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.
часть 1
Содержание
Содержание книги "Методы работы с маркетинговыми данными для решения задач цифрового маркетинга "
Отрывок из книги
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