Startseite
Kurse
Machine Learning für Marketing-Analytics in R

Die richtige Anzahl an Hauptkomponenten wählen

Diese Übung ist Teil des Kurses

<Kurs>Machine Learning für Marketing-Analytics in R</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Wie kannst du entscheiden, welche Kundinnen und Kunden am wertvollsten für dein Unternehmen sind? Lerne, den Customer Lifetime Value mit linearer Regression zu modellieren.

Exercise 1: Customer Lifetime Value im CRM Exercise 2: Vorteile, den CLV zu kennen Exercise 3: Daten ansehen Exercise 4: Einfache lineare Regression Exercise 5: Residuen verstehen Exercise 6: Einfache lineare Regression schätzen Exercise 7: Multiple lineare Regression Exercise 8: Multikollinearität vermeiden Exercise 9: Interpretation von Koeffizienten Exercise 10: Modellvalidierung, Modellgüte und Vorhersage Exercise 11: Modellgüte interpretieren Exercise 12: Zukünftige Umsatzvorhersagen

Vorherzusagen, ob ein Kunde dein Unternehmen verlassen wird (Churn), ist wichtig, um wertvolle Kundinnen und Kunden gezielt anzusprechen und gefährdete zu halten. Lerne, Customer Churn mit logistischer Regression zu modellieren.

Exercise 1: Churn-Prävention im Online-Marketing Exercise 2: Anwendung: Churn Prevention Exercise 3: Daten erkunden Exercise 4: Besonderheiten der abhängigen Variable Exercise 5: Modellierung und Modellauswahl Exercise 6: Modellspezifikation und -schätzung Exercise 7: Statistische Signifikanz Exercise 8: Modellspezifikation Exercise 9: Modellanpassung im Sample und Schwellenwertsetzung Exercise 10: In-Sample-Fit: Vollständiges Modell Exercise 11: In-Sample-Fit: Restriktiertes Modell Exercise 12: Den optimalen Schwellenwert finden Exercise 13: Gefahr von Overfitting Exercise 14: Out-of-Sample-Validierung und Kreuzvalidierung Exercise 15: Beurteilung der Modellgüte out-of-sample Exercise 16: Cross-Validation

Lerne, die Zeit bis zu einem Ereignis mit Survival-Analyse zu modellieren. Das kann die Zeit bis zur nächsten Bestellung sein – oder bis eine Person churnt.

Exercise 1: Überlebenanalyse: Einführung Exercise 2: Anwendungsfälle der Survival-Analyse Exercise 3: Daten für die Survival-Analyse Exercise 4: Merkmale der Survival-Analyse Exercise 5: Analyse der Überlebenskurve mit Kaplan-Meier Exercise 6: Survival-Funktion, Hazard-Funktion und Hazard-Rate Exercise 7: Das Survival-Objekt Exercise 8: Kaplan-Meier-Analyse Exercise 9: Cox-PH-Modell mit konstanten Kovariaten Exercise 10: Proportional-Hazard-Annahme Exercise 11: Cox-Proportional-Hazards-Modell Exercise 12: Interpretation von Koeffizienten Exercise 13: Modellannahmen prüfen und Vorhersagen treffen Exercise 14: Verletzung der PH-Annahme Exercise 15: Modellannahmen Exercise 16: Vorhersagen

CRM-Daten können sehr umfangreich sein. Jede von dir erhobene Kennzahl kann interessante Informationen über deine Kundschaft enthalten. Aber mit einem Datensatz mit zu vielen Variablen umzugehen, ist schwierig. Lerne, die Anzahl der Variablen in deinen Daten mit der Hauptkomponentenanalyse zu reduzieren. Das hilft nicht nur, deine Daten besser zu verstehen. PCA ermöglicht es dir außerdem, Informationen zu einzelnen Indizes zu verdichten und Multikollinearität in einer Regressionsanalyse mit vielen stark korrelierten Variablen zu lösen.

Exercise 1: PCA für CRM-Daten Exercise 2: Ziele von PCA Exercise 3: Lerne die Daten kennen Exercise 4: Die Korrelationsstruktur untersuchen Exercise 5: PCA-Berechnung Exercise 6: Standardisierung von Daten Exercise 7: Eine PCA berechnen Exercise 8: Das Ergebnisobjekt einer PCA Exercise 9: Die richtige Anzahl an Hauptkomponenten wählen

Aktuelle Übung

Exercise 10: Wie viele Komponenten sind relevant?Exercise 11: Interpretation von Komponenten Exercise 12: Visualisierung mit einem Biplot Exercise 13: Hauptkomponenten in einer Regressionsanalyse Exercise 14: Regressionsanalyse mit vielen Variablen Exercise 15: Lineare Regression mit Hauptkomponenten Exercise 16: Abschluss