Contenidos
1. Técnicas de exploración de datos: identificación de errores, detección de datos faltantes, corrección de inconsistencias, eliminación de duplicados, estructuración, detección de outliders.
2. Estadística tradicional: Medidas de tendencia central y de dispersión.
3. Análisis exploratorio y visualización.
4. Análisis Descriptivo.
Contenidos
1. Conceptos: Data Science, Big Data, Algoritmo. Business Intelligence vs Data Science. Proceso de Data Science.
2. Niveles del Aprendizaje: qué son y qué puedo hacer.
3. Tipos de modelos de Aprendizaje Supervizado: Clasificación y Regresión.
4. Introducción al análisis Predictivo y Prescriptivo .
Contenidos
1. Segmentación. Tipos de segmentación: psicográficos, demográficos, geográficos y conductuales.
2. Qué es el Data Driven Marketing. Técnicas de segmentación.
3. Preparación de datos para segmentar: qué datos necesito y cómo prepararlos.
4. Segmentación categórica. Cómo se implementa.
5. Segmentación de precisión. Cómo se implementa.
Contenidos
1. Análisis predictivo, probabilidad. Modelado predictivo.
2. Modelo de CLV para valorizar al cliente.
3. Churning Rate ¿para qué sirve? . Matriz de abandono mediante análisis de los Clusters CLV.
4. Calculo de las métricas del modelo de Churning: Churn, Retention, Acquisition, MRR Churn, MRR Retention, Tenure, Gap.
5. Esquema de trabajo en base al modelo predictivo.