After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
De mest framgångsrika företagen i dag är de som känner sina kunder så väl att de kan förutse deras behov. Dataanalytiker spelar en viktig roll i att ta fram djupgående insikter och segmentera kunderna för att bättre kunna tillgodose dem. I den här kursen lär du dig verkliga tekniker för kundsegmentering och beteendeanalys, med hjälp av ett riktigt dataset som innehåller anonymiserade kundtransaktioner från en näthandlare. Du börjar med kohortanalys för att förstå kundtrender. Sedan lär du dig att skapa lättolkade kundsegment. Utöver det förbereder du de segment du skapat och gör dem redo för maskininlärning. Slutligen förstärker du dina segment med k-means-klustring – på bara några få rader kod! När kursen är klar kan du tillämpa praktiska tekniker för kundbeteendeanalys och segmentering.
Förkunskapskrav
Kursplan
Kursöversikt
1
Kohortanalys
I det här första kapitlet lär du dig om kohorter och hur du analyserar dem. Du skapar egna kundkohorter, beräknar relevanta mätvärden och visualiserar dina resultat.
- Introduktion till kohortanalys50 XP
- Hur många kunder förvärvades?50 XP
- Kohortanalys50 XP
- Tilldela daglig anskaffningskohort100 XP
- Beräkna tidsförskjutning i dagar – del 1100 XP
- Beräkna tidsförskjutning i dagar – del 2100 XP
- Kohortmätvärden50 XP
- Kundretention50 XP
- Beräkna retentionsgrad från grunden100 XP
- Beräkna genomsnittspris100 XP
- Visualisering av kohortanalys50 XP
- Visualisera måttet för genomsnittlig kvantitet100 XP
2
Analys av aktualitet, frekvens och monetärt värde
I det här andra kapitlet lär du dig om kundsegment. Du får konkret erfarenhet av aktualitet, frekvens och monetärt värde, skapar kundsegment baserade på dessa begrepp och analyserar dina resultat.
3
Dataförbehandling för klustring
När du har skapat dina segment vill du kunna göra förutsägelser. Först behöver du dock behärska praktiska metoder för dataförberedelse, så att din k-means-klustringalgoritm hittar välseparerade och meningsfulla segment.
4
Kundsegmentering med k-means
I det här avslutande kapitlet använder du de data du förbehandlade i kapitel 3 för att identifiera kundkluster baserade på aktualitet, frekvens och monetärt värde.
Kundsegmentering i Python
Kurs
slutförd
