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.

Introduction to cohort analysis

How many customers acquired?

Cohort analysis

Assign daily acquisition cohort

Calculate time offset in days - part 1

Calculate time offset in days - part 2

Cohort metrics

Customer retention

Calculate retention rate from scratch

Calculate average price

Visualizing cohort analysis

Visualize average quantity metric

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)-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

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

Grootste frequentiewaarde

Klantsegmentatie in Python

Praktische interactieve oefening