Caricamento...
OEC030

Segmentazione Clienti con il Machine Learning

Prezzo

€ 1,190.00
(Iva esclusa)

Scheda tecnica

Scarica

Giorni

1 gg

La Segmentazione dei clienti è un’importante tecnica di marketing per raggruppare i clienti, in base ai dati storici delle vendite, in segmenti omogenei con profili demografici e comportamentali (intesi come acquisti) simili, così da poter personalizzare la strategia commerciale per ognuno di essi (targeted marketing campaign) con differenti prezzature, promozioni, posizionamento prodotti e cataloghi. Oggi nuove tecniche di Machine Learning descrittivo e predittivo facilitano grandemente l’applicazione della segmentazione clienti nelle aziende, rendendola anche più efficace nei risultati. Il corso, completamente hands-on sul codice R o Python, senza slide, tratterà casi reali utilizzando in particolare molti dei più moderni ed efficaci algoritmi di clustering, e descriverà anche un approccio concreto per implementare rapidamente una segmentazione cliente in azienda. 

L'edizione sarà erogata in queste date: 14 + 16 settembre 2021


Una conoscenza di base del linguaggio R oppure Python.

  • La segmentazione dei clienti: scenari ed obiettivi
  • Panoramica delle tecniche di segmentazione tradizionali ed innovative
  • La pre-elaborazione dei dati storici
  • La segmentazione RFM: il benchmark classico
  • Altre tecniche deterministiche tradizionali: separazione per Customer Lifetime Value od in base ad altre statistiche
  • Introduzione ai metodi di clustering
  • Cos’è un cluster (raggruppamento)
  • Clustering gerarchico vs. clustering non-gerarchico
  • Cos’è la “distanza” tra clienti e la “similarità”
  • Misurare la distanza: metriche disponibili
  • Quali distanze sono le migliori nel marketing
  • Distanze per variabili numeriche
  • Distanze per variabili categoriche
  • La “nostra” distanza (per il “nostro” business)
  • I diagrammi di profilo: a cosa servono
  • Standardizzare e normalizzare i dati
  • Misurare la distanza tra due cluster
  • Clustering gerarchico agglomerativo: complete linkage, average linkage, centroid linkage, metodo di Ward
  • La varianza within vs la varianza between
  • Visualizzare i risultati del clustering con i dendogrammi
  • Interpretare il dendogramma
  • Interpretare i risultati applicativi: cosa rappresenta un segmento cliente in termini comportamentali?
  • Le heatmap ed altri grafici nuovi
  • “Validare” i cluster
  • Limiti del clustering gerarchico
  • Il clustering k-means
  • Gli step del k-means
  • I centroidi di classe
  • Scegliere il numero di cluster ottimale (k) tramite i coefficienti di silhouette
  • La sensibilità del k-means alla scelta del “seme”
  • Clustering gerarchico vs. k-means
  • Confrontare i vari modelli di clustering (con l’indice di Rand ed altri metodi)
  • La gestione dei valori mancanti (missing): cosa fare
  • La gestione dei legami (tie): cosa fare
  • La sensibilità del clustering agli outlier: cosa fare
  • Come partire in concreto: linee-guida
  • Prevedere il segmento di un nuovo cliente con Knn e regressione logistica
  • Gli aspetti prestazionali nella segmentazione cliente
  • Ridurre il numero di dimensione di analisi
  • Limiti della segmentazione cliente
  • Casi d’uso illustrati nel corso: aziende, privati, frequent flier.



Sede Data P
Virtual 14/09/2021