Build your ultimate AI agent
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
Program kursu
Plan kursu
1
Analiza kohortowa
W pierwszym rozdziale poznasz pojęcie kohort i nauczysz się je analizować. Stworzysz własne kohorty klientów, obliczysz odpowiednie metryki i zwizualizujesz wyniki.
- Wprowadzenie do analizy kohort50 XP
- Ilu klientów pozyskano?50 XP
- Analiza kohortowa50 XP
- Przypisz dzienną kohortę pozyskania100 XP
- Obliczanie przesunięcia czasowego w dniach – część 1100 XP
- Obliczanie przesunięcia czasowego w dniach – część 2100 XP
- Metryki kohortowe50 XP
- Retencja klientów50 XP
- Oblicz wskaźnik retencji od podstaw100 XP
- Obliczanie średniej ceny100 XP
- Wizualizacja analizy kohortowej50 XP
- Wizualizacja metryki średniej ilości100 XP
2
Analiza recency, frequency i monetary value
W drugim rozdziale zajmiesz się segmentami klientów. Poznasz pojęcia recency, frequency i monetary value, stworzysz segmenty klientów na ich podstawie i przeanalizujesz wyniki.
3
Przygotowanie danych do klastrowania
Po utworzeniu segmentów możesz przejść do prognozowania. Najpierw jednak musisz opanować praktyczne metody przygotowania danych, które zapewnią, że algorytm k-średnich odkryje wyraźnie oddzielone i sensowne segmenty.
4
Segmentacja klientów metodą k-średnich
W ostatnim rozdziale wykorzystasz dane przygotowane w rozdziale 3, aby zidentyfikować skupiska klientów na podstawie ich recency, frequency i monetary value.
Segmentacja klientów w Pythonie
Kurs
ukończony
