Pada bab pertama ini, Anda akan mempelajari tentang kohort dan cara menganalisisnya. Anda akan membuat kohort pelanggan Anda sendiri, memperoleh beberapa metrik, dan memvisualisasikan hasilnya.

Pengantar analisis kohort

Berapa banyak pelanggan yang diperoleh?

Analisis kohort

Tetapkan cohort akuisisi harian

Hitung selisih waktu dalam hari - bagian 1

Hitung offset waktu dalam hari - bagian 2

Metrik kohor

Retensi pelanggan

Hitung retention rate dari awal

Hitung harga rata-rata

Memvisualisasikan analisis kohort

Visualisasikan metrik kuantitas rata-rata

Analisis Kohort

Pada bab kedua ini, Anda akan mempelajari tentang segmen pelanggan. Secara khusus, Anda akan mengenal recency, frequency, dan monetary value; membuat segmen pelanggan berdasarkan konsep tersebut; dan menganalisis hasilnya.

Segmentasi recency, frequency, monetary (RFM)

Hitung kuartil pengeluaran (q=4)

Hitung desil recency (q=4)

Menghitung metrik RFM

Nilai frequency terbesar

Hitung nilai RFM

Membangun segmen RFM

Hitung 3 grup untuk recency dan frequency

Hitung Skor RFM

Menganalisis tabel RFM

Cari nilai rata-rata untuk segmen skor RFM

Membuat segmen kustom

Menganalisis segmen kustom

Analisis Recency, Frequency, dan Monetary Value

Setelah Anda membuat beberapa segmen, Anda ingin membuat prediksi. Namun, pertama-tama Anda perlu menguasai metode persiapan data yang praktis agar algoritma klastering k-means Anda dapat menemukan segmen yang terpisah dengan baik dan masuk akal.

Prapemrosesan data

Asumsi k-means

Hitung statistik variabel

Mengelola variabel yang condong

Deteksi variabel yang skewed

Mengelola kemencengan

Pemusatan dan penskalaan data

Melakukan centering dan scaling secara manual

Pusatkan dan skala dengan StandardScaler()

Pipeline prapemrosesan

Visualisasikan distribusi RFM

Pra-proses data RFM

Visualisasikan variabel yang dinormalisasi

Pra-pemrosesan Data untuk Klastering

Pada bab terakhir ini, Anda akan menggunakan data yang telah Anda pra-proses di Bab 3 untuk mengidentifikasi klaster pelanggan berdasarkan recency, frequency, dan monetary value mereka.

Implementasi praktis pengelompokan k-means

Jalankan k-means

Menetapkan label ke data mentah

Menentukan jumlah klaster

Hitung sum of squared errors

Plot jumlah galat kuadrat

Membuat profil dan menafsirkan segmen

Siapkan data untuk snake plot

Visualisasikan snake plot

Hitung pentingnya relatif untuk setiap atribut

Plot heatmap tingkat kepentingan relatif

Solusi segmentasi end-to-end

Pra-pemrosesan data

Hitung dan plot jumlah kuadrat galat

Bangun solusi 4 klaster

Analisis segmen

Pemikiran akhir

Segmentasi Pelanggan dengan K-means

Chapter 4 datasets

Chapter 3 datasets

Chapter 1 datasets

Chapter 2 datasets

Perusahaan paling sukses saat ini adalah yang sangat memahami pelanggan mereka sehingga dapat mengantisipasi kebutuhan mereka. Analis data berperan penting dalam membuka wawasan mendalam ini, serta membuat segmentasi pelanggan agar dapat melayani mereka dengan lebih baik. Dalam kursus ini, Anda akan mempelajari teknik dunia nyata untuk segmentasi pelanggan dan analitik perilaku, menggunakan himpunan data nyata berisi transaksi pelanggan yang dianonimkan dari sebuah peritel online. Anda akan memulai dengan analisis kohort untuk memahami tren pelanggan. Selanjutnya, Anda akan mempelajari cara membangun segmen pelanggan yang mudah diinterpretasikan. Selain itu, Anda akan menyiapkan segmen yang Anda buat agar siap untuk Machine Learning. Terakhir, Anda akan membuat segmen Anda lebih kuat dengan klastering k-means, hanya dengan beberapa baris kode! Di akhir kursus ini, Anda akan mampu menerapkan analitik perilaku pelanggan dan teknik segmentasi yang praktis.

Supervised Learning with scikit-learn

Pelajari teknik segmentasi data pelanggan di Python, termasuk data perilaku, transaksi, dan kohort.

Segmentasi Pelanggan dengan Python

Pelajari cara mengelompokkan pelanggan menggunakan Python.

Analisis Pemasaran dalam Python

Nilai frequency terbesar

Segmentasi Pelanggan dengan Python

Latihan interaktif langsung