In dit eerste hoofdstuk leer je wat cohorts zijn en hoe je ze analyseert. Je maakt je eigen klantcohorts, haalt statistieken op en visualiseert je resultaten.

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

In dit tweede hoofdstuk leer je over klantsegmenten. Je maakt kennis met recency, frequency en monetary value, maakt klantsegmenten op basis van deze concepten en analyseert je resultaten.

Recency, frequency, monetary (RFM)-segmentatie

Bereken bestedingskwartielen (q=4)

Bereken recency-decielen (q=4)

RFM-metrics berekenen

Grootste frequentiewaarde

RFM-waarden berekenen

RFM-segmenten bouwen

Bereken 3 groepen voor recency en frequency

RFM-score berekenen

RFM-tabel analyseren

Gemiddelde waarde vinden voor RFM-scoresegment

Aangepaste segmenten maken

Aangepaste segmenten analyseren

Analyse van recency, frequency en monetary value

Zodra je segmenten hebt gemaakt, wil je voorspellingen doen. Eerst moet je echter praktische methoden voor datavoorbereiding beheersen om ervoor te zorgen dat je k-means clusteringalgoritme goed gescheiden, zinvolle segmenten vindt.

Gegevensvoorbewerking

Aannames van k-means

Statistieken van variabelen berekenen

Scheve variabelen beheren

Scheve variabelen opsporen

Scheefheid aanpakken

Data centreren en schalen

Handmatig centreren en schalen

Centreren en schalen met StandardScaler()

Preprocessingspipeline

RFM-verdelingen visualiseren

RFM-gegevens preprocessen

Visualiseer de genormaliseerde variabelen

Datavoorbewerking voor clustering

In dit laatste hoofdstuk gebruik je de gegevens die je in hoofdstuk 3 hebt voorbewerkt om klantclusters te identificeren op basis van hun recency, frequency en monetary value.

Praktische implementatie van k-means clustering

K-means uitvoeren

Labels toekennen aan ruwe data

Het aantal clusters kiezen

Som van kwadratische fouten berekenen

Som van kwadratische fouten plotten

Segmenten profileren en interpreteren

Data voorbereiden voor de snake-plot

Snake plot visualiseren

Bereken de relatieve belangrijkheid van elk attribuut

Heatmap met relatieve importantie plotten

End-to-end-segmentatieoplossing

Data pre-processen

Som van kwadratische fouten berekenen en plotten

Bouw een oplossing met 4 clusters

Analyseer de segmenten

Tot slot

Klantsegmentatie met 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

Grootste frequentiewaarde

Klantsegmentatie in Python

Interactieve oefening met praktijkervaring