In this first chapter, you will learn about cohorts and how to analyze them. You will create your own customer cohorts, get some metrics and visualize your results.

Introduction to cohort analysis

How many customers acquired?

Cohort analysis

Assign daily acquisition cohort

Calculate time offset in days - part 1

Calculate time offset in days - part 2

Cohort metrics

Customer retention

Calculate retention rate from scratch

Calculate average price

Visualizing cohort analysis

Visualize average quantity metric

Cohort Analysis

In this second chapter, you will learn about customer segments. Specifically, you will get exposure to recency, frequency and monetary value, create customer segments based on these concepts, and analyze your results.

Recency, frequency, monetary (RFM) segmentation

Calculate spend quartiles (q=4)

Calculate recency deciles (q=4)

Calculating RFM metrics

Largest frequency value

Calculate RFM values

Building RFM segments

Calculate 3 groups for recency and frequency

Calculate RFM Score

Analyzing RFM table

Find average value for RFM score segment

Creating custom segments

Analyzing custom segments

Recency, Frequency, and Monetary Value Analysis

Once you created some segments, you want to make predictions. However, you first need to master practical data preparation methods to ensure your k-means clustering algorithm will uncover well-separated, sensible segments.

Datenvorverarbeitung

Annahmen von k-means

Statistiken von Variablen berechnen

Umgang mit schief verteilten Variablen

Schiefe Variablen erkennen

Schiefe Verteilungen korrigieren

Daten zentrieren und skalieren

Manuell zentrieren und skalieren

Zentrieren und Skalieren mit StandardScaler()

Preprocessing-Pipeline

RFM-Verteilungen visualisieren

RFM-Daten vorverarbeiten

Normalisierte Variablen visualisieren

Data Preprocessing for Clustering

In this final chapter, you will use the data you pre-processed in Chapter 3 to identify customer clusters based on their recency, frequency, and monetary value.

Practical implementation of k-means clustering

Run k-means

Assign labels to raw data

Choosing the number of clusters

Calculate sum of squared errors

Plot sum of squared errors

Profile and interpret segments

Prepare data for the snake plot

Visualize snake plot

Calculate relative importance of each attribute

Plot relative importance heatmap

End-to-end segmentation solution

Pre-process data

Calculate and plot sum of squared errors

Build 4-cluster solution

Analyze the segments

Final thoughts

Customer Segmentation with K-means 

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

Die erfolgreichsten Unternehmen kennen ihre Kundschaft so gut, dass sie deren Bedürfnisse voraussagen können. Data Analysts spielen dabei eine Schlüsselrolle: Sie gewinnen tiefgehende Einblicke und segmentieren Kundinnen und Kunden, um sie besser zu bedienen. In diesem Kurs lernst du praxistaugliche Techniken zur Kundensegmentierung und Verhaltensanalyse kennen – anhand eines realen Datensatzes mit anonymisierten Transaktionen eines Online-Händlers. Zuerst führst du eine Kohortenanalyse durch, um Kundentrends zu verstehen. Danach lernst du, leicht interpretierbare Kundensegmente zu erstellen. Zusätzlich bereitest du die erstellten Segmente so auf, dass sie für Machine Learning geeignet sind. Abschließend machst du deine Segmente mit k-means-Clustering noch aussagekräftiger – in nur wenigen Zeilen Code! Am Ende dieses Kurses kannst du praktische Methoden der Kundenverhaltensanalyse und Segmentierung anwenden.

Supervised Learning with scikit-learn

Lerne, Kundendaten in Python zu segmentieren: Verhalten, Transaktionen, Kohorten und RFM-Analyse.

Kundensegmentierung in Python

Dieser Kurs liefert dir einen praxisnahen Einstieg in das Segmentieren von Kundendaten in Python.

Marketing-Analytik in Python

Annahmen von k-means

Interaktive praktische Übung