Inizia subitoInizia gratis

Home
Corsi
Machine Learning per il Marketing Analytics in R

Chiusura

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.

Questo esercizio fa parte del corso

Machine Learning per il Marketing Analytics in R

IntermediárioNível de habilidade

4.9+

Inizia il corso gratuitamente

Come stabilire quali clienti sono più preziosi per il tuo business? Scopri come modellare il customer lifetime value usando la regressione lineare.

Exercise 1: Customer lifetime value nel CRM Exercise 2: Vantaggi del conoscere il CLV Exercise 3: Uno sguardo ai dati Exercise 4: Regressione lineare semplice Exercise 5: Capire i residui Exercise 6: Stima di una regressione lineare semplice Exercise 7: Regressione lineare multipla Exercise 8: Evitare la multicollinearità Exercise 9: Interpretazione dei coefficienti Exercise 10: Validazione del modello, bontà di adattamento e previsione Exercise 11: Interpretare la bontà di adattamento del modello Exercise 12: Previsioni future delle vendite

Prevedere se un cliente lascerà il tuo business, ossia andrà in churn, è fondamentale per mirare ai clienti di valore e trattenere chi è a rischio. Impara a modellare il churn dei clienti con la regressione logistica.

Exercise 1: Prevenzione del churn nel marketing online Exercise 2: Applicazione della prevenzione del churn Exercise 3: Esplorazione dei dati Exercise 4: Particolarità della variabile dipendente Exercise 5: Modellazione e selezione del modello Exercise 6: Specificazione ed estimazione del modello Exercise 7: Significatività statistica Exercise 8: Specificazione del modello Exercise 9: Adattamento del modello in-sample e scelta della soglia Exercise 10: Adattamento in-sample del modello completo Exercise 11: Adattamento in-sample modello ristretto Exercise 12: Trovare la soglia ottimale Exercise 13: Il pericolo dell'overfitting Exercise 14: Validazione out-of-sample e cross validation Exercise 15: Valutare l’aderenza del modello out-of-sample Exercise 16: Cross validation

Impara a modellare il tempo fino a un evento usando l’analisi di sopravvivenza. Può trattarsi del tempo fino al prossimo ordine o fino a quando una persona va in churn.

Exercise 1: Analisi di sopravvivenza: introduzione Exercise 2: Applicazioni della survival analysis Exercise 3: Dati per l'analisi di sopravvivenza Exercise 4: Caratteristiche dell’analisi di sopravvivenza Exercise 5: Analisi della curva di sopravvivenza con Kaplan-Meier Exercise 6: Funzione di sopravvivenza, funzione di rischio e tasso di rischio Exercise 7: L'oggetto di sopravvivenza Exercise 8: Analisi di Kaplan-Meier Exercise 9: Modello Cox PH con covariate costanti Exercise 10: Assunzione di rischi proporzionali Exercise 11: Modello di rischio proporzionale di Cox Exercise 12: Interpretazione dei coefficienti Exercise 13: Verificare le assunzioni del modello e fare previsioni Exercise 14: Violazione dell'assunzione di PH Exercise 15: Assunzioni del modello Exercise 16: Previsioni

I dati CRM possono essere molto estesi. Ogni metrica raccolta può contenere informazioni interessanti sui tuoi clienti. Ma gestire un insieme di dati con troppe variabili è difficile. Scopri come ridurre il numero di variabili nei tuoi dati con l’analisi delle componenti principali. Questo non solo aiuta a comprendere meglio i dati: la PCA consente anche di condensare le informazioni in singoli indici e di risolvere problemi di multicollinearità in una regressione con molte variabili tra loro correlate.

Exercise 1: PCA per i dati CRM Exercise 2: Obiettivi della PCA Exercise 3: Conosciamo i dati Exercise 4: Esplorare la struttura di correlazione Exercise 5: Calcolo della PCA Exercise 6: Standardizzazione dei dati Exercise 7: Calcola una PCA Exercise 8: L'oggetto risultato di una PCA Exercise 9: Scegliere il numero giusto di componenti principali Exercise 10: Quante componenti sono rilevanti?Exercise 11: Interpretazione delle componenti Exercise 12: Visualizzazione con un biplot Exercise 13: Componenti principali in un'analisi di regressione Exercise 14: Analisi di regressione con molte variabili Exercise 15: Regressione lineare con componenti principali Exercise 16: Chiusura

Esercizio attuale