Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
De meest succesvolle bedrijven van vandaag kennen hun klanten zo goed dat ze hun behoeften kunnen voorspellen. Data-analisten spelen een sleutelrol bij het ontsluiten van deze diepgaande inzichten en het segmenteren van klanten om ze beter te bedienen. In deze cursus leer je praktijkgerichte technieken voor klantsegmentatie en gedragsanalyse, met een echte gegevensset met geanonimiseerde klanttransacties van een online retailer. Je voert eerst cohortanalyse uit om klanttrends te begrijpen. Daarna leer je hoe je klantsegmenten bouwt die makkelijk te interpreteren zijn. Bovendien maak je de segmenten die je hebt gemaakt klaar voor Machine Learning. Tot slot maak je je segmenten krachtiger met k-means clustering, in slechts een paar regels code! Aan het einde van deze cursus kun je praktische technieken voor klantgedragsanalyse en segmentatie toepassen.
Vereisten
Lesprogramma
Cursusoverzicht
1
Cohortanalyse
In dit eerste hoofdstuk leer je wat cohorts zijn en hoe je ze analyseert. Je maakt je eigen klantcohorts, haalt statistieken op en visualiseert je resultaten.
- Introductie tot cohortanalyse50 XP
- Hoeveel klanten verworven?50 XP
- Cohortanalyse50 XP
- Dagelijkse acquisitiecohort toekennen100 XP
- Tijdsoffset in dagen berekenen - deel 1100 XP
- Tijdoffset in dagen berekenen - deel 2100 XP
- Cohortstatistieken50 XP
- Klantretentie50 XP
- Bereken de retentiegraad vanaf nul100 XP
- Gemiddelde prijs berekenen100 XP
- Cohortanalyse visualiseren50 XP
- Gemiddelde aantal-kenmerk visualiseren100 XP
2
Analyse van recency, frequency en monetary value
In dit tweede hoofdstuk leer je over klantsegmenten. Je maakt kennis met recency, frequency en monetary value, maakt klantsegmenten op basis van deze concepten en analyseert je resultaten.
3
Datavoorbewerking voor clustering
Zodra je segmenten hebt gemaakt, wil je voorspellingen doen. Eerst moet je echter praktische methoden voor datavoorbereiding beheersen om ervoor te zorgen dat je k-means clusteringalgoritme goed gescheiden, zinvolle segmenten vindt.
4
Klantsegmentatie met k-means
In dit laatste hoofdstuk gebruik je de gegevens die je in hoofdstuk 3 hebt voorbewerkt om klantclusters te identificeren op basis van hun recency, frequency en monetary value.
Klantsegmentatie in Python
Cursus
voltooid
