After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
To twoja szansa, aby zanurzyć się w świecie marketingu i analityki biznesowej z wykorzystaniem R. Każdego dnia firmy muszą podejmować niezliczone decyzje. Dzięki modelom statystycznym będziesz w stanie wspierać ten proces – opierając się na danych, a nie na intuicji. Przekonaj się, jak wielki wpływ na wyniki biznesowe może mieć modelowanie statystyczne. Nauczysz się też skutecznie komunikować swoje wyniki, aby realnie wpływały na podejmowane decyzje.
Wymagania wstępne
Program kursu
Plan kursu
1
Modelowanie wartości życiowej klienta za pomocą regresji liniowej
Jak ocenić, którzy klienci są najbardziej wartościowi dla twojej firmy? Naucz się modelować wartość życiową klienta przy użyciu regresji liniowej.
- Wartość życiowa klienta w CRM50 XP
- Korzyści ze znajomości CLV50 XP
- Analiza danych100 XP
- Prosta regresja liniowa50 XP
- Rozumienie reszt50 XP
- Szacowanie prostej regresji liniowej100 XP
- Wieloraka regresja liniowa50 XP
- Unikanie wielokoliniowości100 XP
- Interpretacja współczynników50 XP
- Walidacja modelu, dopasowanie i predykcja50 XP
- Interpretacja dopasowania modelu50 XP
- Prognozowanie przyszłej sprzedaży100 XP
2
Regresja logistyczna w zapobieganiu odejściom klientów
Przewidywanie, czy klient odejdzie, ma kluczowe znaczenie dla skutecznego targetowania i zatrzymywania osób zagrożonych rezygnacją. Naucz się modelować odejścia klientów za pomocą regresji logistycznej.
3
Modelowanie czasu do ponownego zamówienia za pomocą analizy przeżycia
Naucz się modelować czas do wystąpienia zdarzenia za pomocą analizy przeżycia. Może to być czas do kolejnego zamówienia lub czas do odejścia klienta.
4
Redukcja wymiarowości za pomocą analizy głównych składowych
Dane CRM mogą być bardzo rozbudowane. Każda zebrana metryka może nieść ciekawe informacje o klientach. Praca ze zbiorem danych zawierającym zbyt wiele zmiennych jest jednak trudna. Naucz się redukować liczbę zmiennych za pomocą analizy głównych składowych (PCA). Pomaga to lepiej zrozumieć dane, a przy okazji umożliwia kondensację informacji do pojedynczych wskaźników oraz rozwiązanie problemu wielowspółliniowości w analizie regresji z wieloma skorelowanymi zmiennymi.
R
Uczenie maszynowe w analizie marketingowej w R
Kurs
ukończony
