Aan de slagBegin gratis

Home
Cursussen
Machine Learning for Marketing Analytics in R

Afsluiting

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.

Deze oefening maakt deel uit van de cursus

Machine Learning for Marketing Analytics in R

SkillTag.level.intermediateSkillTag.label

4.9+

Begin gratis met de cursus

Hoe bepaal je welke klanten het meest waardevol zijn voor je bedrijf? Leer hoe je de customer lifetime value modelleert met lineaire regressie.

Exercise 1: Customer lifetime value in CRM Exercise 2: Voordelen van het kennen van CLV Exercise 3: Naar data kijken Exercise 4: Eenvoudige lineaire regressie Exercise 5: Residuen begrijpen Exercise 6: Eenvoudige lineaire regressie schatten Exercise 7: Meervoudige lineaire regressie Exercise 8: Multicollineariteit vermijden Exercise 9: Interpretatie van coëfficiënten Exercise 10: Modelvalidatie, modelpassing en voorspelling Exercise 11: Interpretatie van model fit Exercise 12: Toekomstige verkoop voorspellen

Voorspellen of een klant je bedrijf zal verlaten (churn) is belangrijk om waardevolle klanten te targeten en risicoklanten te behouden. Leer hoe je klantchurn modelleert met logistische regressie.

Exercise 1: Churnpreventie in online marketing Exercise 2: Toepassing: churn prevention Exercise 3: Data verkennen Exercise 4: Eigenaardigheden van de afhankelijke variabele Exercise 5: Modelleren en modelselectie Exercise 6: Modelspecificatie en -schatting Exercise 7: Statistische significantie Exercise 8: Modelspecificatie Exercise 9: Modelpassing op de trainingsset en drempelbepaling Exercise 10: In-sample fit volledig model Exercise 11: In-sample fit beperkt model Exercise 12: De optimale drempelwaarde bepalen Exercise 13: Gevaar van overfitting Exercise 14: Validatie buiten de steekproef en cross-validatie Exercise 15: Out-of-sample model fit beoordelen Exercise 16: Cross-validation

Leer hoe je de tijd tot een gebeurtenis modelleert met survivalanalyse. Dit kan de tijd tot de volgende bestelling zijn, of tot iemand churnt.

Exercise 1: Survivalanalyse: introductie Exercise 2: Toepassingen van survivalanalyse Exercise 3: Data voor survivalanalyse Exercise 4: Kenmerken van survival-analyse Exercise 5: Overlevingscurve analyseren met Kaplan-Meier Exercise 6: Survivalfunctie, hazardfunctie en hazard rate Exercise 7: Het survival-object Exercise 8: Kaplan-Meier-analyse Exercise 9: Cox PH-model met constante covariaten Exercise 10: Proportional hazard-aanname Exercise 11: Cox Proportional Hazard-model Exercise 12: Interpretatie van coëfficiënten Exercise 13: Modelaannames controleren en voorspellingen maken Exercise 14: Schending van de PH-aanname Exercise 15: Modelaannames Exercise 16: Voorspellingen

CRM-data kan erg uitgebreid zijn. Elke metriek die je verzamelt kan interessante informatie over je klanten bevatten. Maar werken met een gegevensset met te veel variabelen is lastig. Leer hoe je het aantal variabelen in je data vermindert met principalecomponentenanalyse. Dit helpt niet alleen om je data beter te begrijpen. PCA maakt het ook mogelijk informatie samen te vatten tot enkele indices en multicollineariteit op te lossen in een regressieanalyse met veel onderling gecorreleerde variabelen.

Exercise 1: PCA voor CRM-gegevens Exercise 2: Doelen van PCA Exercise 3: De data leren kennen Exercise 4: De correlatiestructuur verkennen Exercise 5: PCA-berekening Exercise 6: Standaardisatie van data Exercise 7: Voer een PCA uit Exercise 8: Het resultaatobject van een PCA Exercise 9: Het juiste aantal hoofdcomponenten kiezen Exercise 10: Hoeveel componenten zijn relevant?Exercise 11: Interpretatie van componenten Exercise 12: Visualiseren met een biplot Exercise 13: Hoofdcomponenten in een regressieanalyse Exercise 14: Regressieanalyse met veel variabelen Exercise 15: Lineaire regressie met principale componenten Exercise 16: Afsluiting

Huidige oefening