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
1. modul
Bevezetés az adattudományba és alkalmazásai a marketingben
- Analitikai áttekintés: Az analitika típusai - Prediktív, preszkriptív, inferenciális
- Analitikai gyakorlat a marketingben
- Big Data és különböző technológiák használata - Bevezetés
2. modul
Marketing a digitális világban
- Bevezetés a digitális marketingbe
- Online reklámozás - Bevezetés
- Keresőoptimalizálás (SEO) – Google esettanulmány
- Közösségi média marketing: Tippek és titkok – Példa a Facebookra, Twitterre
3. modul
Exploratív adatelemzés és statisztikai modellezés
- Adatprezentáció és vizualizáció – Az üzleti adatok megértése hisztogram, kördiagram, oszlopdiagram, pontdiagram segítségével – Gyors következtetés – Python használatával
- Alapvető statisztikai modellezés – Trend, szezonalitás, klaszterezés, osztályozás (csak alapok, különböző algoritmusok és használat, részletek nélkül) – Kész kód Pythonban
- Piaci kosár elemzés (MBA) – Esettanulmány asszociációs szabályok, támogatás, bizalom, emelés segítségével
4. modul
Marketing analitika I
- Bevezetés a marketing folyamatba – Esettanulmány
- Adatok felhasználása a marketing stratégia javítására
- Márkaérték mérése, Snapple és márkaérték – Márkapozicionálás
- Szövegbányászat a marketingben – A szövegbányászat alapjai – Esettanulmány a közösségi média marketinghez
5. modul
Marketing analitika II
- Vevői életciklus érték (CLV) számítással – CLV esettanulmány üzleti döntésekhez
- Ok-okozati összefüggések mérése kísérletek segítségével – Esettanulmány
- Projekciózott emelkedés számítása
- Adattudomány az online reklámozásban – Kattintási arány, weboldal analitika
6. modul
Regresszió alapok
- Mit mutat a regresszió és alapvető statisztika (nincs sok matematikai részlet)
- Regressziós eredmények értelmezése – Esettanulmány Pythonnal
- Log-Log modellek megértése – Esettanulmány Pythonnal
- Marketing mix modellek – Esettanulmány Pythonnal
7. modul
Osztályozás és klaszterezés
- Az osztályozás és klaszterezés alapjai – Használat; Algoritmusok említése
- Az eredmények értelmezése – Python programok kimenetekkel
- Vevők célzása osztályozás és klaszterezés segítségével – Esettanulmány
- Üzleti stratégia javítása – Példa az e-mail marketingre, promóciókra
- Big Data technológiák szükségessége az osztályozásban és klaszterezésben
8. modul
Idősor elemzés
- Trend és szezonalitás – Python alapú esettanulmány – Vizualizációk
- Különböző idősor technikák – AR és MA
- Idősor modellek – ARMA, ARIMA, ARIMAX (Használat és példák Pythonnal) – Esettanulmány
- Idősor előrejelzés marketing kampányhoz
9. modul
Ajánló rendszer
- Personalizáció és üzleti stratégia
- Különböző típusú személyre szabott ajánlások – Együttműködés alapú, tartalom alapú
- Különböző algoritmusok az ajánló rendszerhez – Felhasználó vezérelt, tétel vezérelt, hibrid, mátrix faktorizáció (csak említés és használat, matematikai részletek nélkül)
- Ajánlási metrikák a növekvő bevételhez – Részletes esettanulmány
10. modul
Értékesítés maximalizálása adattudomány segítségével
- Optimalizálási technika alapjai és felhasználása
- Készlet optimalizálás – Esettanulmány
- ROI növelése adattudomány segítségével
- Lean Analytics – Startup gyorsító
11. modul
Adattudomány az árazásban és promócióban I
- Árazás – A nyereséges növekedés tudománya
- Igény előrejelzési technikák – Az ár-válasz igénygörbék szerkezetének modellezése és becslése
- Árazási döntés – Hogyan optimalizáljuk az árazási döntést – Esettanulmány Pythonnal
- Promóció analitika – Alapvonal számítás és kereskedelmi promóciós modell
- Promóció használata jobb stratégiahoz – Értékesítési modell specifikáció – Multiplikatív modell
12. modul
Adattudomány az árazásban és promócióban II
- Bevétel menedzsment – Hogyan kezeljük a romlandó erőforrásokat több piaci szegmenssel
- Termékcsomagolás – Gyorsan és lassan mozgó termékek – Esettanulmány Pythonnal
- Romlandó áruk és szolgáltatások árazása – Légitársaságok és szállodák árazása – Sztochasztikus modellek említése
- Promóciós metrikák – Hagyományos és közösségi
Követelmények
Nincsenek speciális követelmények a kurzus elvégzéséhez.
21 Órák
Vélemények (1)
A gyakorlati feladatok a tartalomhoz való kapcsolódáshoz nagy segítséget nyújtanak, hogy jobban megértsük minden témát. Ezenkívül az órát előadással kezdve, majd gyakorlati feladatokkal folytatva szintén jó és hasznos módja annak, hogy kapcsolatot teremtsek az korábban bemutatott anyaggal.
Nazeera Mohamad - Ministry of Science, Technology and Innovation
Kurzus - Introduction to Data Science and AI using Python
Gépi fordítás
