После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Самые успешные компании сегодня — это те, которые так хорошо знают своих клиентов, что способны предугадывать их потребности. Аналитики данных играют ключевую роль в получении таких глубоких insights и сегментации клиентов для более качественного обслуживания. В этом курсе вы освоите практические методы сегментации клиентов и поведенческой аналитики на основе реального набора данных с анонимизированными транзакциями клиентов интернет-магазина. Сначала вы проведёте когортный анализ, чтобы выявить тенденции в поведении клиентов. Затем научитесь строить понятные клиентские сегменты. Кроме того, вы подготовите созданные сегменты для применения методов машинного обучения. Наконец, вы усилите сегменты с помощью алгоритма k-средних — всего в нескольких строках кода! По окончании курса вы сможете самостоятельно применять практические методы поведенческой аналитики и сегментации клиентов.
Предварительные требования
Программа
План курса
1
Когортный анализ
В этой первой главе вы познакомитесь с понятием когорт и научитесь их анализировать. Вы создадите собственные клиентские когорты, вычислите ключевые метрики и визуализируете полученные результаты.
- Введение в когортный анализ50 XP
- Сколько клиентов было привлечено?50 XP
- Когортный анализ50 XP
- Назначение дневной когорты привлечения100 XP
- Вычисление временного смещения в днях — часть 1100 XP
- Вычисление смещения по времени в днях — часть 2100 XP
- Метрики когорт50 XP
- Удержание клиентов50 XP
- Вычислите показатель удержания с нуля100 XP
- Вычисление средней цены100 XP
- Визуализация когортного анализа50 XP
- Визуализация метрики средней величины заказа100 XP
2
Анализ давности, частоты и денежной ценности
Во второй главе вы изучите подходы к сегментации клиентов. В частности, вы познакомитесь с показателями давности, частоты и денежной ценности, создадите клиентские сегменты на их основе и проанализируете результаты.
3
Предобработка данных для кластеризации
После создания сегментов вы захотите перейти к прогнозированию. Однако сначала необходимо освоить практические методы подготовки данных, которые помогут алгоритму k-средних выделить чёткие и осмысленные сегменты.
4
Сегментация клиентов с помощью k-средних
В этой финальной главе вы используете данные, подготовленные в главе 3, для выявления клиентских кластеров на основе показателей давности, частоты и денежной ценности.
Сегментация клиентов в Python
Курс
завершён
