تجزیه و تحلیل مشتریان پیش بینی کننده (2017)

مدرس Kumaran Ponnambalam

انتشار 2017/07/03

مدت زمان 1h 37m

سطح متوسط

فایل تمرینی دارد

آموزش Predictive Customer Analytics (2017)

از داده های بزرگ برای گفتن داستان مشتری خود با تجزیه و تحلیل پیش بینی کننده استفاده کنید. در این دوره آموزشی، می‌توانید در مورد چرخه زندگی مشتری و اینکه چگونه تجزیه و تحلیل پیش‌بینی‌کننده می‌تواند به بهبود هر مرحله از سفر مشتری کمک کند، بیاموزید.\n\n داده‌های تولید شده در داخل و خارج از کسب‌وکارتان و راه‌هایی را که می‌توان داده‌ها را در سازمانتان جمع‌آوری و جمع‌آوری کرد، کاوش کنید. سپس سه مورد استفاده را برای تجزیه و تحلیل پیش‌بینی‌کننده در هر مرحله از چرخه عمر مشتری، از جمله کسب، فروش، خدمات و حفظ مرور کنید. برای هر مرحله، شما همچنین یک راه حل تحلیلی پیش بینی در پایتون می سازید. در ویدئوهای پایانی، نویسنده کوماران پونامبالام بهترین شیوه‌ها را برای ایجاد فرآیند تحلیل مشتری از ابتدا معرفی می‌کند.

Big Data Predictive Analytics Python (Programming Language)

Introduction

Welcome ()

Expectations and course organization ()

Use the exercise files ()

1. Customer Analytics Overview

The importance of customer analytics ()

The customer life cycle ()

Apply analytics to the customer life cycle ()

Sources of customer data ()

The customer analytics process ()

Use case: Online computer store ()

2. Will You Become My Customer?

The customer acquisition process ()

Find high propensity prospects ()

Recommend the best channels for contact ()

Offer chat based on visitor propensity ()

Use case: Determine customer propensity ()

3. What Else Are You Interested In?

Upselling and cross-selling ()

Find items bought together ()

Create customer group preferences ()

User-item affinity and recommendations ()

Use case: Recommend items ()

4. How Much Is Your Future Business Worth?

Generate customer loyalty ()

Create customer value classes ()

Discover response patterns ()

Predict customer lifetime value (CLV) ()

Use case: Predict CLV ()

5. Are You Happy With Me?

Improve customer satisfaction ()

Predict intent of contact ()

Find unsatisfied customers ()

Group problem types ()

Use case: Group problem types ()

6. Will You Leave Me?

Prevent customer attrition ()

Predict customers who might leave ()

Find incentives ()

Discover customer attrition patterns ()

Use case: Customer patterns ()

7. Best Practices

Devise customer analytics processes ()

Choose the right data ()

Design data processing pipelines ()

Implement continuous improvement ()

Conclusion

Next steps ()

Ex_Files_Predictive_Customer_Analytics.zip (103 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش تجزیه و تحلیل مشتریان پیش بینی کننده (2017)

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Predictive Customer Analytics (2017) در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

در مفاهیم و مهارت های مورد نیاز برای تجزیه و تحلیل داده ها، از جمله آمار، پیش بینی مالی، داده کاوی، تجزیه و تحلیل پیش بینی کننده و متاآنالیز، پایه و اساس کاملی کسب کنید.

آموزش تجزیه و تحلیل مشتریان پیش بینی کننده (2017) ، ایستگاه شماره 7 در مسیر یادگیری یک متخصص تجزیه و تحلیل داده ها شوید ، است.