Pular para o conteúdo principal

Curso

Machine Learning for Marketing Analytics in R

IntermediárioNível de habilidade

Atualizado 05/2024

Neste curso, você vai aprender a usar a ciência de dados para várias tarefas comuns de marketing.

Iniciar curso gratuitamente

RMachine Learning

4 h

17 vídeos

60 Exercícios

4,200 XP

13,531

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

Descrição do curso

Esta é a sua chance de mergulhar nos mundos de marketing e analytics de negócios usando R. No dia a dia, as empresas enfrentam uma infinidade de decisões. Com a ajuda de modelos estatísticos, você vai conseguir apoiar o processo de tomada de decisão com base em dados, não em intuição. Vamos mostrar o grande impacto que a modelagem estatística pode ter no desempenho dos negócios. Você vai aprender e aplicar estratégias para comunicar seus resultados e ajudar a gerar impacto.

Pré-requisitos

Introduction to Regression in R

1

Modelando o Valor do Ciclo de Vida do Cliente com Regressão Linear

Como decidir quais clientes são mais valiosos para o seu negócio? Aprenda a modelar o valor do ciclo de vida do cliente usando regressão linear.

Valor do tempo de vida do cliente em CRM

Benefícios de conhecer o CLV

Explorando os dados

Regressão linear simples

Entendendo resíduos

Estimando regressão linear simples

Regressão linear múltipla

Evitando multicolinearidade

Interpretação de coeficientes

Validação do modelo, ajuste do modelo e previsão

Interpretação do ajuste do modelo

Previsões futuras de vendas

Iniciar capítulo

2

Regressão Logística para Prevenção de Churn

Prever se um cliente vai deixar sua empresa (churn) é importante para direcionar clientes valiosos e reter aqueles que estão em risco. Aprenda a modelar churn de clientes usando regressão logística.

Prevenção de churn no marketing digital

Prevenção de churn na prática

Descoberta de dados

Particularidades da variável dependente

Modelagem e seleção de modelos

Especificação e estimação do modelo

Significância estatística

Especificação do modelo

Ajuste do modelo in-sample e definição de limiar

Ajuste in-sample do modelo completo

Ajuste in-sample do modelo restrito

Encontrando o limiar ideal

Perigo do overfitting

Validação fora da amostra e validação cruzada

Avaliando o ajuste do modelo fora da amostra

Validação cruzada

Iniciar capítulo

3

Modelando o Tempo até o Reabastecimento com Análise de Sobrevivência

Aprenda a modelar o tempo até um evento usando análise de sobrevivência. Isso pode ser o tempo até o próximo pedido ou até uma pessoa gerar churn.

Análise de sobrevivência: introdução

Aplicações da análise de sobrevivência

Dados para análise de sobrevivência

Características da análise de sobrevivência

Análise de curva de sobrevivência por Kaplan-Meier

Função de sobrevivência, função de risco e taxa de risco

O objeto de sobrevivência

Análise de Kaplan-Meier

Modelo de Cox PH com covariáveis constantes

Suposição de riscos proporcionais

Modelo de Risco Proporcional de Cox

Interpretação de coeficientes

Verificando suposições do modelo e fazendo previsões

Violação da suposição de riscos proporcionais (PH)

Suposições do modelo

Iniciar capítulo

4

Reduzindo Dimensionalidade com Análise de Componentes Principais

Dados de CRM podem ser muito extensos. Cada métrica coletada pode trazer informações interessantes sobre seus clientes. Mas lidar com um conjunto de dados com variáveis demais é difícil. Aprenda a reduzir o número de variáveis nos seus dados usando análise de componentes principais. Isso não apenas ajuda a entender melhor seus dados. A PCA também permite condensar informações em índices únicos e resolver problemas de multicolinearidade em uma regressão com muitas variáveis intercorrelacionadas.

PCA para dados de CRM

Propósitos do PCA

Conhecendo os dados

Explorando a estrutura de correlação

Cálculo de PCA

Padronização dos dados

Calcular uma PCA

O objeto de resultado de uma PCA

Escolhendo o número certo de componentes principais

Quantos componentes são relevantes?

Interpretação dos componentes

Visualização com biplot

Componentes principais em uma análise de regressão

Análise de regressão com muitas variáveis

Regressão linear com componentes principais

Encerramento

Iniciar capítulo

Machine Learning for Marketing Analytics in R

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora

Faça como mais de 19 milhões de alunos e comece Machine Learning for Marketing Analytics in R hoje mesmo!

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.