Last chance: 50% off unlimited learning
Sale ends in
Cursusbeschrijving
Wat hebben productaanbevelingen van Amazon en filmtips van Netflix gemeen? Ze maken allebei gebruik van Market Basket Analysis: een krachtige methode om enorme hoeveelheden transactie- en kijkgegevens van klanten te vertalen naar eenvoudige regels voor promotie en aanbevelingen. In deze cursus leer je Market Basket Analysis uitvoeren met het Apriori-algoritme, standaard- en aangepaste metriek, associatieregels, aggregatie en pruning, en visualisatie. Daarna versterk je je nieuwe vaardigheden met interactieve oefeningen, waarin je aanbevelingen bouwt voor een kleine supermarkt, een bibliotheek, een e-booksverkoper, een cadeauwinkel en een streamingdienst. Onderweg ontdek je verborgen inzichten om aanbevelingen voor klanten te verbeteren.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot Market Basket Analysis
In dit hoofdstuk leer je de basis van Market Basket Analysis: associatieregels, metriek en pruning. Daarna pas je deze concepten toe om een kleine supermarkt te helpen zijn promoties en productplaatsing te verbeteren.
- Wat is market basket analysis?50 XP
- De basis van market basket analysis50 XP
- Cross-selling van producten100 XP
- Associatieregels identificeren50 XP
- Meerdere antecedenten en consequenten100 XP
- Data voorbereiden voor market-basketanalyse100 XP
- Associatieregels genereren100 XP
- De eenvoudigste maatstaf50 XP
- One-hot encoden van transactiegegevens100 XP
- De support-metriek berekenen100 XP
2
Associatieregels
Associatieregels vertellen ons dat twee of meer items met elkaar samenhangen. Metriek helpt ons om het nut van die relaties te kwantificeren. In dit hoofdstuk pas je zes metriek toe om associatieregels te evalueren: support, confidence, lift, conviction, leverage en Zhang's metric. Vervolgens gebruik je associatieregels en metriek om een bibliotheek en een e-booksverkoper te assisteren.
3
Aggregatie en pruning
Het kernprobleem van Market Basket Analysis is bepalen hoe je enorme aantallen klantbeslissingen omzet in een klein aantal bruikbare regels. Dit proces begint meestal met het Apriori-algoritme en omvat extra strategieën zoals pruning en aggregatie. In dit hoofdstuk leer je hoe je deze methoden gebruikt en pas je ze uiteindelijk toe in oefeningen waarin je een retailer helpt bij het kiezen van een fysieke winkelindeling en het uitvoeren van product-crosspromoties.
4
Regels visualiseren
In dit laatste hoofdstuk leer je hoe visualisaties worden gebruikt om het pruningproces te sturen en de eindresultaten samen te vatten, die doorgaans de vorm hebben van itemsets of regels. Je beheerst de drie meest bruikbare visualisaties — heatmaps, scatterplots en parallelle coördinatenplots — en past ze toe om een streamingdienst te ondersteunen.
Market Basket Analysis in Python
Cursus
voltooid
