Python for Marketing Research and Analytics

این کتاب مقدمه ای بر بازاریابی کمی با پایتون ارائه می دهد. این کتاب یک رویکرد عملی برای استفاده از پایتون برای سوالات بازاریابی واقعی ارائه می‌کند که بر اساس حوزه‌های موضوعی کلیدی سازماندهی شده‌اند. پس از حرکت محاسباتی علمی پایتون به سمت تحقیقات تکرارپذیر، این کتاب تمام تحلیل‌ها را در نوت‌بوک‌های Colab ارائه می‌کند که کد، شکل‌ها، جداول و حاشیه‌نویسی را در یک فایل واحد ادغام می‌کند. دفترچه‌های کد برای هر فصل ممکن است کپی، تطبیق داده شوند و در تحلیل‌های خود مجدداً استفاده شوند. این کتاب همچنین استفاده از مدل‌های پیش‌بینی یادگیری ماشین را با استفاده از بسته Python sklearn در زمینه تحقیقات بازاریابی معرفی می‌کند.

این کتاب برای سه گروه از خوانندگان طراحی شده است: محققان بازاریابی با تجربه که مایل به یادگیری برنامه نویسی در پایتون هستند، از ابزارها و زبان هایی مانند R، SAS، یا SPSS. تحلیلگران یا دانشجویانی که قبلاً در پایتون برنامه‌ریزی می‌کنند و مایلند در مورد برنامه‌های بازاریابی بیاموزند. و دانشجویان کارشناسی یا کارشناسی ارشد بازاریابی با سابقه برنامه نویسی کم یا بدون پیشینه. این فقط یک سطح مقدماتی از آشنایی با آمار رسمی را فرض می کند و حاوی حداقل ریاضیات است.

This book provides an introduction to quantitative marketing with Python. The book presents a hands-on approach to using Python for real marketing questions, organized by key topic areas. Following the Python scientific computing movement toward reproducible research, the book presents all analyses in Colab notebooks, which integrate code, figures, tables, and annotation in a single file. The code notebooks for each chapter may be copied, adapted, and reused in one's own analyses. The book also introduces the usage of machine learning predictive models using the Python sklearn package in the context of marketing research.

This book is designed for three groups of readers: experienced marketing researchers who wish to learn to program in Python, coming from tools and languages such as R, SAS, or SPSS; analysts or students who already program in Python and wish to learn about marketing applications; and undergraduate or graduate marketing students with little or no programming background. It presumes only an introductory level of familiarity with formal statistics and contains a minimum of mathematics.