Kom igångKom igång gratis

Hem
Kurser
Maskininlärning för marknadsanalys i R

PCA för CRM-data

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.

Den här övningen är en del av kursen

Maskininlärning för marknadsanalys i R

SkillTag.level.intermediateSkillTag.label

4.9+

Starta kursen gratis

Hur avgör du vilka kunder som är mest värdefulla för ditt företag? Lär dig att modellera kundlivstidsvärde med hjälp av linjär regression.

Exercise 1: Kundlivstidsvärde i CRM Exercise 2: Fördelar med att känna till CLV Exercise 3: Utforska data Exercise 4: Enkel linjär regression Exercise 5: Förstå residualer Exercise 6: Skatta enkel linjär regression Exercise 7: Multipel linjär regression Exercise 8: Undvika multikollinearitet Exercise 9: Tolkning av koefficienter Exercise 10: Modellvalidering, modellpassning och prediktion Exercise 11: Tolkning av modellens anpassning Exercise 12: Framtida försäljningsförutsägelser

Att förutsäga om en kund kommer att lämna ditt företag – det vill säga churna – är viktigt för att kunna rikta insatser mot värdefulla kunder och behålla dem som är i riskzonen. Lär dig att modellera kundbortfall med logistisk regression.

Exercise 1: Churn prevention inom onlinemarknadsföring Exercise 2: Tillämpning av churn prevention Exercise 3: Datautforskning Exercise 4: Beroendевариabelns egenskaper Exercise 5: Modellering och modellval Exercise 6: Modellspecifikation och skattning Exercise 7: Statistisk signifikans Exercise 8: Modellspecifikation Exercise 9: Modellens anpassning och tröskelvärdessättning Exercise 10: Modellpassning för fullständig modell på träningsdata Exercise 11: Anpassning i urvalet – begränsad modell Exercise 12: Hitta det optimala tröskelvärdet Exercise 13: Risken med överanpassning Exercise 14: Validering på ny data och korsvalidering Exercise 15: Utvärdering av modellpassning utanför urvalet Exercise 16: Korsvalidering

Lär dig att modellera tid till en händelse med hjälp av överlevnadsanalys. Det kan till exempel handla om tid till nästa beställning eller tills en kund churnar.

Exercise 1: Introduktion till överlevnadsanalys Exercise 2: Tillämpningar av överlevnadsanalys Exercise 3: Data för överlevnadsanalys Exercise 4: Egenskaper hos överlevnadsanalys Exercise 5: Analys av överlevnadskurvor med Kaplan-Meier Exercise 6: Överlevnadsfunktion, hazardfunktion och hazardfrekvens Exercise 7: Överlevnadsobjektet Exercise 8: Kaplan-Meier-analys Exercise 9: Cox PH-modell med konstanta kovariater Exercise 10: Antagandet om proportionella hazarder Exercise 11: Cox proportional hazard-modell Exercise 12: Tolkning av koefficienter Exercise 13: Kontrollera modellantaganden och gör förutsägelser Exercise 14: Brott mot PH-antagandet Exercise 15: Modellantaganden Exercise 16: Prediktioner

CRM-data kan bli mycket omfattande. Varje mätvärde du samlar in kan bära på intressant information om dina kunder. Men att hantera en datamängd med alltför många variabler är svårt. Lär dig att minska antalet variabler i dina data med principalkomponentanalys. Det ger inte bara en bättre förståelse för datan – PCA gör det också möjligt att kondensera information till enskilda index och lösa multikollinearitetsproblem i regressionsanalys med många korrelerade variabler.

Exercise 1: PCA för CRM-data

Aktuell övning

Exercise 2: PCA:s användningsområden Exercise 3: Lär känna datamängden Exercise 4: Utforska korrelationsstrukturen Exercise 5: PCA-beräkning Exercise 6: Standardisering av data Exercise 7: Beräkna en PCA Exercise 8: Resultatobjektet från en PCA Exercise 9: Att välja rätt antal principalkomponenter Exercise 10: Hur många komponenter är relevanta?Exercise 11: Tolkning av komponenter Exercise 12: Visualisering med ett biplot Exercise 13: Principalkomponenter i en regressionsanalys Exercise 14: Regressionsanalys med många variabler Exercise 15: Linjär regression med principalkomponenter Exercise 16: Avslutning