Ga naar hoofdinhoud

Cursus

Machine Learning for Marketing Analytics in R

GemiddeldVaardigheidsniveau

Bijgewerkt 05-2024

In deze cursus leer je hoe je datawetenschap kunt gebruiken voor een paar veelvoorkomende marketingtaken.

Start Cursus Kosteloos

RMachine Learning

4 u

17 videos

60 Opdrachten

4,200 XP

13,533

Bewijs van Prestatie

Geliefd bij leerlingen van duizenden bedrijven

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Dit is je kans om met R de wereld van marketing- en businessanalytics in te duiken. Elke dag opnieuw moeten bedrijven talloze beslissingen nemen. Met behulp van statistische modellen kun je het beslissingsproces ondersteunen op basis van data in plaats van onderbuikgevoel. We laten je zien welke grote impact statistische modellering kan hebben op de prestaties van bedrijven. Je leert strategieën om je resultaten te communiceren en toe te passen, zodat ze echt het verschil maken.

Vereisten

Introduction to Regression in R

1

Customer Lifetime Value modelleren met lineaire regressie

Hoe bepaal je welke klanten het meest waardevol zijn voor je bedrijf? Leer hoe je de customer lifetime value modelleert met lineaire regressie.

Customer lifetime value in CRM

Voordelen van het kennen van CLV

Naar data kijken

Eenvoudige lineaire regressie

Residuen begrijpen

Eenvoudige lineaire regressie schatten

Meervoudige lineaire regressie

Multicollineariteit vermijden

Interpretatie van coëfficiënten

Modelvalidatie, modelpassing en voorspelling

Interpretatie van model fit

Toekomstige verkoop voorspellen

Hoofdstuk beginnen

2

Logistische regressie voor churnpreventie

Voorspellen of een klant je bedrijf zal verlaten (churn) is belangrijk om waardevolle klanten te targeten en risicoklanten te behouden. Leer hoe je klantchurn modelleert met logistische regressie.

Churnpreventie in online marketing

Toepassing: churn prevention

Data verkennen

Eigenaardigheden van de afhankelijke variabele

Modelleren en modelselectie

Modelspecificatie en -schatting

Statistische significantie

Modelspecificatie

Modelpassing op de trainingsset en drempelbepaling

In-sample fit volledig model

In-sample fit beperkt model

De optimale drempelwaarde bepalen

Gevaar van overfitting

Validatie buiten de steekproef en cross-validatie

Out-of-sample model fit beoordelen

Cross-validation

Hoofdstuk beginnen

3

Tijd tot herhaalaankoop modelleren met survivalanalyse

Leer hoe je de tijd tot een gebeurtenis modelleert met survivalanalyse. Dit kan de tijd tot de volgende bestelling zijn, of tot iemand churnt.

Survivalanalyse: introductie

Toepassingen van survivalanalyse

Data voor survivalanalyse

Kenmerken van survival-analyse

Overlevingscurve analyseren met Kaplan-Meier

Survivalfunctie, hazardfunctie en hazard rate

Het survival-object

Kaplan-Meier-analyse

Cox PH-model met constante covariaten

Proportional hazard-aanname

Cox Proportional Hazard-model

Interpretatie van coëfficiënten

Modelaannames controleren en voorspellingen maken

Schending van de PH-aanname

Modelaannames

Voorspellingen

Hoofdstuk beginnen

4

Dimensionaliteit reduceren met principalecomponentenanalyse

CRM-data kan erg uitgebreid zijn. Elke metriek die je verzamelt kan interessante informatie over je klanten bevatten. Maar werken met een gegevensset met te veel variabelen is lastig. Leer hoe je het aantal variabelen in je data vermindert met principalecomponentenanalyse. Dit helpt niet alleen om je data beter te begrijpen. PCA maakt het ook mogelijk informatie samen te vatten tot enkele indices en multicollineariteit op te lossen in een regressieanalyse met veel onderling gecorreleerde variabelen.

PCA voor CRM-gegevens

Doelen van PCA

De data leren kennen

De correlatiestructuur verkennen

PCA-berekening

Standaardisatie van data

Voer een PCA uit

Het resultaatobject van een PCA

Het juiste aantal hoofdcomponenten kiezen

Hoeveel componenten zijn relevant?

Interpretatie van componenten

Visualiseren met een biplot

Hoofdcomponenten in een regressieanalyse

Regressieanalyse met veel variabelen

Lineaire regressie met principale componenten

Hoofdstuk beginnen

Machine Learning for Marketing Analytics in R

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Machine Learning for Marketing Analytics in R!

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.