기

강의

Python으로 배우는 마케팅용 Machine Learning

중급기술 수준

업데이트됨 2022. 6.

고객 생애가치, 이탈 예측, 세분화까지—Marketing의 Machine Learning 활용 사례를 Python으로 학습하고 구현합니다.

무료로 강의 시작

PythonMachine Learning

4시간

16 동영상

53 연습 문제

4,450 XP

14,211

성취 증명서

수천 개 기업의 학습자들이 사랑하는

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명

Machine Learning의 부상(왠지 "기계의 반란"이 떠오르지 않나요?)과 통계 기법의 마케팅 적용은 이 분야를 완전히 바꿔 놓았습니다. 이제 Machine Learning은 고객 여정을 최적화해 만족도와 고객 생애가치를 극대화하는 데 활용되고 있어요. 이 강의에서는 여러분이 곧바로 회사의 마케팅 전략 개선에 적용할 수 있는 기초 도구를 제공합니다. 다양한 기법으로 고객 이탈을 예측하고 그 요인을 해석하는 방법, 고객 생애가치를 측정하고 예측하는 방법을 배우며, 마지막으로 제품 구매 패턴을 바탕으로 고객 세그먼트를 구축합니다. 통신사의 고객 데이터를 사용해 이탈을 예측하고, 온라인 리테일러 데이터에서 최신성-빈도-금액(RFM) 데이터셋을 만들어 고객 생애가치를 예측하며, 그로서리 매장의 제품 구매 데이터를 바탕으로 고객 세그먼트를 구성해 볼 거예요.

선수 조건

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!

Python으로 배우는 마케팅용 Machine Learning

강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 인증서를 추가하세요
소셜 미디어와 성과 평가에서 공유하세요지금 등록

19백만 명 이상의 학습자와 함께 Python으로 배우는 마케팅용 Machine Learning을(를) 시작하세요!

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.