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 Learning4 h17 vídeos60 Exercícios4,200 XP13,475Certificado de conclusão

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

Preferido por alunos de milhares de empresas

Treinar 2 ou mais pessoas?

Experimentar DataCamp for Business

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

Modeling Customer Lifetime Value with Linear Regression

How can you decide which customers are most valuable for your business? Learn how to model the customer lifetime value using linear regression.

Customer lifetime value in CRM

Benefits of knowing CLV

Looking at data

Simple linear regression

Understanding residuals

Estimating simple linear regression

Multiple linear regression

Avoiding multicollinearity

Interpretation of coefficients

Model validation, model fit, and prediction

Interpretation of model fit

Future predictions of sales

Iniciar Capítulo

2

Logistic Regression for Churn Prevention

Predicting if a customer will leave your business, or churn, is important for targeting valuable customers and retaining those who are at risk. Learn how to model customer churn using logistic regression.

Churn prevention in online marketing

Application churn prevention

Data discovery

Peculiarities of the dependent variable

Modeling and model selection

Model specification and estimation

Statistical significance

Model specification

In-sample model fit and thresholding

In-sample fit full model

In-sample fit restricted model

Finding the optimal threshold

Danger of overfitting

Out-of-sample validation and cross validation

Assessing out-of-sample model fit

Cross validation

Iniciar Capítulo

3

Modeling Time to Reorder with Survival Analysis

Learn how to model the time to an event using survival analysis. This could be the time until next order or until a person churns.

Survival analysis: introduction

Applications of survival analysis

Data for survival analysis

Characteristics of survival analysis

Survival curve analysis by Kaplan Meier

Survival function, hazard function and hazard rate

The survival object

Kaplan-Meier Analysis

Cox PH model with constant covariates

Proportional hazard assumption

Cox Proportional Hazard Model

Interpretation of coefficients

Checking model assumptions and making predictions

Violation of the PH assumption

Model assumptions

Predictions

Iniciar Capítulo

4

Reducing Dimensionality with Principal Component Analysis

CRM data can get very extensive. Each metric you collect could carry some interesting information about your customers. But handling a dataset with too many variables is difficult. Learn how to reduce the number of variables in your data using principal component analysis. Not only does this help to get a better understanding of your data. PCA also enables you to condense information to single indices and to solve multicollinearity problems in a regression analysis with many intercorrelated variables.

PCA for CRM data

Purposes of PCA

Getting to know the data

Exploring the correlation structure

PCA computation

Standardization of data

Compute a PCA

The result object of a PCA

Choosing the right number of principal components

How many components are relevant?

Interpretation of components

Visualization with a biplot

Principal components in a regression analysis

Regression analysis with many variables

Linear regression with principal components

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!

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

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.