After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kurs Açıklaması
Bugünün en başarılı şirketleri, müşterilerini o kadar iyi tanıyor ki ihtiyaçlarını önceden tahmin edebiliyor. Veri analistleri, bu derin içgörülerin kilidini açmada ve müşterileri daha iyi hizmet vermek için segmentlere ayırmada kritik bir rol oynar. Bu derste, çevrimiçi bir perakendeciden anonimleştirilmiş müşteri işlemleri içeren gerçek bir veri kümesiyle müşteri segmentasyonu ve davranış analitiğine dair gerçek dünya tekniklerini öğreneceksin. Önce müşteri eğilimlerini anlamak için kohort analizi yapacaksın. Ardından, yorumlaması kolay müşteri segmentleri oluşturmayı öğreneceksin. Bunun üzerine, oluşturduğun segmentleri Machine Learning için hazır hale getireceksin. Son olarak, sadece birkaç satır kodla k-means kümeleme ile segmentlerini daha da güçlü kılacaksın! Bu dersin sonunda, pratik müşteri davranış analitiği ve segmentasyon tekniklerini uygulayabilir hale geleceksin.
Ön Koşullar
Müfredat
Kurs içeriği
1
Kohort Analizi
Bu ilk bölümde kohortları ve nasıl analiz edileceğini öğreneceksin. Kendi müşteri kohortlarını oluşturacak, bazı metrikler çıkaracak ve sonuçlarını görselleştireceksin.
- Kohort analizine giriş50 XP
- Kaç müşteri kazanıldı?50 XP
- Kohort analizi50 XP
- Günlük edinim kohortu ata100 XP
- Gün cinsinden zaman ofsetini hesapla - bölüm 1100 XP
- Gün cinsinden zaman ofsetini hesapla - bölüm 2100 XP
- Kohort metrikleri50 XP
- Müşteri elde tutma50 XP
- Sıfırdan elde tutma oranı hesapla100 XP
- Ortalama fiyatı hesapla100 XP
- Kohort analizini görselleştirme50 XP
- Ortalama miktar metriğini görselleştir100 XP
2
Yenilik, Sıklık ve Parasal Değer Analizi
Bu ikinci bölümde müşteri segmentlerini öğreneceksin. Özellikle, yenilik (recency), sıklık (frequency) ve parasal değer (monetary value) kavramlarına odaklanacak, bu kavramlara dayalı müşteri segmentleri oluşturacak ve sonuçlarını analiz edeceksin.
3
Kümeleme için Veri Ön İşleme
Bazı segmentler oluşturduktan sonra tahminler yapmak isteyeceksin. Ancak önce, k-means kümeleme algoritmanın iyi ayrışmış ve mantıklı segmentler ortaya çıkarmasını sağlamak için pratik veri hazırlama yöntemlerine hakim olmalısın.
4
K-means ile Müşteri Segmentasyonu
Bu son bölümde, 3. Bölümde ön işlediğin verileri kullanarak müşterileri yenilik, sıklık ve parasal değerlerine göre kümelere ayıracaksın.
Python ile Müşteri Segmentasyonu
Kurs
Tamamlandı
