Przejdź do głównej treści

Strona główna Python

Kurs

Uczenie maszynowe w marketingu w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 06.2022

Od customer lifetime value, przewidywania churn po segmentację — poznaj i wdrażaj use cases Machine Learning dla Marketingu w Python.

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

16 filmów

53 Ćwiczenia

4,450 XP

14,211

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Uczenie maszynowe i zastosowania metod statystycznych w marketingu na zawsze zmieniły tę dziedzinę. Uczenie maszynowe służy dziś do optymalizacji ścieżek klientów, zwiększając ich satysfakcję i wartość życiową. Ten kurs wyposaży cię w podstawowe narzędzia, które możesz od razu zastosować, by udoskonalić strategię marketingową swojej firmy. Nauczysz się, jak przewidywać odpływ klientów i interpretować jego przyczyny, mierzyć oraz prognozować wartość życiową klientów, a także budować segmenty klientów na podstawie wzorców zakupowych. Wykorzystasz dane klientów firmy telekomunikacyjnej do prognozowania odpływu, zbudujesz zbiór danych RFM (recency-frequency-monetary) na podstawie danych sprzedawcy internetowego oraz stworzysz segmenty klientów w oparciu o dane zakupowe ze sklepu spożywczego.

Wymagania wstępne

Supervised Learning with scikit-learn

1

Machine learning for marketing basics

In this chapter, you will explore the basics of machine learning methods used in marketing. You will learn about different types of machine learning, data preparation steps, and will run several end to end models to understand their power.

Why use ML for marketing? Strategies and use cases

Identify supervised learning examples

Supervised vs. unsupervised learning

Preparation for modeling

Investigate the data

Separate numerical and categorical columns

Encode categorical and scale numerical variables

ML modeling steps

Split data to training and testing

Fit a decision tree

Predict churn with decision tree

Zacznij rozdział

2

Churn prediction and drivers

In this chapter you will learn churn prediction fundamentals, then fit logistic regression and decision tree models to predict churn. Finally, you will explore the results and extract insights on what are the drivers of the churn.

Churn prediction fundamentals

Explore churn rate and split data

Separate features and target variable

Predict churn with logistic regression

Fit logistic regression model

Fit logistic regression with L1 regularization

Identify optimal L1 penalty coefficient

Predict churn with decision trees

Fit decision tree model

Identify optimal tree depth

Identify and interpret churn drivers

Explore logistic regression coefficients

Break down decision tree rules

Zacznij rozdział

3

Customer Lifetime Value (CLV) prediction

In this chapter, you will learn the basics of Customer Lifetime Value (CLV) and its different calculation methodologies. You will harness this knowledge to build customer level purchase features to predict next month's transactions using linear regression.

Customer Lifetime Value (CLV) basics

Build retention and churn tables

Explore retention and churn

Calculating and projecting CLV

Calculate basic CLV

Calculate granular CLV

Calculate traditional CLV

Data preparation for purchase prediction

Build features

Define target variable

Split data to training and testing

Predicting customer transactions

Predict next month transactions

Measure model fit

Explore model coefficients

Zacznij rozdział

4

Customer segmentation

This final chapter dives into customer segmentation based on product purchase history. You will explore two different models that provide insights into purchasing patterns of customers and group them into well separated and interpretable customer segments.

Customer and product segmentation basics

Explore customer product purchase dataset

Understand differences in variables

Data preparation for segmentation

Unskew the variables

Normalize the variables

Build customer and product segmentation

Determine the optimal number of clusters

Build segmentation with k-means clustering

Alternative segmentation with NMF

Visualize and interpret segmentation solutions

K-means segmentation averages

NMF segmentation averages

Congratulations!

Zacznij rozdział

Uczenie maszynowe w marketingu 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 Uczenie maszynowe w marketingu 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.