Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Modul 1
Bevezetés az adattudományba és alkalmazásai a marketingben
- Analitikai áttekintés: Analitikai típusok – előrejelző, előírási, következtető
- Analitika a marketingben
- Nagy adatok és különböző technológiák használata – bevezetés
Modul 2
Marketing a digitális világban
- Bevezetés a digitális marketingbe
- Online reklám – bevezetés
- Keresőmotor-optimálás (SEO) – Google esettanulmány
- Sociaal média marketing: tippek és titkok – Facebook és Twitter példája
Modul 3
Exploratory Data Analysis és statisztikai modellkészítés
- Adat megjelenítés és vizualizálás – üzleti adatok megértése hisztogram, kördiagram, oszlopdiagram és szórásdiagram segítségével – gyors következtetés – Python használata
- Alap statisztikai modellkészítés – trend, szezonális hatások, csoportosítás, osztályozás (csak alapok, különböző algoritmusok és használatuk, nem részletek) – Python kész kód
- Piaci kosáranalízis (MBA) – esettanulmány az asszociációs szabályok, támogatás, bizalom és emelkedés segítségével
Modul 4
Marketing analitika I
- Bevezetés a marketingfolyamatba – esettanulmány
- Adatok felhasználása a marketingstratégia javítására
- Márkaérték mérés – Snapple és márkaérték – márkahelyezés
- Szövegbányászat a marketingben – szövegbányászat alapjai – esettanulmány a sociaal média marketingben
Modul 5
Marketing analitika II
- Üzleti döntésekre vonatkozó Üzleti Életérték (CLV) kiszámítása – CLV esettanulmány
- Kockázat és hatás mérése kísérletekkel – esettanulmány
- Előrejelzett emelkedés kiszámítása
- Adattudomány az online reklámozásban – kattintási arány átalakítása, weboldal-analitika
Modul 6
Regreszió alapjai
- A regreszió leleplezése és alap statisztika (nem túl sok matematikai részlet)
- Regreszió eredményeinek értelmezése – esettanulmány Python használatával
- Log-log modell megértése – esettanulmány Python használatával
- Marketing mix modellek – esettanulmány Python használatával
Modul 7
Osztályozás és csoportosítás
- Osztályozás és csoportosítás alapjai – használat; algoritmusok említése
- Az eredmények értelmezése – Python programokkal és kimenetekkel
- Üzleti célcsoportok meghatározása osztályozás és csoportosítás segítségével – esettanulmány
- Üzleti stratégia javítása – példa az e-mail marketingre és akciókra
- Nagy adatok technológiáinak szükségessége az osztályozás és csoportosításban
Modul 8
Idősoranalízis
- Trend és szezonális hatások – Python alapú esettanulmány – vizualizációk
- Különböző idősor technikák – AR és MA
- Idősor modellek – ARMA, ARIMA, ARIMAX (használat és példák Pythonnal) – esettanulmány
- Idősor előrejelzés marketingkampányra
Modul 9
Ajánló motor
- Személyre szabás és üzleti stratégia
- Különböző személyre szabott ajánlások típusai – együttműködő és tartalom alapú
- Ajánló motorhoz használt különböző algoritmusok – felhasználó alapú, tárgy alapú, hibrid és mátrix faktorisálás (csak említés és használat az algoritmusokkal, nélkül matematikai részletek)
- Ajánlómértékek növekedő bevétellel – részletes esettanulmány
Modul 10
Eladások maximalizálása adattudomány segítségével
- Optimalizálási technika alapjai és használata
- Készletoptimalizálás – esettanulmány
- Bevétel-növekedés (ROI) növelése adattudomány segítségével
- Lean analitika – startup gyorsítás
Modul 11
Adattudomány az árazásban és promócióban I
- Árazás – a profitábilis növekedés tudománya
- Keresletelőrejelzési technikák – modell és a kereslet-árgörbe struktúra becslése
- Árazási döntések – Árazási döntések optimalizálása – esettanulmány Python használatával
- Promóció analitika – alapértékek kiszámítása és kereskedelmi promóció modell
- Promóció jobb stratégiákra használata – eladási modell specifikáció – szorzómodell
Modul 12
Adattudomány az árazásban és promócióban II
- Bevételkezelés – hanyatló erőforrások kezelése több piaci szegmenssel
- Termékcsomagolás – gyors és lassú eladási termékek – esettanulmány Pythonnal
- Élettartamú termékek és szolgáltatások árazása – Légi- és szállodai árak – stokasztikus modellek említése
- Promóció mértékek – hagyományos és sociais
Követelmények
Nincs szükség különleges előfeltételekre, hogy részt vehessen ezen a kurzuson.
21 Órák
Vélemények (5)
nagyon interaktív...
Richard Langford
Kurzus - SMACK Stack for Data Science
Gépi fordítás
Younes egy kiváló képző. Mindig szívesen segít, és rendkívül türelmes. Öt csillagot adnék neki. Ezen felül a QLIK sense képzés is kitűnő volt, mivel egy jeles tanár vezetette.
Dietmar Glanninger - BMW
Kurzus - Qlik Sense for Data Science
Gépi fordítás
A képző tanár segítőkész volt, és valójában nagyon ösztönöző hatású volt arra, hogy felvegyem a kurzust.
Grace Goh - DBS Bank Ltd
Kurzus - Python in Data Science
Gépi fordítás
Témavezetés ismeretek időpontja
Aly Saleh - FAB banak Egypt
Kurzus - Introduction to Data Science and AI (using Python)
Gépi fordítás
Örülök, hogy a tanfolyamot személyre szabták azokra a kulcsfontosságú területekre, amelyeket a tanfolyam előtti kérdőíven kijelöltem. Ez nagyon segít abban, hogy feloldjam a témával kapcsolatos kérdéseimet és összehangoljam őket tanulási céllaimmal.
Winnie Chan - Statistics Canada
Kurzus - Jupyter for Data Science Teams
Gépi fordítás
