Marketing Data Science: Techniki modelowania w analityce predykcyjnej z wykorzystaniem R i Pythona

Opinie czytelników

Książka jest kompleksowym źródłem wiedzy na temat marketingowej nauki o danych, oferującym szczegółowe przykłady kodowania w Pythonie i R. Chociaż otrzymała pochwały za cenną treść i przejrzystość, wielu recenzentów zauważa, że zakłada ona wcześniejszą znajomość programowania i analityki, co może sprawić, że początkujący będą mieli trudności. Organizacja książki również spotkała się z krytyką, a niektórzy uznali ją za zagmatwaną lub gęstą. Ogólnie rzecz biorąc, służy ona jako skuteczne odniesienie dla osób z pewnym doświadczeniem w nauce o danych i marketingu.

Dobrze napisana, z jasnymi wyjaśnieniami, świetnymi przykładami z życia wziętymi i próbkami kodu w Pythonie i R, kompleksowym omówieniem technik nauki o danych marketingowych, skuteczna dla czytelników z wiedzą programistyczną i cennymi załącznikami ze studiami przypadków.

Zakłada znajomość R i Pythona, może być gęsta i wymagająca dla początkujących, niektórzy czytelnicy zauważyli słabą organizację i prezentację oraz brak podstawowych instrukcji dotyczących programowania lub koncepcji marketingowych.

(na podstawie 30 opinii czytelników)

Oryginalny tytuł:

Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python

Zawartość książki:

Teraz lider prestiżowego programu analitycznego Northwestern University przedstawia w pełni zintegrowane podejście zarówno do biznesowych, jak i akademickich elementów aplikacji marketingowych w analityce predykcyjnej. Pisząc zarówno dla menedżerów, jak i studentów, Thomas W. Miller wyjaśnia podstawowe pojęcia, zasady i teorię w kontekście rzeczywistych zastosowań.

Opierając się na pionierskim programie Millera, Marketing Data Science dokładnie zajmuje się segmentacją, marketingiem docelowym, pozycjonowaniem marki i produktu, rozwojem nowych produktów, modelowaniem wyboru, systemami rekomendacji, badaniami cen, wyborem lokalizacji detalicznej, szacowaniem popytu, prognozowaniem sprzedaży, utrzymaniem klienta i analizą wartości życiowej.

Zaczynając od miejsca, w którym Miller zakończył szeroko chwalone Techniki modelowania w analityce predykcyjnej, integruje kluczowe informacje i spostrzeżenia, które wcześniej były segregowane w tekstach dotyczących analityki internetowej, nauki o sieci, technologii informatycznych i programowania. Zakres obejmuje

⬤  Rola analityki w dostarczaniu skutecznych wiadomości w sieci.

⬤  Zrozumienie sieci poprzez zrozumienie jej ukrytych struktur.

⬤  Bycie rozpoznawalnym w sieci - i obserwowanie własnej konkurencji.

⬤  Wizualizacja sieci i zrozumienie społeczności w nich.

⬤  Pomiar sentymentu i tworzenie rekomendacji.

⬤  Wykorzystanie kluczowych metod nauki o danych: bazy danych / przygotowanie danych, statystyki klasyczne / bayesowskie, regresja / klasyfikacja, uczenie maszynowe i analiza tekstu.

Sześć kompletnych studiów przypadku odnosi się do wyjątkowo istotnych kwestii, takich jak: oddzielanie legalnych wiadomości e-mail od spamu; identyfikacja informacji istotnych z prawnego punktu widzenia w celu ujawnienia pozwu; zbieranie informacji z anonimowych danych dotyczących surfowania po sieci i nie tylko. Obszerny zestaw problemów internetowych i sieciowych w tym tekście czerpie z bogatych źródeł danych domeny publicznej; wielu z nich towarzyszą rozwiązania w Pythonie i/lub R.

Marketing Data Science będzie nieocenionym źródłem wiedzy dla wszystkich studentów, wykładowców i profesjonalnych marketerów, którzy chcą wykorzystać analitykę biznesową do poprawy wyników marketingowych.