Интерактивный курс
Машинное обучение в маркетинге
От LTV клиента, прогнозирование оттока и до сегментации — изучайте и реализуйте примеры использования машинного обучения для маркетинга в Python.
О курсе
Развитие машинного обучения и применение статистических методов к маркетингу изменили сферу навсегда. Машинное обучение используется для оптимизации взаимодействия с клиентами, что увеличивает их удовлетворенность продуктом и LTV. Этот курс даст вам фундаментальные инструменты, которые вы можете сразу применить для улучшения маркетинговой стратегии вашей компании. Вы узнаете, как использовать различные методы прогнозирования оттока клиентов и определять причины, которые к этому приводят, измерять и прогнозировать LTV клиентов и, наконец, сегментировать клиентов на основе моделей покупки. Вы будете использовать данные клиентов из телекоммуникационной компании для прогнозирования оттока, создания набора данных по частотно-денежным расходам от интернет-ритейлера для прогнозирования LTV клиентов и сегментировать клиентов на основе данных о покупках из продуктового магазина.План занятий
Машинное обучение для основ маркетинга
В этой главе вы изучите основы методов машинного обучения, используемых в маркетинге. Вы узнаете о различных типах машинного обучения, этапах подготовки данных и будете запускать несколько моделей от конца до конца, чтобы понять их возможности.
Разделение данных на обучение и тестирование
Прогнозирование оттока с древом решений
Подготовка к моделированию
Исследование данных
Определение примеров контролируемого обучения
Кодирование категориальных и масштабных числовых переменных
Отдельные числовые и категориальные столбцы
Этапы моделирования машинного обучения
Зачем использовать машинное обучение для маркетинга? Стратегии и варианты использования
Контролируемое и неконтролируемое обучение
Подбор древа решений
Прогнозирование стоимости жизни клиентов (CLV)
В этой главе вы узнаете основы CLV и его различные методологии расчета. Вы будете использовать эти знания для создания функций покупки на уровне клиента, чтобы прогнозировать транзакции в следующем месяце с помощью линейной регрессии.
Разделение данных на обучение и тестирование
Рассчет базового CLV
Расчет детализированного CLV
Измерение соответствие модели
Создание таблиц удержания и оттока клиентов
Основы значения стоимости жизни клиента (CLV)
Прогнозирование оплат клиентов
Вычисление обычного CLV
Определение целевой переменной
Подготовка данных для прогнозирования покупок
Изучение коэффициентов модели
Расчет и проектирование CLV
Построение функций
Прогнозирование транзакций в следующем месяце
Изучение удержания и оттока
Прогнозирование оттока и поиск причин
В этой главе вы изучите основы прогнозирования оттока клиентов, а затем подберете модели логистической регрессии и дерева решений для прогнозирования оттока. Наконец, вы изучите результаты и получите представление о том, что является причиной оттока клиентов.
Изучение коэффициентов логистической регрессии
Помещение логистической регрессионной модели
Основы прогнозирования оттока клиентов
Помещение модели древа решений
Определение оптимальной глубины древа решений
Определение и интерпретация причин оттока
Разделение объектов и целевые переменные
Изучение скорости оттока клиентов и разделение данных
Прогнозирование оттока с логистической регрессией
Помещение логистической регрессии с L1 регуляризацией
Определение оптимального штрафного коэффициента L1
Разбор правил древа решений
Прогнозирование оттока с древами решений
Сегментация клиентов
В последней главе вы познакомитесь с сегментацией клиентов на основе истории покупок. Вы изучите две различные модели, которые дают представление о моделях закупок клиентов и сгруппировать их в хорошо разделенные и интерпретируемые сегменты клиентов.