Data Science pour l'analyse marketing et commerciale -Python

Spécialisation-métier en data science(cas réels) pour venir en aide aux entreprises e-commerces et aux marketeurs.

2.36 (7 reviews)

Udemy

platform

Français

language

Data Science

What you will learn

CHAPITRE A: Analyse déscriptive des KPIs(Indicateurs Clés de Performance) pour le marketing, avec l'outil python

CHAPITE B: Modélisation prédictive de la valeur à vie Client, Développement er déploiement du modèle.

B-1-Analyse des commandes par mois: série chronologique des achats (ventes minimale, maximale, moyenne et totale, la fréquence et l'historique des achats).

B-2-Suite: Interprétation: qui achetète beaucoup, fréquemment, et à des intervalles périodiques d'achats très reduits ou éspacés...?

B-3-Analyse sur les achats et les clients réguliers: quels sont les clients qui effectuent plus qu'une commande ?

B-4-Visualisation: diagramme à barre sur le nombre de clients réguliers par quantité d'achats.

B-5-Suite: Interprétation: quel groupe de clients réguliers est majoritaire, et quel est le groupe de clients reguliers qui achètent beaucoup ?

B-6-Visualisation : Relation entre nombre de clients réguliers et fréquence d'achats:

B-7-Suite: interprétation: Les clients réguliers achetètent plus d'une fois par commande, mais reviennent-ils souvent ou rarement effectuer des achats ?

B-8-Préparation des donnée sur les ventes trimestrielles: régroupement trimestre des commandes par clients avec python.

B-9-Définition des données en features(les achats trimestiels) et en target (la valeur à vie client)

B-10-Importation des packages pour la modélisation

B-11-Séparation des données en données d'entraiement et d'évaluation du modèle.

B-12-Entraînement et évaluation du modèle, les maths derrière l'entrainement et l'évaluation d'un modèle de régression linéaires

B-13-Développement d' apply web prédictive simple avec Flask, CSS et HTML(vous n'allez pas tout coder mais just apprendre comment modifier un code existant ?)

B-14-Déploiement du modèle prédictif avec Github et Heroku, près à l'utilisation par l'entreprise qui vous embauche!

CHAPITRE C: ANALYSE DE PRODUTS ET TENDANCE CHRONOLOGIQUE DES CPMMANDES

C-1: Interaction temporelle Clients-Produits et visualisation de la tendance.

C-2:I Interaction temporelle Client-Entreprise et visualisation de la tendance.

CHAPITRE D: Système de recommandantion des bons produits pour les clients.

CHAPITRE E: SEGMENTATION DES CLIENTS : k-means, et recence-fréquence-monétaire.

CHAPITRE F: Prédiction de la probabilité d'engagement d'un client à la conversion de ce client grace à un algorithme d'arbre de décision

CHAPITRE G: A/B desting en stratégie marketing promotionnelle (t-test avec Python) : quelle stratégie promotionnelle est susceptible de conduire à un ROI élevé?

Data Science pour l'analyse marketing et commerciale -Python

What you will learn

CHAPITRE A: Analyse déscriptive des KPIs(Indicateurs Clés de Performance) pour le marketing, avec l'outil python

CHAPITE B: Modélisation prédictive de la valeur à vie Client, Développement er déploiement du modèle.

B-1-Analyse des commandes par mois: série chronologique des achats (ventes minimale, maximale, moyenne et totale, la fréquence et l'historique des achats).

B-2-Suite: Interprétation: qui achetète beaucoup, fréquemment, et à des intervalles périodiques d'achats très reduits ou éspacés...?

B-3-Analyse sur les achats et les clients réguliers: quels sont les clients qui effectuent plus qu'une commande ?

B-4-Visualisation: diagramme à barre sur le nombre de clients réguliers par quantité d'achats.

B-5-Suite: Interprétation: quel groupe de clients réguliers est majoritaire, et quel est le groupe de clients reguliers qui achètent beaucoup ?

B-6-Visualisation : Relation entre nombre de clients réguliers et fréquence d'achats:

B-7-Suite: interprétation: Les clients réguliers achetètent plus d'une fois par commande, mais reviennent-ils souvent ou rarement effectuer des achats ?

B-8-Préparation des donnée sur les ventes trimestrielles: régroupement trimestre des commandes par clients avec python.

B-9-Définition des données en features(les achats trimestiels) et en target (la valeur à vie client)

B-10-Importation des packages pour la modélisation

B-11-Séparation des données en données d'entraiement et d'évaluation du modèle.

B-12-Entraînement et évaluation du modèle, les maths derrière l'entrainement et l'évaluation d'un modèle de régression linéaires

B-13-Développement d' apply web prédictive simple avec Flask, CSS et HTML(vous n'allez pas tout coder mais just apprendre comment modifier un code existant ?)

B-14-Déploiement du modèle prédictif avec Github et Heroku, près à l'utilisation par l'entreprise qui vous embauche!

CHAPITRE C: ANALYSE DE PRODUTS ET TENDANCE CHRONOLOGIQUE DES CPMMANDES

C-1: Interaction temporelle Clients-Produits et visualisation de la tendance.

C-2:I Interaction temporelle Client-Entreprise et visualisation de la tendance.

CHAPITRE D: Système de recommandantion des bons produits pour les clients.

CHAPITRE E: SEGMENTATION DES CLIENTS : k-means, et recence-fréquence-monétaire.

CHAPITRE F: Prédiction de la probabilité d'engagement d'un client à la conversion de ce client grace à un algorithme d'arbre de décision

CHAPITRE G: A/B desting en stratégie marketing promotionnelle (t-test avec Python) : quelle stratégie promotionnelle est susceptible de conduire à un ROI élevé?

CHAPITRE H: Analyse de cohorte mensuelle ( clients actifs par mois et taux de rétention)

CHAPITRE I: PRÉDICTION DES DÉSABONNEMENTS DES CLIENTS.

CHAPITRE J: ANLYSE DU COMPORTEMENT D'ACHAT DES CLIENTS

CHAPITRE K : PRÉDIRE L'ENGAGEMENT CLIENT SUITE À UN APPELLE MARKETING OU D'OFFRE