I det här första kapitlet lär du dig om kohorter och hur du analyserar dem. Du skapar egna kundkohorter, beräknar relevanta mätvärden och visualiserar dina resultat.

Introduktion till kohortanalys

Hur många kunder förvärvades?

Kohortanalys

Tilldela daglig anskaffningskohort

Beräkna tidsförskjutning i dagar – del 1

Beräkna tidsförskjutning i dagar – del 2

Kohortmätvärden

Kundretention

Beräkna retentionsgrad från grunden

Beräkna genomsnittspris

Visualisering av kohortanalys

Visualisera måttet för genomsnittlig kvantitet

I det här andra kapitlet lär du dig om kundsegment. Du får konkret erfarenhet av aktualitet, frekvens och monetärt värde, skapar kundsegment baserade på dessa begrepp och analyserar dina resultat.

Recency, frequency, monetary (RFM)-segmentering

Beräkna kvartiler för utgifter (q=4)

Beräkna recency-deciler (q=4)

Beräkna RFM-mätvärden

Högsta frekvensvärde

Beräkna RFM-värden

Bygga RFM-segment

Beräkna 3 grupper för recency och frequency

Beräkna RFM-poäng

Analysera RFM-tabellen

Hitta medelvärdet för ett RFM-poängsegment

Skapa egna segment

Analysera anpassade segment

Analys av aktualitet, frekvens och monetärt värde

När du har skapat dina segment vill du kunna göra förutsägelser. Först behöver du dock behärska praktiska metoder för dataförberedelse, så att din k-means-klustringalgoritm hittar välseparerade och meningsfulla segment.

Dataförbehandling

Antaganden för k-means

Beräkna statistik för variabler

Hantera skeva variabler

Identifiera skeva variabler

Hantera skevhet

Centrering och skalning av data

Centrera och skala manuellt

Centrera och skala med StandardScaler()

Pipeline för förbehandling

Visualisera RFM-fördelningar

Förbehandla RFM-data

Visualisera de normaliserade variablerna

Dataförbehandling för klustring

I det här avslutande kapitlet använder du de data du förbehandlade i kapitel 3 för att identifiera kundkluster baserade på aktualitet, frekvens och monetärt värde.

Praktisk implementering av k-means-klustring

Kör k-means

Tilldela etiketter till rådata

Välja antal kluster

Beräkna summan av kvadratfel

Plotta summan av kvadratfel

Analysera och tolka segment

Förbered data för ormdiagrammet

Visualisera snake plot

Beräkna den relativa vikten för varje attribut

Rita ett heatmap över relativ viktning

Komplett segmenteringslösning från start till mål

Förbehandla data

Beräkna och plotta summan av kvadratfel

Bygg en lösning med 4 kluster

Analysera segmenten

Avslutande tankar

Kundsegmentering med k-means

Chapter 4 datasets

Chapter 3 datasets

Chapter 1 datasets

Chapter 2 datasets

De mest framgångsrika företagen i dag är de som känner sina kunder så väl att de kan förutse deras behov. Dataanalytiker spelar en viktig roll i att ta fram djupgående insikter och segmentera kunderna för att bättre kunna tillgodose dem. I den här kursen lär du dig verkliga tekniker för kundsegmentering och beteendeanalys, med hjälp av ett riktigt dataset som innehåller anonymiserade kundtransaktioner från en näthandlare. Du börjar med kohortanalys för att förstå kundtrender. Sedan lär du dig att skapa lättolkade kundsegment. Utöver det förbereder du de segment du skapat och gör dem redo för maskininlärning. Slutligen förstärker du dina segment med k-means-klustring – på bara några få rader kod! När kursen är klar kan du tillämpa praktiska tekniker för kundbeteendeanalys och segmentering.

Supervised Learning with scikit-learn

Lär dig segmentera kunddata i Python: beteende, transaktioner, kohorter och RFM-analys.

Kundsegmentering i Python

Lär dig hur du segmenterar kunder i Python.

Marknadsanalys i Python

Antaganden för k-means

Kundsegmentering i Python

Interaktiv övning med praktiskt arbete