After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Найуспішніші компанії сьогодні — це ті, що так добре знають своїх клієнтів, що можуть передбачати їхні потреби. Аналітики даних відіграють ключову роль у здобутті таких глибоких інсайтів і сегментації клієнтів, щоб краще їх обслуговувати. У цьому курсі ви опanuєте практичні методи сегментації клієнтів і поведінкової аналітики, використовуючи реальний набір даних із знеособленими транзакціями клієнтів інтернет-ритейлера. Спочатку ви проведете когортний аналіз, щоб зрозуміти тенденції клієнтів. Далі ви дізнаєтеся, як побудувати зрозумілі для інтерпретації клієнтські сегменти. Крім того, ви підготуєте створені сегменти, щоб зробити їх придатними для машинного навчання. Нарешті, ви посилите свої сегменти кластеризацією k-means — усього кількома рядками коду! Після завершення курсу ви зможете застосовувати практичні методи поведінкової аналітики клієнтів і сегментації.
Попередні вимоги
Навчальний план
Зміст курсу
1
Когортний аналіз
У цьому першому розділі ви дізнаєтеся, що таке когорти та як їх аналізувати. Ви створите власні когорти клієнтів, обчислите кілька метрик і візуалізуєте результати.
- Вступ до когортного аналізу50 XP
- Скільки клієнтів залучено?50 XP
- Аналіз когорт50 XP
- Призначте щоденний когортний день залучення100 XP
- Обчисліть зсув у днях — частина 1100 XP
- Обчислення зсуву в днях — частина 2100 XP
- Показники когорти50 XP
- Утримання клієнтів50 XP
- Обчисліть коефіцієнт утримання з нуля100 XP
- Обчисліть середню ціну100 XP
- Візуалізація когортного аналізу50 XP
- Візуалізуйте метрику середньої кількості100 XP
2
Аналіз давності, частоти та грошової цінності
У цьому другому розділі ви познайомитеся з клієнтськими сегментами. Зокрема, ви розглянете давність, частоту та грошову цінність, створите сегменти клієнтів на основі цих показників і проаналізуєте результати.
3
Підготовка даних до кластеризації
Створивши кілька сегментів, ви захочете робити прогнози. Однак спершу потрібно опанувати практичні методи підготовки даних, щоб алгоритм кластеризації k-means виявив чітко розділені й осмислені сегменти.
4
Сегментація клієнтів за допомогою K-means
У фінальному розділі ви використаєте дані, які підготували в розділі 3, щоб виявити кластери клієнтів на основі їхньої давності, частоти та грошової цінності.
Сегментація клієнтів у Python
Курс
завершено
