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

اکنون، یکی از رهبران شمال غربی برنامه تحلیلی معتبر دانشگاه الف درمان کاملاً یکپارچه برای کسب و کار و دانشگاه عناصر برنامه های کاربردی بازاریابی در تجزیه و تحلیل پیش بینی نوشتن توماس دبلیو. میلر هم برای مدیران و هم برای دانشجویان ضروری را توضیح می دهد مفاهیم، ​​اصول و نظریه در زمینه دنیای واقعی برنامه های کاربردی.

بر اساس برنامه پیشگام میلر، علوم داده های بازاریابی به طور کامل به آن می پردازد بخش بندی، بازاریابی هدف، موقعیت یابی برند و محصول، جدید توسعه محصول، مدل سازی انتخاب، سیستم های توصیه کننده، قیمت گذاری تحقیق، انتخاب سایت خرده فروشی، برآورد تقاضا، فروش پیش بینی، حفظ مشتری، و تجزیه و تحلیل ارزش طول عمر.

از جایی شروع می شود که میلر به طور گسترده مورد تحسین قرار گرفته است. تکنیک های مدل سازی در تجزیه و تحلیل پیش بینی کننده متوقف شد، او اطلاعات و بینش های مهمی را که قبلا وجود داشت، یکپارچه می کند در متون تجزیه و تحلیل وب، علوم شبکه، اطلاعات تفکیک شده است تکنولوژی و برنامه نویسی پوشش شامل:

شش آدرس مطالعه موردی کامل مسائل فوق العاده مرتبط مانند: جداسازی ایمیل قانونی از هرزنامه؛ شناسایی اطلاعات قانونی مرتبط برای دعوا کشف؛ جمع آوری بینش از داده های وب گردی ناشناس و بیشتر. مجموعه گسترده ای از مشکلات وب و شبکه در این متن به وجود می آید منابع غنی داده با دامنه عمومی؛ بسیاری با راه حل همراه هستند در پایتون و/یا R.

علوم داده های بازاریابی منبع ارزشمندی خواهد بود برای همه دانشجویان، اساتید و بازاریابان حرفه ای که می خواهند از تجزیه و تحلیل کسب و کار برای بهبود عملکرد بازاریابی استفاده کنید.

Now, a leader of Northwestern University's prestigious analytics program presents a fully-integrated treatment of both the business and academic elements of marketing applications in predictive analytics. Writing for both managers and students, Thomas W. Miller explains essential concepts, principles, and theory in the context of real-world applications.

Building on Miller's pioneering program, Marketing Data Science thoroughly addresses segmentation, target marketing, brand and product positioning, new product development, choice modeling, recommender systems, pricing research, retail site selection, demand estimation, sales forecasting, customer retention, and lifetime value analysis.

Starting where Miller's widely-praised Modeling Techniques in Predictive Analytics left off, he integrates crucial information and insights that were previously segregated in texts on web analytics, network science, information technology, and programming. Coverage includes:

Six complete case studies address exceptionally relevant issues such as: separating legitimate email from spam; identifying legally-relevant information for lawsuit discovery; gleaning insights from anonymous web surfing data, and more. This text's extensive set of web and network problems draw on rich public-domain data sources; many are accompanied by solutions in Python and/or R.

Marketing Data Science will be an invaluable resource for all students, faculty, and professional marketers who want to use business analytics to improve marketing performance.