Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Vad hade du senast i din varukorg i affären? Fanns det ett samband mellan produkterna du köpte, som spaghetti och tomater eller skinka och ananas? Oavsett om det handlar om fysiska butiker eller e-handel använder återförsäljare information från miljontals kundkorgar för att analysera samband mellan varor och utvinna insikter med hjälp av associationsregler.För att kvantifiera graden av association mellan varor använder du kundkorgsanalys för att hitta dolda samband och visualisera relevanta och informativa regler. Sedan får du öva på vad du lärt dig med ett filmdataset, där du förutsäger vilka filmer som tittas på tillsammans för att skapa personliga filmrekommendationer till användare.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till kundkorgsanalys
Vad finns i din korg? I det här första kapitlet lär du dig hur kundkorgsanalys (MBA) kan användas för att undersöka korgar och utforska artikeluppsättningar för att bättre förstå kunder och förutse deras behov. Med tidyverse och dplyr upptäcker du hur många korgar som kan skapas från en given uppsättning artiklar, och du lär dig hur kraftfull kundkorgsanalys är för e-handel, fysisk handel och användningsområden bortom detaljhandeln.
- Introduktion till kundkorgsanalys50 XP
- Korgar och varor50 XP
- En enskild varukorg100 XP
- Vad finns i korgen?100 XP
- Kombinationer av varor50 XP
- Antal möjliga korgar100 XP
- Delmängder och supermängder50 XP
- Plotta antal möjliga korgar100 XP
- Vad är marknadskorganalys?50 XP
- Två korgar100 XP
- Flera varukorgar100 XP
- Titta på specifika artiklar100 XP
2
Mätvärden och tekniker inom kundkorgsanalys
I det här kapitlet omvandlar du transaktionsdataset till ett korgsformat som är redo för analys med Apriori-algoritmen. Sedan introduceras du till de tre huvudsakliga måtten inom kundkorgsanalys: support, konfidens och lift, innan du själv arbetar med Apriori-algoritmen för att utvinna regler från ett transaktionsdataset. Avslutningsvis utforskar du hur paketet arules används för kundkorgsanalys för att hämta korgregler och hitta de mest informativa och relevanta reglerna.
3
Visualisering inom kundkorgsanalys
Nu visualiserar vi. I det här kapitlet granskar du visuellt den uppsättning regler du tidigare har extraherat. Visualiseringar är viktiga inom kundkorgsanalys, eftersom du ofta arbetar med stora mängder utvunna regler. Du använder paketet arulesViz för att skapa stapeldiagram, spridningsdiagram och grafer för att visualisera dina infererade regeluppsättningar. Sedan omvandlar du statiska diagram till interaktiva, vilket gör det enklare att fördjupa sig i de utvunna associationsreglerna.
4
Fallstudie: Kundkorgsanalys med filmer
Nu går vi på bio. I det här sista kapitlet tillämpar du allt du har lärt dig när du arbetar med ett filmdataset. Med hjälp av kundkorgsanalys omvandlar du datasetet till ett filmrekommendationssystem, där du använder information från filmtransaktioner för att förstå och förutsäga vad din publik kanske vill se härnäst.
R
Kundkorgsanalys i R
Kurs
slutförd
