Introducción a Data Analytics.
👉Análisis exploratorio de los datos.
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.

Introducción a Data Science.
👉Encontrando patrones en los datos.
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 .

Introducción a la Segmentación basada en datos.
👉Agrupar según sus características homogéneas .
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.

Introducción al Análisis predictivo.
👉Predecir comportamientos futuro de la audiencia/clientes, etc.
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.