Mulai sekarangMulai gratis

Beranda
Kursus
Machine Learning untuk Analitik Pemasaran dengan R

Penutup

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.

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Analitik Pemasaran dengan R

SkillTag.level.intermediateSkillTag.label

4.9+

Mulai Kursus Gratis

Bagaimana Anda menentukan pelanggan mana yang paling bernilai bagi bisnis Anda? Pelajari cara memodelkan customer lifetime value menggunakan regresi linear.

Exercise 1: Nilai umur pelanggan dalam CRM Exercise 2: Manfaat mengetahui CLV Exercise 3: Meninjau data Exercise 4: Regresi linear sederhana Exercise 5: Memahami residual Exercise 6: Mengestimasi regresi linear sederhana Exercise 7: Regresi linear berganda Exercise 8: Menghindari multikolinearitas Exercise 9: Interpretasi koefisien Exercise 10: Validasi model, kecocokan model, dan prediksi Exercise 11: Interpretasi kecocokan model Exercise 12: Prediksi penjualan di masa depan

Memprediksi apakah seorang pelanggan akan meninggalkan bisnis Anda, atau churn, penting untuk menargetkan pelanggan bernilai dan mempertahankan mereka yang berisiko. Pelajari cara memodelkan churn pelanggan menggunakan regresi logistik.

Exercise 1: Pencegahan churn dalam pemasaran online Exercise 2: Penerapan pencegahan churn Exercise 3: Penelusuran data Exercise 4: Keunikan variabel dependen Exercise 5: Pemodelan dan pemilihan model Exercise 6: Spesifikasi dan estimasi model Exercise 7: Signifikansi statistik Exercise 8: Spesifikasi model Exercise 9: Kecocokan model in-sample dan penetapan ambang Exercise 10: Kecocokan in-sample model penuh Exercise 11: Kecocokan in-sample untuk model terbatas Exercise 12: Menemukan ambang optimal Exercise 13: Bahaya overfitting Exercise 14: Validasi out-of-sample dan cross validation Exercise 15: Menilai kecocokan model out-of-sample Exercise 16: Cross validation

Pelajari cara memodelkan waktu hingga suatu kejadian menggunakan analisis survival. Contohnya, waktu hingga pesanan berikutnya atau hingga seseorang melakukan churn.

Exercise 1: Survival analysis: pengantar Exercise 2: Aplikasi survival analysis Exercise 3: Data untuk survival analysis Exercise 4: Karakteristik analisis survival Exercise 5: Analisis kurva survival dengan Kaplan-Meier Exercise 6: Fungsi survival, fungsi hazard, dan hazard rate Exercise 7: Objek survival Exercise 8: Analisis Kaplan-Meier Exercise 9: Model Cox PH dengan kovariat konstan Exercise 10: Asumsi proportional hazard Exercise 11: Model Cox Proportional Hazard Exercise 12: Interpretasi koefisien Exercise 13: Memeriksa asumsi model dan membuat prediksi Exercise 14: Pelanggaran asumsi PH Exercise 15: Asumsi model Exercise 16: Prediksi

Data CRM dapat menjadi sangat luas. Setiap metrik yang Anda kumpulkan bisa memuat informasi menarik tentang pelanggan Anda. Namun, menangani himpunan data dengan terlalu banyak variabel itu sulit. Pelajari cara mengurangi jumlah variabel dalam data Anda menggunakan principal component analysis. Ini tidak hanya membantu meningkatkan pemahaman terhadap data Anda. PCA juga memungkinkan Anda memadatkan informasi menjadi indeks tunggal dan mengatasi masalah multikolinearitas dalam analisis regresi dengan banyak variabel yang saling berkorelasi.

Exercise 1: PCA untuk data CRM Exercise 2: Tujuan PCA Exercise 3: Mengenal data Exercise 4: Mengeksplorasi struktur korelasi Exercise 5: Perhitungan PCA Exercise 6: Standardisasi data Exercise 7: Hitung PCA Exercise 8: Objek hasil dari PCA Exercise 9: Memilih jumlah principal component yang tepat Exercise 10: Berapa banyak komponen yang relevan?Exercise 11: Interpretasi komponen Exercise 12: Visualisasi dengan biplot Exercise 13: Komponen utama dalam analisis regresi Exercise 14: Analisis regresi dengan banyak variabel Exercise 15: Regresi linear dengan principal component Exercise 16: Penutup

Latihan Saat Ini