Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Návrh Školení
Modul 1
Úvod do datové vědy a aplikací v Marketing
- Přehled analytiky: Typ analytiky – Prediktivní, Preskriptivní, Inferenční analytická praxe v Marketing Použití velkých dat a různých technologií – Úvod
Modul 2
Marketing v digitálním světě
- Úvod do digitálního marketingu Online reklama – Úvod Optimalizace pro vyhledávače (SEO) – Případová studie Google Social Media Marketing: Tipy a tajemství – Příklad Facebooku, Twitteru
Modul 3
Průzkumné Data Analysis & Statistické modelování
- Prezentace a vizualizace dat – Porozumění obchodním datům pomocí histogramu, výsečového grafu, sloupcového grafu, bodového diagramu – Rychlé odvození – Použití Python Základní statistické modelování – Trend, Sezónnost, Shlukování, Klasifikace (Pouze základy, jiný algoritmus a použití, nikoli jakýkoli detail) – Připravený kód v Python Analýza tržního koše (MBA) – Případová studie s využitím pravidel asociace, Podpora, Důvěra, Nárůst
Modul 4
Marketing Analytika I
- Úvod do marketingového procesu – Případová studie Využití dat ke zlepšení marketingové strategie Měření aktiv značky, Snapple a hodnoty značky – Brand Positioning Text Mining pro marketing – Základy dolování textů – Případová studie pro marketing Social Media
Modul 5
Marketing Analytika II
- Celoživotní hodnota zákazníka (CLV) s výpočtem – Případová studie CLV pro obchodní rozhodnutí Měření případu a účinku pomocí experimentů – Případová studie Výpočet předpokládaného nárůstu Data Science v online reklamě – Konverze podle míry kliknutí, Analýza webových stránek
Modul 6
Základy regrese
- Co regrese odhaluje a základní Statistics (nic moc podrobností o matematice) Interpretace výsledků regrese – s případovou studií s použitím Pythonu Pochopení log-log modelů – s případovou studií využívající Python modely marketingového mixu – případová studie s použitím Pythonu
Modul 7
Klasifikace a shlukování
- Základy klasifikace a shlukování – použití; Zmínka o algoritmech interpretujících výsledky – Python Programy s výstupy Cílení na zákazníka pomocí klasifikace a shlukování – případová studie Zlepšení obchodní strategie – příklad e-mailového marketingu, propagace Potřeba technologií velkých dat v klasifikaci a shlukování
Modul 8
Analýza časových řad
- Trend a sezónnost – Použití případové studie řízené Python – Vizualizace Různé techniky časových řad – AR a MA modely časových řad – ARMA, ARIMA, ARIMAX (Použití a příklady s Python) – Případová studie Predikce časových řad pro marketingovou kampaň
Modul 9
Motor doporučení
- Personalizace a obchodní strategie Různé typy personalizovaných doporučení – kolaborativní, založené na obsahu Různé algoritmy pro motor doporučení – řízený uživatelem, řízený položkou, hybridní, Matrix Faktorizace (pouze zmínka a použití algoritmů bez matematických podrobností) Metriky doporučení pro přírůstkové tržby – Podrobná případová studie
Modul 10
Maximalizace prodeje pomocí Data Science
- Základy optimalizační techniky a její využití Optimalizace zásob – případová studie Zvýšení návratnosti investic pomocí Data Science Lean Analytics – Startup Accelerator
Modul 11
Data Science v Pricing & Propagace I
- Ceny – Věda o ziskovém růstu Techniky prognózování poptávky – Modelování a odhadování struktury křivek poptávky cena-odpověď Cenové rozhodnutí – Jak optimalizovat rozhodnutí o ceně – Případová studie s využitím Python Analýza propagace – Základní kalkulace a model propagace obchodu s využitím propagace k lepšímu Strategie – Specifikace prodejního modelu – Multiplikativní model
Modul 12
Data Science v oceňování a propagaci II
- Řízení výnosů – Jak spravovat zdroje podléhající zkáze s více tržními segmenty Sdružování produktů – Rychle a pomalu se pohybující produkty – Případová studie s Python Oceňování zboží a služeb podléhajících zkáze – Airline & Ceny hotelů – zmínka o metrikách propagace stochastických modelů – tradiční a sociální
Požadavky
Pro účast v tomto kurzu nejsou vyžadovány žádné zvláštní požadavky.
21 hodiny
Reference (4)
Understanding big data beter
Shaune Dennis - Vodacom
Kurz - Big Data Business Intelligence for Telecom and Communication Service Providers
Subject presentation knowledge timing
Aly Saleh - FAB banak Egypt
Kurz - Introduction to Data Science and AI (using Python)
It is great to have the course custom made to the key areas that I have highlighted in the pre-course questionnaire. This really helps to address the questions that I have with the subject matter and to align with my learning goals.
Winnie Chan - Statistics Canada
Kurz - Jupyter for Data Science Teams
The example and training material were sufficient and made it easy to understand what you are doing.
