Методы работы с маркетинговыми данными для решения задач цифрового маркетинга
Здесь можно купить книгу "Методы работы с маркетинговыми данными для решения задач цифрового маркетинга" в печатном или электронном виде. Также, Вы можете прочесть аннотацию, цитаты и содержание, ознакомиться и оставить отзывы (комментарии) об этой книге.
часть 1
Автор: Алексей Кисляков, Наталья Тихонюк
Форматы: PDF
Издательство: РАНХиГС, Владимирский филиал
Год: 2023
Место издания: Владимир
ISBN: 978-5-907389-66-3
Страниц: 105
Артикул: 116883
Возрастная маркировка: 16+
Краткая аннотация книги "Методы работы с маркетинговыми данными для решения задач цифрового маркетинга"
В учебно-методическом пособии изложены основные направления применения языка программирования Python для маркетинговых исследований и аналитики, предоставляющего расширенные возможности для подгонки статистических моделей. Экосистема математических и программных инструментов на языке Python включает в себя широкий спектр классических и перспективных статистических методов, а также методов визуализации. Описываются приемы вычислений с применением открытых библиотек математического и статистического моделирования на языке Python. Приводятся примеры и даются пояснения по выполнению типовых заданий.Предназначено для студентов, обучающихся по программам подготовки бакалавров, магистров по направлениям «Экономика», «Менеджмент», а также по специальности «Экономическая безопасность». Может быть использовано также аспирантами, слушателями профильных курсов повышения квалификации, преподавателями и специалистами-аналитиками, имеющими некоторый опыт программирования и желающими изучить Python.Печатается по решению ученого совета Владимирского филиала РАНХиГС.
Содержание книги "Методы работы с маркетинговыми данными для решения задач цифрового маркетинга "
Введение
Раздел 1. КОРРЕЛЯЦИОННЫЙ АНАЛИЗ И ОПИСАТЕЛЬНАЯ СТАТИСТИКА
1.1. Типовые направления использования корреляционного анализа
1.2. Набор исходных данных и ноутбук с примером
1.3. Описание последовательности шагов решения задачи
1.4. Описание алгоритма работы с данными. Изучение структуры данных и описательная статистика
1.5. Механизм визуализации данных
1.6. Описание алгоритма работы с данными с применением корреляционного анализа
Раздел 2. РЕГРЕССИОННЫЙ АНАЛИЗ. ОТБОР ФАКТОРОВ, ОПРЕДЕЛЯЮЩИХ РЕЗУЛЬТАТЫ НА ОСНОВЕ ЛИНЕЙНЫХ МОДЕЛЕЙ
2.1. Типовые направления использования регрессионного анализа
2.2. Набор исходных данных и ноутбук с примером
2.3. Описание последовательности шагов решения задачи
2.4. Описание алгоритма работы с данными. Изучение структуры данных и описательная статистика
2.5. Механизм визуализации данных
2.6. Описание алгоритма работы с данными с применением моделей линейной регрессии
Раздел 3. МЕТОДЫ ПОНИЖЕНИЯ РАЗМЕРНОСТИ ДАННЫХ
3.1. Типовые направления использования
3.2. Набор исходных данных и ноутбук с примером
3.3. Описание последовательности шагов решения задачи
3.4. Описание алгоритма работы с данными. Изучение структуры данных и описательная статистика
3.5. Описание алгоритма понижения размерности с применением анализа главных компонент. Механизм визуализации данных
3.6. Оценка качества работы алгоритма и выбор количества главных компонент
Раздел 4. КЛАСТЕРИЗАЦИЯ ДАННЫХ
4.1. Типовые направления использования кластерного анализа
4.2. Набор исходных данных и ноутбук с примером
4.3. Описание последовательности шагов решения задачи
4.4. Описание алгоритма работы с данными. Изучение структуры данных
4.5. Описание алгоритма работы с данными с применением кластерного анализа
4.6. Механизм визуализации данных
4.7. Дополнительный пример кластеризации на основе k-средних значений: k_means()
Список литературы
Все отзывы о книге Методы работы с маркетинговыми данными для решения задач цифрового маркетинга
Отрывок из книги Методы работы с маркетинговыми данными для решения задач цифрового маркетинга
11 иногда называемое параметром дисперсии, поскольку оно задает степень дисперсии в выборках, а p – вероятность единичного успеха, которая рассчитывается с использованием среднего значения: p = n / (n + среднее_значение). Среднее значение (mu) для отрицательного биномиального распределения в данном примере задается на уровне 15, т.е. дополнительно учитывеам 15 онлайн-посещений для клиентов, у которых есть рассылка по электронной почте ((cust_df.email == ’да’) * 15). Наконец, необходимо добавить или вычесть посещения из среднего значения в зависимости от возраста клиента относительно медианы выборки; считается, что клиенты моложе совершают больше онлайн-посещений. Затем вычисляется вероятность успеха p через переменную prob, используя mu и n. Чтобы увидеть, как это работает, достаточно запустить фрагменты приведенного выше кода на Python. Для каждого онлайн-посещения, которое совершает клиент, предполагается, что вероятность размещения заказа составляет 30% с использованием numpy.random.binomial() для создания переменной online_trans. Подразумевается, что суммы, потраченные в этих заказах (переменная online_spend), имеют логнормальное распределение: cust_df['online_trans'] = np.random.binomial(n=cust_df.online_visits, p=0.3,size=n_cust) cust_df['online_spend'] = (np.exp(np.random.normal(loc=3,scale=0.1, size=n_cust))* cust_df.online_trans) Случайное значение суммы, потраченной на транзакцию, сгенерированное с помощью numpy.exp(numpy.random.normal()), умножается на переменную для количества транзакций, чтобы получить общую сумму трат. Затем аналогичным образом генерируются данные о продажах в магазине, за исключением количества посещений онлайн-магазина без покупок. Предполагается, что транзакции следуют отрицательному биномиальному распределению с меньшим средним числом посещений для клиентов, которые живут...
другие книги автора
С книгой "Методы работы с маркетинговыми данными для решения задач цифрового маркетинга" читают
Внимание!
При обнаружении неточностей или ошибок в описании книги "Методы работы с маркетинговыми данными для решения задач цифрового маркетинга (автор Алексей Кисляков, Наталья Тихонюк)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!
и мы свяжемся с вами в течение 15 минут
за оставленную заявку