آموزش اصول و پایه‌های آنالیز بازاریابی (Marketing Analytics) - آخرین آپدیت

فصل 0 : مقدمه‌ای بر اصول و پایه‌های آنالیز بازاریابی Module 0 : Introduction to Foundation of Marketing Analytics

• مفاهیم و اصول آنالیز بازاریابی Foundations of Marketing Analytics

• راه‌اندازی محیط نرم‌افزاری و بررسی اولیه داده‌ها (بخش عملی) Setting up the environment and exploring the data (recital)

فصل 1 : بخش‌بندی آماری مشتریان Module 1 : Statistical segmentation

• مقدمه و آشنایی با مفاهیم بخش‌بندی Introduction

• بخش‌بندی سلسله‌مراتبی (Hierarchical Segmentation) Hierarchical segmentation

• انتخاب تعداد بخش‌های مناسب و بهینه Selecting the "right" number of segments

• متغیرهای بخش‌بندی مشتریان Segmentation variables

• تحلیل تازگی، تکرار و ارزش مالی خرید (مدل RFM) Recency, frequency, and monetary value

• محاسبه شاخص‌های RFM در زبان R (تمرین عملی ۱) Computing recency, frequency and monetary value with R (Recital 1)

• پیش‌پردازش و تبدیل داده‌ها (Data Transformation) Data transformation

• آماده‌سازی و تبدیل داده‌ها در R Studio (تمرین عملی ۲) Preparing and transforming your data in R (Recital 2)

• اجرای بخش‌بندی سلسله‌مراتبی در R (تمرین عملی ۳) Running a hierarchical segmentation in R (Recital 3)

فصل 2 : بخش‌بندی مدیریتی مشتریان Module 2 : Managerial segmentation

• محدودیت‌های بخش‌بندی آماری Limitations of statistical segmentation

• توسعه و طراحی بخش‌بندی مدیریتی Developing a managerial segmentation

• کدنویسی بخش‌بندی مدیریتی در R (تمرین عملی ۱) Coding a managerial segmentation in R (Recital 1)

• توصیف و تحلیل ویژگی‌های بخش‌ها Describing segments

• بخش‌بندی گذشته‌نگر پایگاه داده در R (تمرین عملی ۲) Segmenting a database retrospectively in R (Recital 2)

• بررسی ارتباط میان بخش‌ها و میزان درآمدزایی Segments and revenue generation

• آموزش کار با R (تمرین عملی ۳) R tutorial (Recital 3)

فصل 3 : مدل‌های هدف‌گذاری و امتیازدهی Module 3 : Targeting and scoring models

• آیا فروشگاه Target می‌تواند بارداری یک مشتری را پیش‌بینی کند؟ Can Target predict a customer is pregnant?

• نیازمندی‌های توسعه یک مدل امتیازدهی (Scoring Model) What you need to develop a scoring model

• داده‌های کالیبراسیون و مدل‌های آماری Calibration data and statistical model

• ساخت یک مدل پیش‌بینی در زبان R (تمرین عملی) Building a predictive model in R (Recital)

فصل 4 : ارزش طول عمر مشتری (CLV) Module 4 : Customer lifetime value

• ارزش طول عمر مشتری (CLV) چیست و چرا اهمیت دارد؟ What is customer lifetime value and why it matters

• احتمالات انتقال و ماتریس انتقال (Transition Matrix) Transition probabilities and transition matrix

• نحوه محاسبه ماتریس انتقال در R (تمرین عملی ۱) How to compute a transition matrix in R (Recital 1)

• استفاده از ماتریس انتقال برای تخمین رفتار آینده مشتریان Using the transition matrix to estimate how customers will evolve

• پیش‌بینی رفتار مشتریان با ماتریس انتقال در R (تمرین عملی ۲) Using the transition matrix to make predictions in R (Recital 2)

• تخصیص و تنزیل درآمدها Assigning and discounting revenue

• محاسبه ارزش طول عمر مشتری در R (تمرین عملی ۳) Computing customer lifetime value in R (Recital 3)