Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Modul 1
Úvod do datové vědy a její aplikace v marketingu
- Přehled analýzy: Typy analýz - Prediktivní, Preskriptivní, Inferenční
- Praxe analýzy v marketingu
- Použití big data a různých technologií - Úvod
Modul 2
Marketing v digitálním světě
- Úvod do digitálního marketingu
- Digitální reklama - Úvod
- Optimalizace pro vyhledávače (SEO) – Studie případu Google
- Marketing na sociálních médiích: Tipy a tajemství – Příklad Facebook, Twitter
Modul 3
Explorační analýza dat a statistické modelování
- Prezentace a vizualizace dat – Chápání obchodních dat pomocí histogramů, koláčových diagramů, sloupcových grafů, rozptýlení – Rychlá analýza – Použití Pythonu
- Základní statistické modelování – Trendy, sezónnost, shlukování, klasifikace (jen základy, různé algoritmy a jejich použití, bez podrobností) – Připravený kód v Pythonu
- Analýza košíku (MBA) – Studie případu s použitím asociativních pravidel, podpory, důvěryhodnosti a zvednutí (lift)
Modul 4
Marketingová analýza I
- Úvod do marketingového procesu – Studie případu
- Použití dat pro vylepšení marketingové strategie
- Měření brandových aktiv, Snapple a hodnoty značky – Pozice značky na trhu
- Textová analýza pro marketing – Základy textové analýzy – Studie případu pro marketing na sociálních médiích
Modul 5
Marketingová analýza II
- Hodnota zákazníka po celý život (CLV) s výpočtem – Studie případu CLV pro podnikatelské rozhodnutí
- Měření příčinných vztahů prostřednictvím experimentů – Studie případu
- Výpočet predikovaného zlepšení (lift)
- Datová věda v digitální reklamě – Kliknutí a konverze, analýza webové stránky
Modul 6
Základy regrese
- Co regrese odhaluje a základní statistika (bez podrobných matematických detailů)
- Interpretace výsledků regrese – Studie případu s použitím Pythonu
- Chápání log-logových modelů – Studie případu s použitím Pythonu
- Modely marketingového mixu – Studie případu s použitím Pythonu
Modul 7
Klasifikace a shlukování
- Základy klasifikace a shlukování – Použití; Odkaz na algoritmy
- Interpretace výsledků – Python programy s výstupy
- Cílení zákazníků pomocí klasifikace a shlukování – Studie případu
- Vylepšení podnikatelské strategie – Příklad e-mailového marketingu, akcí pro zákazníky
- Potřeba big data technologií v klasifikaci a shlukování
Modul 8
Analýza časových řad
- Trend a sezónnost – Studie případu s použitím Pythonu - Vizualizace
- Různé techniky časových řad – AR a MA
- Modely časových řad – ARMA, ARIMA, ARIMAX (Použití a příklady s Pythonem) – Studie případu
- Predikce časových řad pro marketingové kampaně
Modul 9
Doporučovací systém
- Personalizace a podnikatelská strategie
- Různé typy personalizovaných doporučení – Kolektivní, založené na obsahu
- Různé algoritmy pro doporučovací systém – Uživatelsky řízené, položkově řízené, hybridní, faktorizace matice (jen odkaz a použití algoritmů bez matematických detailů)
- Doporučovací metriky pro zvýšení tržeb – Detailní studie případu
Modul 10
Maximální využití datové vědy pro zvýšení prodeje
- Základy optimalizačních technik a jejich použití
- Optimalizace zásob – Studie případu
- Zvýšení ROI pomocí datové vědy
- Lean analýza – Startup akcelerator
Modul 11
Datová věda ve cenořízení a promocích I
- Cenování – Věda o prospěšném růstu
- Techniky predikce poptávky - Model a odhad struktury ceny-odpovědi křivek poptávky
- Cenové rozhodnutí – Jak optimalizovat cenová rozhodnutí – Studie případu s použitím Pythonu
- Analyza promocí – Základní výpočet a model obchodních akcí pro zákazníky
- Použití promocí k lepší strategii - Specifikace modelu pro prodej – Multiplikativní model
Modul 12
Datová věda ve cenořízení a promocích II
- Správa příjmů - Jak spravovat vyčerpávající zdroje s více tržními segmenty
- Nabídkování produktů – Rychlé a pomalé pohybující se produkty – Studie případu s použitím Pythonu
- Cenování vyčerpávajících zboží a služeb - Letecké společnosti a ubytovací zařízení – Odkaz na stochastické modely
- Metriky pro promoci – Tradiční a sociální mediální metriky
Požadavky
Pro tuto kurz nejsou vyžadovány žádné specifické požadavky.
21 Hodiny
Reference (5)
Younes je skvělý trenér. Vždy se snaží pomoci a je velmi trpělivý. Udělám mu pět hvězdiček. Kromě toho byla školení QLIK sense vynikající díky vynikajícímu trenérovi.
Dietmar Glanninger - BMW
Kurz - Qlik Sense for Data Science
Přeloženo strojem
Instruktor byl nápomocný a skutečně mě velmi povzbuzoval k absolvování kurzu.
Grace Goh - DBS Bank Ltd
Kurz - Python in Data Science
Přeloženo strojem
Předmět, prezentace, znalosti, časování
Aly Saleh - FAB banak Egypt
Kurz - Introduction to Data Science and AI (using Python)
Přeloženo strojem
Je skvělé, že je kurz přizpůsoben klíčovým oblastem, které jsem označil v dotazníku před začátkem kurzu. Toto opravdu pomáhá zodpovědět mé otázky týkající se daného tématu a zarovnat je s mými cíli v oblasti učení.
Winnie Chan - Statistics Canada
Kurz - Jupyter for Data Science Teams
Přeloženo strojem
Ukazuje mnoho metod s předem připravenými skripty - velmi dobře připravené materiály a snadné zpětné sledování.
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Kurz - Machine Learning – Data science
Přeloženo strojem
