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 (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
