Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Ενότητα 1
Εισαγωγή στην Επιστήμη Δεδομένων & Εφαρμογές στο Marketing
- Επισκόπηση Analytics: Τύπος αναλυτικών στοιχείων- Πρόβλεψη, Προδιαγραφική, Συμπερασματική Πρακτική Αναλύσεων σε Marketing Χρήση μεγάλων δεδομένων και διαφορετικών τεχνολογιών - Εισαγωγή
Ενότητα 2
Marketing σε έναν ψηφιακό κόσμο
- Εισαγωγή στο ψηφιακό μάρκετινγκ Διαδικτυακή διαφήμιση - Εισαγωγή Βελτιστοποίηση μηχανών αναζήτησης (SEO) – Μελέτη περίπτωσης Google Social Media Μάρκετινγκ: Συμβουλές και μυστικό – Παράδειγμα Facebook, Twitter
Ενότητα 3
Διερευνητική Data Analysis & Στατιστική Μοντελοποίηση
- Παρουσίαση και Οπτικοποίηση Δεδομένων – Κατανόηση των επιχειρηματικών δεδομένων χρησιμοποιώντας Ιστόγραμμα, Διάγραμμα πίτας, Γράφημα ράβδων, Διάγραμμα διασποράς – Γρήγορη εξαγωγή συμπερασμάτων – Χρήση Python Βασικής στατιστικής μοντελοποίησης – Τάση, εποχικότητα, ομαδοποίηση, ταξινομήσεις (μόνο βασικά, διαφορετικός αλγόριθμος και χρήση, όχι οποιαδήποτε λεπτομέρεια) – Κωδικός έτοιμος στο Python Ανάλυση Καλαθιού Αγοράς (MBA) – Μελέτη περίπτωσης με χρήση κανόνων σύνδεσης, Υποστήριξη, Εμπιστοσύνη, Αύξηση
Ενότητα 4
Marketing Analytics I
- Εισαγωγή στη διαδικασία μάρκετινγκ – Μελέτη περίπτωσης Χρησιμοποιώντας δεδομένα για τη βελτίωση της στρατηγικής μάρκετινγκ Μετρώντας τα περιουσιακά στοιχεία της επωνυμίας, τη βασική αξία και την αξία της επωνυμίας – Εξόρυξη κειμένου για την τοποθέτηση της επωνυμίας για το μάρκετινγκ – Βασικές αρχές της εξόρυξης κειμένου – Μελέτη περίπτωσης για το μάρκετινγκ Social Media
Ενότητα 5
Marketing Analytics II
- Αξία διάρκειας ζωής πελάτη (CLV) με υπολογισμό – Μελέτη περίπτωσης CLV για επιχειρηματικές αποφάσεις Μέτρηση περίπτωσης και αποτελέσματος μέσω πειραμάτων – Μελέτη περίπτωσης Υπολογισμός προβλεπόμενης αύξησης Data Science στη διαδικτυακή διαφήμιση – Μετατροπή ποσοστού κλικ, Analytics ιστότοπου
Ενότητα 6
Βασικά στοιχεία παλινδρόμησης
- Τι αποκαλύπτει η παλινδρόμηση και βασικά Statistics (όχι πολλές λεπτομέρειες για τα Μαθηματικά) Ερμηνεία αποτελεσμάτων παλινδρόμησης – Με μελέτη περίπτωσης χρησιμοποιώντας Python Κατανόηση μοντέλων Log-Log – Με μελέτη περίπτωσης χρησιμοποιώντας μοντέλα μιγμάτων μάρκετινγκ Python – Μελέτη περίπτωσης με χρήση Python
Ενότητα 7
Ταξινόμηση και Ομαδοποίηση
- Βασικά στοιχεία ταξινόμησης και ομαδοποίησης – Χρήση. Αναφορά αλγορίθμων που ερμηνεύουν τα αποτελέσματα – Python Προγράμματα με αποτελέσματα Στόχευση πελατών με χρήση ταξινόμησης και ομαδοποίησης – Μελέτη περίπτωσης Βελτίωση επιχειρηματικής στρατηγικής – Παράδειγμα μάρκετινγκ ηλεκτρονικού ταχυδρομείου, προωθήσεις Ανάγκη τεχνολογιών μεγάλων δεδομένων σε ταξινόμηση και ομαδοποίηση
Ενότητα 8
Ανάλυση χρονοσειρών
- Τάση και εποχικότητα – Χρησιμοποιώντας Python Μελέτη Περίπτωσης – Οπτικοποιήσεις Διαφορετικές Τεχνικές χρονοσειρών – Μοντέλα χρονοσειρών AR και MA – ARMA, ARIMA, ARIMAX (Χρήση και παραδείγματα με Python) – Πρόβλεψη χρονοσειρών μελέτης περίπτωσης για καμπάνια μάρκετινγκ
Ενότητα 9
Μηχανή σύστασης
- Εξατομίκευση και επιχειρηματική στρατηγική Διαφορετικοί τύποι εξατομικευμένων προτάσεων – Συνεργατικοί, βασισμένοι σε περιεχόμενο Διαφορετικοί αλγόριθμοι για Μηχανή συστάσεων – Με γνώμονα το χρήστη, βάσει στοιχείων, υβριδικό, Matrix Παραγοντοποίηση (Μόνο αναφορά και χρήση των αλγορίθμων χωρίς μαθηματικές λεπτομέρειες) Μετρήσεις σύστασης για αύξηση Λεπτομερής Μελέτη Περίπτωσης
Ενότητα 10
Μεγιστοποίηση πωλήσεων χρησιμοποιώντας Data Science
- Βασικά στοιχεία της τεχνικής βελτιστοποίησης και οι χρήσεις της Βελτιστοποίηση αποθέματος – Μελέτη περίπτωσης Αύξηση απόδοσης επένδυσης με χρήση Επιστήμης Δεδομένων Lean Analytics – Επιταχυντής εκκίνησης
Ενότητα 11
Data Science στην Τιμολόγηση & Προαγωγή Ι
- Τιμολόγηση – Η επιστήμη των τεχνικών πρόβλεψης ζήτησης για κερδοφόρα ανάπτυξη – Μοντελοποίηση και εκτίμηση της δομής των καμπυλών ζήτησης τιμής-απόκρισης Απόφαση τιμολόγησης – Πώς να βελτιστοποιήσετε την απόφαση τιμολόγησης – Μελέτη περίπτωσης με χρήση Python Αναλυτικά στοιχεία προώθησης – Υπολογισμός γραμμής βάσης και μοντέλο προώθησης συναλλαγών με χρήση προώθησης για καλύτερα Στρατηγική - Προδιαγραφή Μοντέλου Πωλήσεων – Πολλαπλασιαστικό Μοντέλο
Ενότητα 12
Data Science στην Τιμολόγηση και Προώθηση II
- Διαχείριση εσόδων - Τρόπος διαχείρισης ευπαθών πόρων με πολλαπλά τμήματα της αγοράς Ομαδοποίηση προϊόντων – Προϊόντα γρήγορης και αργής κίνησης – Μελέτη περίπτωσης με Python Τιμολόγηση ευπαθών αγαθών και υπηρεσιών - Αεροπορική εταιρεία & Τιμολόγηση ξενοδοχείου – Αναφορά μετρήσεων προώθησης στοχαστικών μοντέλων – παραδοσιακά και κοινωνικά
Requirements
Δεν απαιτούνται συγκεκριμένες απαιτήσεις για να παρακολουθήσετε αυτό το μάθημα.
21 Hours
Testimonials (4)
Understanding big data beter
Shaune Dennis - Vodacom
Course - Big Data Business Intelligence for Telecom and Communication Service Providers
Subject presentation knowledge timing
Aly Saleh - FAB banak Egypt
Course - Introduction to Data Science and AI (using Python)
It is great to have the course custom made to the key areas that I have highlighted in the pre-course questionnaire. This really helps to address the questions that I have with the subject matter and to align with my learning goals.
Winnie Chan - Statistics Canada
Course - Jupyter for Data Science Teams
The example and training material were sufficient and made it easy to understand what you are doing.
