ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Machine Learning for Marketing in Python

ระดับกลางระดับทักษะ

อัปเดตแล้ว 06/2565

From customer lifetime value, predicting churn to segmentation - learn and implement Machine Learning use cases for Marketing in Python.

เริ่มเรียนหลักสูตรฟรี

PythonMachine Learning4 ชม.16 videos53 Exercises4,450 เอ็กซ์พี14,110คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

The rise of machine learning (almost sounds like "rise of the machines"?) and applications of statistical methods to marketing have changed the field forever. Machine learning is being used to optimize customer journeys which maximize their satisfaction and lifetime value. This course will give you the foundational tools which you can immediately apply to improve your company’s marketing strategy. You will learn how to use different techniques to predict customer churn and interpret its drivers, measure, and forecast customer lifetime value, and finally, build customer segments based on their product purchase patterns. You will use customer data from a telecom company to predict churn, construct a recency-frequency-monetary dataset from an online retailer for customer lifetime value prediction, and build customer segments from product purchase data from a grocery shop.

ข้อกำหนดเบื้องต้น

Supervised Learning with scikit-learn

1

Machine learning for marketing basics

In this chapter, you will explore the basics of machine learning methods used in marketing. You will learn about different types of machine learning, data preparation steps, and will run several end to end models to understand their power.

Why use ML for marketing? Strategies and use cases

50 เอ็กซ์พี

Identify supervised learning examples

50 เอ็กซ์พี

Supervised vs. unsupervised learning

100 เอ็กซ์พี

Preparation for modeling

50 เอ็กซ์พี

Investigate the data

100 เอ็กซ์พี

Separate numerical and categorical columns

100 เอ็กซ์พี

Encode categorical and scale numerical variables

100 เอ็กซ์พี

ML modeling steps

50 เอ็กซ์พี

Split data to training and testing

100 เอ็กซ์พี

Fit a decision tree

100 เอ็กซ์พี

Predict churn with decision tree

100 เอ็กซ์พี

เริ่มบท

2

Churn prediction and drivers

In this chapter you will learn churn prediction fundamentals, then fit logistic regression and decision tree models to predict churn. Finally, you will explore the results and extract insights on what are the drivers of the churn.

Churn prediction fundamentals

50 เอ็กซ์พี

Explore churn rate and split data

100 เอ็กซ์พี

Separate features and target variable

100 เอ็กซ์พี

Predict churn with logistic regression

50 เอ็กซ์พี

Fit logistic regression model

100 เอ็กซ์พี

Fit logistic regression with L1 regularization

100 เอ็กซ์พี

Identify optimal L1 penalty coefficient

100 เอ็กซ์พี

Predict churn with decision trees

50 เอ็กซ์พี

Fit decision tree model

100 เอ็กซ์พี

Identify optimal tree depth

100 เอ็กซ์พี

Identify and interpret churn drivers

50 เอ็กซ์พี

Explore logistic regression coefficients

100 เอ็กซ์พี

Break down decision tree rules

100 เอ็กซ์พี

เริ่มบท

3

Customer Lifetime Value (CLV) prediction

In this chapter, you will learn the basics of Customer Lifetime Value (CLV) and its different calculation methodologies. You will harness this knowledge to build customer level purchase features to predict next month's transactions using linear regression.

Customer Lifetime Value (CLV) basics

50 เอ็กซ์พี

Build retention and churn tables

100 เอ็กซ์พี

Explore retention and churn

100 เอ็กซ์พี

Calculating and projecting CLV

50 เอ็กซ์พี

Calculate basic CLV

100 เอ็กซ์พี

Calculate granular CLV

100 เอ็กซ์พี

Calculate traditional CLV

100 เอ็กซ์พี

Data preparation for purchase prediction

50 เอ็กซ์พี

Build features

100 เอ็กซ์พี

Define target variable

100 เอ็กซ์พี

Split data to training and testing

100 เอ็กซ์พี

Predicting customer transactions

50 เอ็กซ์พี

Predict next month transactions

100 เอ็กซ์พี

Measure model fit

100 เอ็กซ์พี

Explore model coefficients

100 เอ็กซ์พี

เริ่มบท

4

Customer segmentation

This final chapter dives into customer segmentation based on product purchase history. You will explore two different models that provide insights into purchasing patterns of customers and group them into well separated and interpretable customer segments.

Customer and product segmentation basics

50 เอ็กซ์พี

Explore customer product purchase dataset

100 เอ็กซ์พี

Understand differences in variables

100 เอ็กซ์พี

Data preparation for segmentation

50 เอ็กซ์พี

Unskew the variables

100 เอ็กซ์พี

Normalize the variables

100 เอ็กซ์พี

Build customer and product segmentation

50 เอ็กซ์พี

Determine the optimal number of clusters

100 เอ็กซ์พี

Build segmentation with k-means clustering

100 เอ็กซ์พี

Alternative segmentation with NMF

100 เอ็กซ์พี

Visualize and interpret segmentation solutions

50 เอ็กซ์พี

K-means segmentation averages

100 เอ็กซ์พี

NMF segmentation averages

100 เอ็กซ์พี

Congratulations!

50 เอ็กซ์พี

เริ่มบท

Machine Learning for Marketing in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Machine Learning for Marketing in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา