In diesem ersten Kapitel lernst du, was Kohorten sind und wie du sie analysierst. Du erstellst eigene Kundenkohorten, berechnest Kennzahlen und visualisierst deine Ergebnisse.

Einführung in die Kohortenanalyse

Wie viele Kundinnen und Kunden wurden gewonnen?

Cohortenanalyse

Tägliche Acquisition Cohort zuweisen

Zeitversatz in Tagen berechnen – Teil 1

Zeitversatz in Tagen berechnen – Teil 2

Kohortenmetriken

Kundenbindung

Berechne die Retentionsrate from scratch

Durchschnittspreis berechnen

Cohort-Analyse visualisieren

Durchschnittliche Mengenmetrik visualisieren

Kohortenanalyse

Im zweiten Kapitel geht es um Kundensegmente. Du lernst insbesondere Recency, Frequency und Monetary Value kennen, bildest darauf basierend Kundensegmente und analysierst deine Ergebnisse.

Recency‑, Frequency‑, Monetary‑ (RFM) Segmentierung

Ausgaben-Quartile berechnen (q=4)

Berechne Recency-Dezile (q=4)

RFM-Metriken berechnen

Größter Frequency-Wert

RFM-Werte berechnen

RFM-Segmente erstellen

Berechne 3 Gruppen für Recency und Frequency

RFM-Score berechnen

RFM-Tabelle analysieren

Durchschnittswert für RFM-Score-Segment finden

Eigene Segmente erstellen

Eigene Segmente analysieren

Analyse von Recency, Frequency und Monetary Value

Nachdem du einige Segmente erstellt hast, willst du Vorhersagen treffen. Dafür brauchst du jedoch zunächst praxisnahe Methoden der Datenvorbereitung, damit dein k-means-Clustering klar getrennte, sinnvolle Segmente findet.

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

Datenvorverarbeitung für Clustering

Im letzten Kapitel nutzt du die in Kapitel 3 vorverarbeiteten Daten, um Kundengruppen anhand ihrer Recency, Frequency und ihres Monetary Value zu identifizieren.

Praktische Umsetzung des K-Means-Clustering

K-means ausführen

Labels den Rohdaten zuweisen

Die Anzahl der Cluster wählen

Summe der quadrierten Fehler berechnen

Summe der quadrierten Fehler plotten

Segmente profilieren und interpretieren

Daten für den Snake Plot vorbereiten

Snake-Plot visualisieren

Relative Wichtigkeit jedes Attributs berechnen

Heatmap der relativen Wichtigkeit plotten

End-to-End-Segmentierungslösung

Daten vorverarbeiten

Summe der quadrierten Fehler berechnen und plotten

4-Cluster-Lösung erstellen

Analysiere die Segmente

Abschließende Gedanken

Kundensegmentierung mit 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

Größter Frequency-Wert

Kundensegmentierung in Python

Interaktive Übung