In questo primo capitolo scoprirai cosa sono le coorti e come analizzarle. Creerai le tue coorti di clienti, calcolerai alcune metriche e visualizzerai i risultati.

Introduzione all'analisi per coorti

Quanti clienti acquisiti?

Analisi delle coorti

Assegna la coorte di acquisizione giornaliera

Calcolare lo scostamento temporale in giorni - parte 1

Calcola lo scostamento temporale in giorni - parte 2

Metriche di coorte

Customer retention

Calcola il tasso di retention da zero

Calcola il prezzo medio

Visualizzare l'analisi per coorti

Visualizza la metrica della quantità media

Analisi di coorte

In questo secondo capitolo parleremo dei segmenti di clienti. In particolare, conoscerai recency, frequency e monetary value, creerai segmenti basati su questi concetti e analizzerai i risultati.

Segmentazione RFM (Recency, Frequency, Monetary)

Calcola i quartili di spesa (q=4)

Calcolare i decili di recency (q=4)

Calcolare le metriche RFM

Valore di frequenza più alto

Calcola i valori RFM

Creare i segmenti RFM

Calcola 3 gruppi per recency e frequency

Calcola il punteggio RFM

Analizzare la tabella RFM

Trova il valore medio per il segmento con punteggio RFM

Creare segmenti personalizzati

Analisi di segmenti personalizzati

Analisi di Recency, Frequency e Monetary Value

Dopo aver creato alcuni segmenti, vorrai fare previsioni. Tuttavia, prima devi padroneggiare metodi pratici di preparazione dei dati per assicurarti che il tuo algoritmo di clustering k-means individui segmenti ben separati e sensati.

Preprocessing dei dati

Assunzioni del k-means

Calcola le statistiche delle variabili

Gestire le variabili asimmetriche

Individua le variabili asimmetriche

Gestire l'asimmetria

Centralizzare e scalare i dati

Centrare e scalare manualmente

Centra e ridimensiona con StandardScaler()

Pipeline di pre-processing

Visualizzare le distribuzioni RFM

Pre-elabora i dati RFM

Visualizza le variabili normalizzate

Preprocessing dei dati per il clustering

In questo capitolo finale userai i dati pre-processati nel Capitolo 3 per identificare gruppi di clienti in base a recency, frequency e monetary value.

Implementazione pratica del clustering k-means

Esegui k-means

Assegna etichette ai dati grezzi

Scegliere il numero di cluster

Calcolare la somma degli errori al quadrato

Grafica la somma degli errori al quadrato

Profila e interpreta i segmenti

Prepara i dati per lo snake plot

Visualizza lo snake plot

Calcola l'importanza relativa di ciascun attributo

Traccia la heatmap dell'importanza relativa

Soluzione di segmentazione end-to-end

Pre-elabora i dati

Calcola e traccia la somma degli errori quadratici

Crea una soluzione a 4 cluster

Analizza i segmenti

Considerazioni finali

Customer Segmentation con k-means 

Chapter 4 datasets

Chapter 3 datasets

Chapter 1 datasets

Chapter 2 datasets

Le aziende di maggior successo oggi sono quelle che conoscono così bene i propri clienti da anticiparne i bisogni. I data analyst hanno un ruolo chiave nello sbloccare queste analisi approfondite e nel segmentare i clienti per servirli meglio. In questo corso imparerai tecniche reali di customer segmentation e behavioral analytics, usando un vero insieme di dati con transazioni anonimizzate di un retailer online. Per iniziare, eseguirai un’analisi di coorte per capire le tendenze dei clienti. Poi imparerai a creare segmenti di clienti facili da interpretare. Inoltre, preparerai i segmenti creati per renderli pronti per il Machine Learning. Infine, potenzierai i tuoi segmenti con il clustering k-means, in poche righe di codice! Al termine del corso saprai applicare tecniche pratiche di behavioral analytics e segmentazione dei clienti.

Supervised Learning with scikit-learn

Impara a segmentare i dati clienti in Python: comportamento, transazioni, coorti e analisi RFM.

Customer Segmentation in Python

Analisi di marketing in Python

Assunzioni del k-means

Customer Segmentation in Python

esercizio interattivo pratico