Przejdź do głównej treści

Strona główna Python

Kurs

Segmentacja klientów w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 03.2026

Naucz się segmentować klientów w Pythonie.

Zacznij kurs za darmo

PythonData Manipulation

4 godz.

17 filmów

55 Ćwiczeń

4,400 XP

21,689

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Najbardziej skuteczne firmy to te, które znają swoich klientów na tyle dobrze, że potrafią przewidzieć ich potrzeby. Analitycy danych odgrywają kluczową rolę w odkrywaniu tych głębszych spostrzeżeń i segmentowaniu klientów, aby lepiej im służyć. W tym kursie poznasz praktyczne techniki segmentacji klientów i analizy behawioralnej, korzystając z prawdziwego zbioru danych zawierającego zanonimizowane transakcje klientów sklepu internetowego. Zaczniesz od analizy kohortowej, aby zrozumieć trendy zakupowe. Następnie nauczysz się tworzyć przejrzyste segmenty klientów. Ponadto przygotujesz utworzone segmenty tak, aby były gotowe do uczenia maszynowego. Na koniec wzmocnisz swoje segmenty za pomocą algorytmu k-średnich – zaledwie w kilku linijkach kodu! Po ukończeniu kursu będziesz potrafić stosować praktyczne techniki analizy behawioralnej i segmentacji klientów.

Wymagania wstępne

Supervised Learning with scikit-learn

1

Cohort Analysis

In this first chapter, you will learn about cohorts and how to analyze them. You will create your own customer cohorts, get some metrics and visualize your results.

Introduction to cohort analysis

How many customers acquired?

Cohort analysis

Assign daily acquisition cohort

Calculate time offset in days - part 1

Calculate time offset in days - part 2

Cohort metrics

Customer retention

Calculate retention rate from scratch

Calculate average price

Visualizing cohort analysis

Visualize average quantity metric

Zacznij rozdział

2

Recency, Frequency, and Monetary Value Analysis

In this second chapter, you will learn about customer segments. Specifically, you will get exposure to recency, frequency and monetary value, create customer segments based on these concepts, and analyze your results.

Recency, frequency, monetary (RFM) segmentation

Calculate spend quartiles (q=4)

Calculate recency deciles (q=4)

Calculating RFM metrics

Largest frequency value

Calculate RFM values

Building RFM segments

Calculate 3 groups for recency and frequency

Calculate RFM Score

Analyzing RFM table

Find average value for RFM score segment

Creating custom segments

Analyzing custom segments

Zacznij rozdział

3

Data Preprocessing for Clustering

Once you created some segments, you want to make predictions. However, you first need to master practical data preparation methods to ensure your k-means clustering algorithm will uncover well-separated, sensible segments.

Data preprocessing

Assumptions of k-means

Calculate statistics of variables

Managing skewed variables

Detect skewed variables

Manage skewness

Centering and scaling data

Center and scale manually

Center and scale with StandardScaler()

Pre-processing pipeline

Visualize RFM distributions

Pre-process RFM data

Visualize the normalized variables

Zacznij rozdział

4

Customer Segmentation with K-means

In this final chapter, you will use the data you pre-processed in Chapter 3 to identify customer clusters based on their recency, frequency, and monetary value.

Practical implementation of k-means clustering

Run k-means

Assign labels to raw data

Choosing the number of clusters

Calculate sum of squared errors

Plot sum of squared errors

Profile and interpret segments

Prepare data for the snake plot

Visualize snake plot

Calculate relative importance of each attribute

Plot relative importance heatmap

End-to-end segmentation solution

Pre-process data

Calculate and plot sum of squared errors

Build 4-cluster solution

Analyze the segments

Final thoughts

Zacznij rozdział

Segmentacja klientów w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Segmentacja klientów w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.