ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Customer Segmentation in Python

ระดับกลางระดับทักษะ

อัปเดตแล้ว 03/2569

Learn how to segment customers in Python.

เริ่มเรียนหลักสูตรฟรี

PythonData Manipulation4 ชม.17 videos55 Exercises4,400 เอ็กซ์พี21,590คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

The most successful companies today are the ones that know their customers so well that they can anticipate their needs. Data analysts play a key role in unlocking these in-depth insights, and segmenting the customers to better serve them. In this course, you will learn real-world techniques on customer segmentation and behavioral analytics, using a real dataset containing anonymized customer transactions from an online retailer. You will first run cohort analysis to understand customer trends. You will then learn how to build easy to interpret customer segments. On top of that, you will prepare the segments you created, making them ready for machine learning. Finally, you will make your segments more powerful with k-means clustering, in just few lines of code! By the end of this course, you will be able to apply practical customer behavioral analytics and segmentation techniques.

ข้อกำหนดเบื้องต้น

Supervised Learning with scikit-learn

1

Cohort Analysis

In this first chapter, you will learn about cohorts and how to analyze them. You will create your own customer cohorts, get some metrics and visualize your results.

Introduction to cohort analysis

50 เอ็กซ์พี

How many customers acquired?

50 เอ็กซ์พี

Cohort analysis

50 เอ็กซ์พี

Assign daily acquisition cohort

100 เอ็กซ์พี

Calculate time offset in days - part 1

100 เอ็กซ์พี

Calculate time offset in days - part 2

100 เอ็กซ์พี

Cohort metrics

50 เอ็กซ์พี

Customer retention

50 เอ็กซ์พี

Calculate retention rate from scratch

100 เอ็กซ์พี

Calculate average price

100 เอ็กซ์พี

Visualizing cohort analysis

50 เอ็กซ์พี

Visualize average quantity metric

100 เอ็กซ์พี

เริ่มบท

2

Recency, Frequency, and Monetary Value Analysis

In this second chapter, you will learn about customer segments. Specifically, you will get exposure to recency, frequency and monetary value, create customer segments based on these concepts, and analyze your results.

Recency, frequency, monetary (RFM) segmentation

50 เอ็กซ์พี

Calculate spend quartiles (q=4)

100 เอ็กซ์พี

Calculate recency deciles (q=4)

100 เอ็กซ์พี

Calculating RFM metrics

50 เอ็กซ์พี

Largest frequency value

50 เอ็กซ์พี

Calculate RFM values

100 เอ็กซ์พี

Building RFM segments

50 เอ็กซ์พี

Calculate 3 groups for recency and frequency

100 เอ็กซ์พี

Calculate RFM Score

100 เอ็กซ์พี

Analyzing RFM table

50 เอ็กซ์พี

Find average value for RFM score segment

50 เอ็กซ์พี

Creating custom segments

100 เอ็กซ์พี

Analyzing custom segments

100 เอ็กซ์พี

เริ่มบท

3

Data Preprocessing for Clustering

Once you created some segments, you want to make predictions. However, you first need to master practical data preparation methods to ensure your k-means clustering algorithm will uncover well-separated, sensible segments.

Data preprocessing

50 เอ็กซ์พี

Assumptions of k-means

50 เอ็กซ์พี

Calculate statistics of variables

100 เอ็กซ์พี

Managing skewed variables

50 เอ็กซ์พี

Detect skewed variables

100 เอ็กซ์พี

Manage skewness

100 เอ็กซ์พี

Centering and scaling data

50 เอ็กซ์พี

Center and scale manually

100 เอ็กซ์พี

Center and scale with StandardScaler()

100 เอ็กซ์พี

Pre-processing pipeline

50 เอ็กซ์พี

Visualize RFM distributions

100 เอ็กซ์พี

Pre-process RFM data

100 เอ็กซ์พี

Visualize the normalized variables

100 เอ็กซ์พี

เริ่มบท

4

Customer Segmentation with K-means

In this final chapter, you will use the data you pre-processed in Chapter 3 to identify customer clusters based on their recency, frequency, and monetary value.

Practical implementation of k-means clustering

50 เอ็กซ์พี

Run k-means

100 เอ็กซ์พี

Assign labels to raw data

100 เอ็กซ์พี

Choosing the number of clusters

50 เอ็กซ์พี

Calculate sum of squared errors

100 เอ็กซ์พี

Plot sum of squared errors

100 เอ็กซ์พี

Profile and interpret segments

50 เอ็กซ์พี

Prepare data for the snake plot

100 เอ็กซ์พี

Visualize snake plot

100 เอ็กซ์พี

Calculate relative importance of each attribute

100 เอ็กซ์พี

Plot relative importance heatmap

100 เอ็กซ์พี

End-to-end segmentation solution

50 เอ็กซ์พี

Pre-process data

100 เอ็กซ์พี

Calculate and plot sum of squared errors

100 เอ็กซ์พี

Build 4-cluster solution

100 เอ็กซ์พี

Analyze the segments

100 เอ็กซ์พี

Final thoughts

50 เอ็กซ์พี

เริ่มบท

Customer Segmentation in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

Marketing Analytics in Python

instructors

Karolis Urbonas

Head of Machine Learning and Science

collaborators

Hadrien Lacroix

Mari Nazary

Courses resources

Chapter 1 datasetsdatasets

Chapter 2 datasetsdatasets

Chapter 3 datasetsdatasets

Chapter 4 datasetsdatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Customer Segmentation in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา