EmpezarEmpieza gratis

Inicio
Cursos
Machine Learning para analítica de marketing en R

Cierre

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Este ejercicio forma parte del curso

Machine Learning para analítica de marketing en R

IntermedioNivel de habilidad

4.9+

Empieza el curso gratis

¿Cómo decidir qué clientes aportan más valor a tu negocio? Aprende a modelar el valor de vida del cliente usando regresión lineal.

Exercise 1: Valor de vida del cliente en CRM Exercise 2: Beneficios de conocer el CLV Exercise 3: Explorando los datos Exercise 4: Regresión lineal simple Exercise 5: Entender los residuos Exercise 6: Estimating simple linear regression Exercise 7: Regresión lineal múltiple Exercise 8: Evitar la multicolinealidad Exercise 9: Interpretación de coeficientes Exercise 10: Validación del modelo, ajuste del modelo y predicción Exercise 11: Interpretación del ajuste del modelo Exercise 12: Predicciones futuras de ventas

Predecir si un cliente abandonará tu negocio, es decir, hará churn, es clave para dirigirte a clientes valiosos y retener a quienes están en riesgo. Aprende a modelar el churn de clientes usando regresión logística.

Exercise 1: Prevención del churn en marketing online Exercise 2: Aplicación de la prevención del churn Exercise 3: Exploración de datos Exercise 4: Particularidades de la variable dependiente Exercise 5: Modelado y selección de modelos Exercise 6: Especificación y estimación del modelo Exercise 7: Significación estadística Exercise 8: Especificación del modelo Exercise 9: Ajuste del modelo en muestra y umbrales Exercise 10: Ajuste dentro de la muestra: modelo completo Exercise 11: Ajuste dentro de la muestra: modelo restringido Exercise 12: Encontrar el umbral óptimo Exercise 13: Peligro de sobreajuste Exercise 14: Validación fuera de muestra y validación cruzada Exercise 15: Evaluar el ajuste del modelo fuera de muestra Exercise 16: Validación cruzada

Aprende a modelar el tiempo hasta un evento usando análisis de supervivencia. Puede ser el tiempo hasta el siguiente pedido o hasta que una persona haga churn.

Exercise 1: Análisis de supervivencia: introducción Exercise 2: Aplicaciones del análisis de supervivencia Exercise 3: Datos para análisis de supervivencia Exercise 4: Características del análisis de supervivencia Exercise 5: Análisis de la curva de supervivencia con Kaplan-Meier Exercise 6: Función de supervivencia, función de riesgo y tasa de riesgo Exercise 7: El objeto de supervivencia Exercise 8: Análisis de Kaplan-Meier Exercise 9: Modelo de Cox PH con covariables constantes Exercise 10: Suposición de riesgos proporcionales Exercise 11: Modelo de riesgos proporcionales de Cox Exercise 12: Interpretación de coeficientes Exercise 13: Comprobar supuestos del modelo y hacer predicciones Exercise 14: Incumplimiento del supuesto de riesgos proporcionales (PH)Exercise 15: Supuestos del modelo Exercise 16: Predicciones

Los datos de CRM pueden ser muy extensos. Cada métrica que recopilas puede aportar información interesante sobre tus clientes. Pero manejar un conjunto de datos con demasiadas variables es complicado. Aprende a reducir el número de variables de tus datos usando análisis de componentes principales. Esto no solo ayuda a comprender mejor tus datos. El ACP también te permite condensar información en índices únicos y resolver problemas de multicolinealidad en un análisis de regresión con muchas variables intercorrelacionadas.

Exercise 1: PCA para datos de CRM Exercise 2: Propósitos de PCA Exercise 3: Conociendo los datos Exercise 4: Explorar la estructura de correlación Exercise 5: Cálculo del PCA Exercise 6: Estandarización de los datos Exercise 7: Calcular un PCA Exercise 8: El objeto de resultados de un PCA Exercise 9: Elegir el número adecuado de componentes principales Exercise 10: ¿Cuántos componentes son relevantes?Exercise 11: Interpretación de componentes Exercise 12: Visualización con un biplot Exercise 13: Componentes principales en un análisis de regresión Exercise 14: Análisis de regresión con muchas variables Exercise 15: Regresión lineal con componentes principales Exercise 16: Cierre

Ejercicio actual