Машинное обучение в маркетинге с помощью Python
Развитие машинного обучения и применение статистических методов изменили маркетинг. На этом курсе вы познакомитесь с базовыми инструментами, которые сможете применить для улучшения маркетинговой стратегии вашей компании.
Преподаватель
Михаил Омельченко
Программист с многолетним опытом. Пишу на Python, Javascript, Typescript и руковожу командами разработчиков. Основатель youtube канал Django School. Стал ментором для десятков учеников и разработал платформу colabteam.dev
5часов
16видео
36упражнений
4400опыта
Описание курсаУзнаете, как прогнозировать отток клиентов и интерпретировать его факторы, измерять ценность клиентов на основе моделей их потребительского поведения. Вы будете использовать данные телекоммуникационной компании для прогнозирования оттока клиентов, проведете RFM-анализ и сегментацию клиентов по их продуктовой корзине.
1. Основы машинного обучения для маркетинга
В этой главе вы изучите основные методы машинного обучения, используемые в маркетинге. Узнаете об этапах подготовки данных и обучите несколько моделей, чтобы понять их возможности.
Зачем использовать машинное обучение в маркетинге?
50
Выявление примеров обучения с учителем
100
Обучение с учителем и без учителя
100
Подготовка к созданию модели
50
Анализ данных
100
Разделение числовых и категориальных столбцов
100
Кодирование категориальных и масштабирование числовых переменных
100
Этапы создания модели
50
Разделение данных на обучающую и тестовую выборки
100
Подгонка дерева решений
100
Прогнозирование оттока клиентов с помощью дерева решений
100
2. Прогнозирование и факторы оттока клиентов
В этой части вы узнаете об основах прогнозирования оттока клиентов, затем подгоните модели логистической регрессии и дерева решений. Изучите результаты и получите представление о факторах, влияющих на поведение клиентов.
Подготовка к прогнозированию оттока клиентов
50
Показатель оттока клиентов и разделение данных
100
Признаки и целевая переменная
100
Логистическая регрессия
50
Подгонка логистической регрессии
100
Подгонка логистической регрессии с L1-регуляризацией
100
Определение коэффициента L1-штрафа
100
Деревья решений
50
Подгонка дерева решений
100
Определение оптимальной глубины дерева
100
Выявление и интерпретация факторов оттока клиентов
50
Анализ коэффициентов логистической регрессии
100
3. Прогноз пожизненной ценности клиента (CLV)
В этой части вы познакомитесь с таким понятием, как пожизненная ценность клиента (CLV) и различными методиками его расчета. Используя эти знания, вы определите характеристики покупок клиента для прогнозирования доходов с помощью линейной регрессии.Основы CLV
50
Удержание и отток клиентов
100
Анализ показателей удержания и оттока клиентов
100
Расчет и прогнозирование CLV
50
Базовый расчет CLV
100
Детальный расчет CLV
100
Традиционный расчет CLV
100
Подготовка данных для прогнозирования покупок
50
Построение признаков
100
Определение целевой переменной
100
Разделение данных на обучающую и тестовую выборки
100
Прогнозирование покупок клиентов
50
Прогнозирование покупок в следующем месяце
100
Оценка эффективности модели
100
Изучение коэффициентов модели
100
4. Сегментация клиентов
В этой заключительной части курса мы рассмотрим сегментацию клиентов на основе их покупок. Вы изучите две модели, которые помогают понять характер покупок и сгруппировать их в хорошо интерпретируемые сегменты клиентов.
Основы сегментации клиентов
50
Анализ покупок клиентов
100
Различия переменных
100
Подготовка данных для сегментации
50
Устранение перекоса распределения
100
Нормализация переменных
100
Сегментации клиентов
50
Определение оптимального числа кластеров
100
Сегментация с помощью метода k-средних
100
Сегментация с помощью NMF
100
Визуализация и интерпретация результатов сегментации
50
Средние значения сегментации методом k-средних
100
Средние значения сегментации NMF
100
Поздравляем!
50
