Data Science pour l'analyse marketing et commerciale -Python

Spécialisation-métier en data science(cas réels) pour venir en aide aux entreprises e-commerces et aux marketeurs.

2.10 (5 reviews)
Udemy
platform
Français
language
Data Science
category
Data Science pour l'analyse marketing et commerciale -Python
43
students
25 hours
content
Sep 2023
last update
$19.99
regular price

What you will learn

CHAPITRE A: Analyse déscriptive des KPIs(Indicateurs Clés de Performance) pour le marketing, avec l'outil python

CHAPITE B: Modélisation prédictive de la valeur à vie Client, Développement er déploiement du modèle.

B-1-Analyse des commandes par mois: série chronologique des achats (ventes minimale, maximale, moyenne et totale, la fréquence et l'historique des achats).

B-2-Suite: Interprétation: qui achetète beaucoup, fréquemment, et à des intervalles périodiques d'achats très reduits ou éspacés...?

B-3-Analyse sur les achats et les clients réguliers: quels sont les clients qui effectuent plus qu'une commande ?

B-4-Visualisation: diagramme à barre sur le nombre de clients réguliers par quantité d'achats.

B-5-Suite: Interprétation: quel groupe de clients réguliers est majoritaire, et quel est le groupe de clients reguliers qui achètent beaucoup ?

B-6-Visualisation : Relation entre nombre de clients réguliers et fréquence d'achats:

B-7-Suite: interprétation: Les clients réguliers achetètent plus d'une fois par commande, mais reviennent-ils souvent ou rarement effectuer des achats ?

B-8-Préparation des donnée sur les ventes trimestrielles: régroupement trimestre des commandes par clients avec python.

B-9-Définition des données en features(les achats trimestiels) et en target (la valeur à vie client)

B-10-Importation des packages pour la modélisation

B-11-Séparation des données en données d'entraiement et d'évaluation du modèle.

B-12-Entraînement et évaluation du modèle, les maths derrière l'entrainement et l'évaluation d'un modèle de régression linéaires

B-13-Développement d' apply web prédictive simple avec Flask, CSS et HTML(vous n'allez pas tout coder mais just apprendre comment modifier un code existant ?)

B-14-Déploiement du modèle prédictif avec Github et Heroku, près à l'utilisation par l'entreprise qui vous embauche!

CHAPITRE C: ANALYSE DE PRODUTS ET TENDANCE CHRONOLOGIQUE DES CPMMANDES

C-1: Interaction temporelle Clients-Produits et visualisation de la tendance.

C-2:I Interaction temporelle Client-Entreprise et visualisation de la tendance.

CHAPITRE D: Système de recommandantion des bons produits pour les clients.

CHAPITRE E: SEGMENTATION DES CLIENTS : k-means, et recence-fréquence-monétaire.

CHAPITRE F: Prédiction de la probabilité d'engagement d'un client à la conversion de ce client grace à un algorithme d'arbre de décision

CHAPITRE G: A/B desting en stratégie marketing promotionnelle (t-test avec Python) : quelle stratégie promotionnelle est susceptible de conduire à un ROI élevé?

CHAPITRE H: Analyse de cohorte mensuelle ( clients actifs par mois et taux de rétention)

CHAPITRE I: PRÉDICTION DES DÉSABONNEMENTS DES CLIENTS.

CHAPITRE J: ANLYSE DU COMPORTEMENT D'ACHAT DES CLIENTS

CHAPITRE K : PRÉDIRE L'ENGAGEMENT CLIENT SUITE À UN APPELLE MARKETING OU D'OFFRE

Description

Important : lisez la description jusqu'à la fin afin de découvrir les livres bonus offerts gratuitement.


Ce cours orienté au métier de la data Science pour le Marketing et e-commerce, est divisé en plusieurs chapitres mélangeants type de compétences :

1- Une compétence générale pour la data science et des différents algorithmes fondamentaux de machine learning.

2-Une deuxième compétence pour la data analyse,

3-une troisième compétence, spécialement orienté métier, qui vous apprend comment utiliser la data Science et la data analyse pour l'analyse descriptive, explicative et prédictive pour le marketing, l'analyse commerciale et aux stratégies marketing.

4-un dernier champ qui vous montre comment déployer une application web simple intégrant un modèle prédictif pour les prises de décision marketing et l'anticipation des tendances chronologiques des facteurs clés de croissance, avec Flask, CSS et HTML .


5-À la fin de ce cours, vous deviendrez, espérons-le car tout dépend de votre effort, un expert en analyse prédictive commerciale et marketing avec les outils de Python tels que pandas, seaborn, matplotlib, numpy, sklearn et les algorithmes fondamentaux pour le machine learning comme les réseaux de neurone avec tensorflow et keras, la régression linéaire et  logistique avec state-model et scikit-learn, et les arbres de décision ,...

6- Vous acquérez également les concepts marketing et commerciaux comme:

6-0- Les KPIs (Indicateurs clés de performance) marketing,

6-1- La probabilité d'un engagement ou d'une conversion suite à un appelle ou à une campagne marketing,

6-2- La corrélation entre attributs des clients et leurs comportements d'achat,

6-3- Modélisation prédictive: le client est-il un possible acheteur ou un non-acheteur future, convertible ou non-convertible, va-t-il s'engager ou non, va-t-il se désabonner ou pas, à quel moment va-t-il effectuer un achat ou va-t-il s'en abstenir ?)

6-4- L'analyse des cohortes par fréquence et par rétention de clients: quels sont les clients actifs et quels sont les clients qui vont se désabonner bientôt, quel est  le mois de l'année pour lequel les clients sont très actifs ?

6-5-Le taux de d'engagement ou de conversion global, et selon l'âge, le statut marital, le sexe, le niveau éducatif, le statut professionnel, le pays de résidence,

6-6- La détection des traits-clients communs et regroupement de clients similaires:  algorithme non supervisé de segmentation (k-means)

6-7-La segmentation des clients par récence, fréquence et monétaire,

6-8- Comment identifier les produits tendance par mois avec l'analyse chronologique des produits ?

6-9- Système de recommandation des produits: ou comment identifier le client susceptible d'être intéressé par tel produit jamais acheté par lui, et comment trouver le bon produit susceptible d'intéresser un client qui ne l'a jamais acheté ?


1- Bonus  pour les  premiers inscrits:

Comme nous l'avons dit, nous estimons qu'avoir les sources auxquelles nous sommes en partie inspirés pour vous développer ce cours vous aidera énormément. De plus, le PDF saura compenser tout problème technique qui vous empêcherait de suivre correctement le cours en vidéo Online.

Cependant,c'est uniquement ce cota là que nous avons légalement accès pour vous gratuitement:

Le livre (en PDF): Data Science pour l'analyse Marketing (Python et R). Attention : ce livre ne sera donné uniquement qu'à ceux qui auront obtenu le certificat udemy de notre cours.


2- Autres Livres bonus (uniquement offerts à in certain nombre pour les nouveaux  inscrits pour la même raison) :

a - Deep Learning with Python, (Nous pouvons vous offrir les deux versions) de François Chollet ( Ingénieur Français de Google, créateur du Framework Keras intégré dans tansorflow),

b - SQL pour les débutants,

c- Construction et gestion de base de données avec PostgreSQL.

d - Vous voulez percer dans le NLP (Natural langage Processing) ? Nous avons un truc gratos pour vous...

e - Vous risquez de ne pas être pris au sérieux par les entreprises, si vous êtes incapable de déployer un modèle en production facilement utilisable par tout utilisateur. Nous vous avons montré dans le cours comment créer une application web grâce à Flask, puis intégrer un modèle de machine learning dedans et le déployer pour le rendre serviable par les entreprise: quoi de mieux  que de vous offrir gratos un livre qui vous apprendra à faire cela grâce à Flask, SQL et       no SQL ... Vous n'avez qu'à vous inscrire, et c'est tout.




Content

Présentation générale du cours

Présentation générale du cours

Les données et notebook jupyter

Data...

CHAP1: Indicateurs clés de performance (KPIs) avec python

1. Le Problème marketing à résoudre.
2. KPI 1-Taux de conversion globale.
3. KPI 2- Taux de comversion par âge et visualisation.
4. KPI 2.1 Taux de comversion par groupe d'âge et visualisation.
5. KPI 3-Convertis et non-convertis par statut marital et Diagramme Circulaire.
6. KPI 4. Convertion par âge et par statut marital et Visualisation.
8-Diagramme par Empilement des comvrsion par âge et statut marital.

CHAP 2-Analyse explicative de l'engagement- facteurs moteurs de l'engagement.

1. Le Problème fondamental marketing à résoudre
2-Analyse explicative par regression logistic: Cas avec les variables continues.
3-Suite-Impactes des atributs catégorielles des clients sur leurs engagement
4-Regrssion Logistique-Construction du modèle. Normalisation.
5-Feature Selection, chargement du modèle
6-1-Préparation de l'applicarion avec Flask,Css et html, déploiement en locale.
6-2-Préparation de l'applicarion avec Flask,Css et html, déploiement via heroku.

Chap 3 : Engagement à la conversion.

1-Le taux de conversion globale
2-Taux de conversion par statut professionnelle-et visualisation
3-Taux de conversion par défaut de paiement de crédit et visualisation
4-Taux de conversion par sold Bancaire des client
5-Taux de conversion par nombre de contacts des client par campagne marketing.
6-Préparation des données-Encodage de la variable «mois».
7-Préparation des données-Encodage de variable catégorielles et concatenation.
8-Construction du modéle d'arbre de décision-Séparation des données-Entrainement
9-Visualisation de l'arbre de décision.
10-1-Inerpretation du plot_tree

Chap4: CLV et déploiement d'un modèle prédictif de la valeur à vie client

1. Le problème marketing
2.Nettoyage et traitement des valeurs manquantes et incompletes des données
3.0 calcule des commandes
3.1.Regroupement des commandes par client.
3.2 Nombre des clients reguliers par nombre de commandes.
3.3 Nombre de clients par fréquence entre comandes, les commandes trimestrielles
3.4. Encodage des dates des commandes trimestrielles.
4.Préparation des tables des variables explicative et de la variable expliquée.
5.Fusions des tables (features et target)
6.0 Modélisation- Regression linéaire. Entrainement du modèle.
6.1 Interprétation-imapact des attributs-clients sur la valeurs à vie clients.
7.Évaluation du modèlée-Explication des maths, et application du R²-score.
8. Les maths derrière la regression linéaire
9. Visualisation des valeurs prédites par rapport aux données réelles du target.
10. Feature Selection(exclusion des variables sans grande importance prédictive)
11.Suite-feature Selectionn, Re-ententrainemt et Evaleuation
12. Chargemrent du modèle
13.Dévelopement-préparartion de l'apply avec Flask, css et html,...
14. Déploiement du modèle en local
15-Déploiement du modèle dans le web avec github et hereku.

CHAP 5: Analyse des produits .

Partie 1 : Intéraction clients et enteprise. 1.1-Nettoyage des données.
1.1- Nettoyage des données-éliminarionValeurNégatives-typages.
1.3-Nettoyage des données
1.4- Visualisation du nombre des Commades Mensuelles.
1.5 - Suite:
1.6-Regroupement des commandes par enregistrement.
1.7-Série Temporelle des clients réguliers et totaux
1.8.- Visualisation Comparative Entre Clients Regiliers Et Globaux.
1.9 - Suit: Visualisatoion, Interprétation, Conclusion.
1.10 - Série temporelle sur les révenues mensuels réguliers et globaux.
1.11- Suite: Visualisation et intreptétation.
Partie 2: Interaction clients-produits : Top-5 des produits tendance par mois.
2-1-Les 5 à 7 meilleurs produits tendances de novembre(mois à croissance élevée)
2-2. Table pivot: Regroupement de tous les produits temdances ou populaires.
2-3-Visualisation chronologique des produits tenfances.
2-4. Interpretation et conclusion.

CHAP-6 : Système de recommandation des bons produits.

1-Probléme marketing, Nettoyage, Matrice Client-Client et matrice Client-Produit
2-Identiffication des noms des produits à recommander.

CHAP 7: La ségmentation des clients

1-Problème marketing et Nettoyage.
2-analayse explorarioire et commerciales des données
3-Segmentation des clients(kmeans)-partie1
4-Segmentation des clients (Kmeans)-Partie2
5-Segmentation des clients-suite partie2
6-Interprétation marketing par groupe de clients-Les produits populaures...

Chap 8 : Prédiction de désabonnement et fidélisation

1- Le Problème marketing.
2-1-Analyse et préparation des données(prédiction de désabonnement.
2-2-Suite...
3-1 Modélisation-Reseaux de neurones(prédiction de désabonnement).
3-2 Modélisation-Reseaux de neurones(prédiction de désabonnement).

Chap 9: A/B Testing.

1- Le problème marketing.
2- Explication théorique du test AB et des hypothéses statistics-Rôle marketing
3-Analyse sur les distributions promotionnelles et Visualisation.
4-Suite-La taille du marché par âge de la boutique ou magasin-Visualisation.
5-Distribution des types de promotion par âge du magasin.
6-Interprétation marketing et Conclusion.

Bonus

Les Bonus

Reviews

Ouedraogo
December 29, 2022
ah c'était pas la peine de publier avec cette qualité d'audio, ça décourage dès le début et ça t'enlève l'envie de continuer

Charts

Price

Data Science pour l'analyse marketing et commerciale -Python - Price chart

Rating

Data Science pour l'analyse marketing et commerciale -Python - Ratings chart

Enrollment distribution

Data Science pour l'analyse marketing et commerciale -Python - Distribution chart
4644298
udemy ID
4/15/2022
course created date
5/23/2022
course indexed date
Bot
course submited by