In this first chapter, you will learn about cohorts and how to analyze them. You will create your own customer cohorts, get some metrics and visualize your results.

Introductie tot cohortanalyse

Hoeveel klanten verworven?

Cohortanalyse

Dagelijkse acquisitiecohort toekennen

Tijdsoffset in dagen berekenen - deel 1

Tijdoffset in dagen berekenen - deel 2

Cohortstatistieken

Klantretentie

Bereken de retentiegraad vanaf nul

Gemiddelde prijs berekenen

Cohortanalyse visualiseren

Gemiddelde aantal-kenmerk visualiseren

Cohort Analysis

In this second chapter, you will learn about customer segments. Specifically, you will get exposure to recency, frequency and monetary value, create customer segments based on these concepts, and analyze your results.

Recency, frequency, monetary (RFM) segmentation

Calculate spend quartiles (q=4)

Calculate recency deciles (q=4)

Calculating RFM metrics

Largest frequency value

Calculate RFM values

Building RFM segments

Calculate 3 groups for recency and frequency

Calculate RFM Score

Analyzing RFM table

Find average value for RFM score segment

Creating custom segments

Analyzing custom segments

Recency, Frequency, and Monetary Value Analysis

Once you created some segments, you want to make predictions. However, you first need to master practical data preparation methods to ensure your k-means clustering algorithm will uncover well-separated, sensible segments.

Data preprocessing

Assumptions of k-means

Calculate statistics of variables

Managing skewed variables

Detect skewed variables

Manage skewness

Centering and scaling data

Center and scale manually

Center and scale with StandardScaler()

Pre-processing pipeline

Visualize RFM distributions

Pre-process RFM data

Visualize the normalized variables

Data Preprocessing for Clustering

In this final chapter, you will use the data you pre-processed in Chapter 3 to identify customer clusters based on their recency, frequency, and monetary value.

Practical implementation of k-means clustering

Run k-means

Assign labels to raw data

Choosing the number of clusters

Calculate sum of squared errors

Plot sum of squared errors

Profile and interpret segments

Prepare data for the snake plot

Visualize snake plot

Calculate relative importance of each attribute

Plot relative importance heatmap

End-to-end segmentation solution

Pre-process data

Calculate and plot sum of squared errors

Build 4-cluster solution

Analyze the segments

Final thoughts

Customer Segmentation with K-means 

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

De meest succesvolle bedrijven van vandaag kennen hun klanten zo goed dat ze hun behoeften kunnen voorspellen. Data-analisten spelen een sleutelrol bij het ontsluiten van deze diepgaande inzichten en het segmenteren van klanten om ze beter te bedienen. In deze cursus leer je praktijkgerichte technieken voor klantsegmentatie en gedragsanalyse, met een echte gegevensset met geanonimiseerde klanttransacties van een online retailer. Je voert eerst cohortanalyse uit om klanttrends te begrijpen. Daarna leer je hoe je klantsegmenten bouwt die makkelijk te interpreteren zijn. Bovendien maak je de segmenten die je hebt gemaakt klaar voor Machine Learning. Tot slot maak je je segmenten krachtiger met k-means clustering, in slechts een paar regels code! Aan het einde van deze cursus kun je praktische technieken voor klantgedragsanalyse en segmentatie toepassen.

Supervised Learning with scikit-learn

Leer technieken om klantgegevens in Python te segmenteren, inclusief RFM-analyse en meer.

Klantsegmentatie in Python

Leer hoe je klanten kunt segmenteren in Python.

Marketinganalyse in Python

Klantretentie

Klantsegmentatie in Python

Praktische interactieve oefening