After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Maskininlärningens framväxt och tillämpningen av statistiska metoder inom marknadsföring har förändrat branschen i grunden. Maskininlärning används i dag för att optimera kundresor som maximerar kundnöjdhet och livstidsvärde. Den här kursen ger dig de grundläggande verktygen som du direkt kan använda för att förbättra ditt företags marknadsföringsstrategi. Du lär dig att använda olika tekniker för att förutsäga kundbortfall och tolka dess drivkrafter, mäta och prognostisera kundens livstidsvärde samt bygga kundsegment baserade på produktköpsmönster. Du arbetar med kunddata från ett telekomföretag för att förutsäga kundbortfall, konstruerar ett recency-frequency-monetary-dataset från en näthandlare för att förutsäga kundens livstidsvärde, och bygger kundsegment utifrån produktköpsdata från en livsmedelsbutik.
Förkunskapskrav
Kursplan
Kursöversikt
1
Grunderna i maskininlärning för marknadsföring
I det här kapitlet utforskar du grunderna i de maskininlärningsmetoder som används inom marknadsföring. Du lär dig om olika typer av maskininlärning, steg för dataförberedelse och kör flera kompletta modeller för att förstå deras potential.
- Varför använda maskininlärning inom marknadsföring? Strategier och användningsområden50 XP
- Identifiera exempel på övervakad inlärning50 XP
- Övervakat vs. oövervakat lärande100 XP
- Förberedelse inför modellering50 XP
- Utforska datamängden100 XP
- Separera numeriska och kategoriska kolumner100 XP
- Koda kategoriska variabler och skala numeriska variabler100 XP
- Steg i ML-modellering50 XP
- Dela upp data i tränings- och testuppsättningar100 XP
- Anpassa ett beslutsträd100 XP
- Förutsäg kundbortfall med ett beslutsträd100 XP
2
Förutsägelse av kundbortfall och dess drivkrafter
I det här kapitlet lär du dig grunderna i förutsägelse av kundbortfall och anpassar sedan logistisk regression och beslutsträdsmodeller för att förutsäga kundbortfall. Avslutningsvis undersöker du resultaten och identifierar vad som driver kundbortfallet.
3
Förutsägelse av Customer Lifetime Value (CLV)
I det här kapitlet lär du dig grunderna i Customer Lifetime Value (CLV) och olika beräkningsmetoder för detta. Du använder sedan denna kunskap för att bygga köprelaterade särdrag på kundnivå och förutsäga nästa månads transaktioner med linjär regression.
4
Kundsegmentering
Det här avslutande kapitlet fokuserar på kundsegmentering baserad på produktköpshistorik. Du utforskar två olika modeller som ger insikter om kundernas köpmönster och grupperar dem i tydligt avgränsade och tolkningsbara kundsegment.
Maskininlärning för marknadsföring i Python
Kurs
slutförd
