Kursplan

Modul 1

Introduktion till Data Science och applikationer i Marketing

  • Analysöversikt: Typ av analys - Predictive, Prescriptive, Inferential
  • Analysövningar i Marketing
  • Användning av Big Data och olika teknologier - Introduktion

Modul 2

Marketing i en digital värld

  • Introduktion till Digital Marketing
  • Online Advertising - Introduktion
  • Search Motoroptimering (SEO) – Google fallstudie
  • Social Media Marketing: Tips och hemlighet – Exempel på Facebook, Twitter

Modul 3

Utforskande Data Analysis & Statistisk modellering

  • Datapresentation och visualisering – Förstå Business data med histogram, cirkeldiagram, stapeldiagram, spridningsdiagram – Snabb slutledning – Använda Python
  • Grundläggande statistisk modellering – Trend, säsongsvariation, klustring, klassificeringar (endast grunderna, olika algoritmer och användning, inte någon detalj) – Klar kod i Python
  • Market Basket Analysis (MBA) – Fallstudie med hjälp av föreningsregler, Support, Confidence, Lift

Modul 4

Marketing Analys I

  • Introduktion till Marketing Process – Fallstudie
  • Använda data för att förbättra strategin Marketing
  • Mätning av varumärkestillgångar, Snapple och varumärkesvärde – varumärkespositionering
  • Text Mining för Marketing – Grunderna i Text Mining – Fallstudie för Social Media Marketing

Modul 5

Marketing Analys II

  • Customer Lifetime Value (CLV) med beräkning – Fallstudie av CLV för affärsbeslut
  • Mätning av fall och effekt genom experiment – Fallstudie
  • Beräknar beräknat lyft
  • Data Science online Advertising – Klickfrekvenskonvertering, webbplatsanalys

Modul 6

Grunderna i regression

  • Vad regression avslöjar och grundläggande Statistics (inte mycket detaljer om matematik)
  • Tolka regressionsresultat – med fallstudie med Python
  • Förstå loggloggmodeller – med fallstudie med Python
  • Marketing Blandningsmodeller – Fallstudie med Python

Modul 7

Klassificering och klustring

  • Grunderna i klassificering och klustring – Användning; Omnämnande av algoritmer
  • Tolka resultaten – Python Program med utgångar
  • Kundinriktning med hjälp av klassificering och kluster – fallstudie
  • Business Strategiförbättring – Exempel på Email Marketing, Kampanjer
  • Behov av Big Data teknologier för klassificering och klustring

Modul 8

Tidsserieanalys

  • Trend och säsongsvariation – Användning av Python driven fallstudie – visualiseringar
  • Olika tidsserietekniker – AR och MA
  • Tidsseriemodeller – ARMA, ARIMA, ARIMAX (Användning och exempel med Python) – Fallstudie
  • Tidsserieförutsägelse för Marketing kampanj

Modul 9

Rekommendationsmotor

  • Personalisering och Business Strategi
  • Olika typer av personliga rekommendationer – Samarbete, innehållsbaserat
  • Olika algoritmer för rekommendationsmotor – Användardriven, Artikeldriven, Hybrid, Matrix Faktorisering (Endast omnämnande och användning av algoritmerna utan Mathematical detaljer)
  • Rekommendationsmått för inkrementella intäkter – Detaljerad fallstudie

Modul 10

Maximera försäljningen med Data Science

  • Grunderna i optimeringsteknik och dess användningsområden
  • Lageroptimering – Fallstudie
  • Öka ROI med Data Science
  • Lean Analytics – Startup Accelerator

Modul 11

Data Science i Priser & Kampanj I

  • Prissättning – Vetenskapen om lönsam tillväxt
  • Efterfrågan Forecasting Tekniker - Modellera och uppskatta strukturen för pris-svars efterfrågekurvor
  • Prissättningsbeslut – Hur man optimerar prissättningsbeslut – Fallstudie med Python
  • Promotion Analytics – Baseline-beräknings- och handelsfrämjande modell
  • Använda marknadsföring för bättre strategi - Försäljningsmodellspecifikation - Multiplikativ modell

Modul 12

Data Science i Prissättning och marknadsföring II

  • Intäkter Management - Hur man hanterar lättförgängliga resurser med flera marknadssegment
  • Produktpaketering – Snabba och långsamma produkter – Fallstudie med Python
  • Prissättning av färskvaror och tjänster - Flygbolag & Hotellpriser – Omnämnande av stokastiska modeller
  • Marknadsföringsmått – traditionella och sociala

Krav

Det finns inga specifika krav som krävs för att gå denna kurs.

 21 timmar

Antal deltagare



Price per participant

Vittnesmål (4)

Relaterade Kurser

Kaggle

14 timmar

Accelerating Python Pandas Workflows with Modin

14 timmar

GPU Data Science with NVIDIA RAPIDS

14 timmar

Anaconda Ecosystem for Data Scientists

14 timmar

Introduction to Data Science and AI using Python

35 timmar

Big Data Business Intelligence for Telecom and Communication Service Providers

35 timmar

A Practical Introduction to Data Science

35 timmar

Data Science for Big Data Analytics

35 timmar

F# for Data Science

21 timmar

Introduction to Data Science

35 timmar

Jupyter for Data Science Teams

7 timmar

Data Science with KNIME Analytics Platform

21 timmar

Data Science Implementation Management using KNIME Server

14 timmar

MATLAB Fundamentals, Data Science & Report Generation

35 timmar

Presto for Data Science

14 timmar

Relaterade Kategorier