Introduction à l'analyse de données.
Analyse exploratoire de  Les données.
Contenu

1. Techniques d'exploration  données : identification d'erreur, détection de données  manquants, correction des incohérences, élimination des doublons, structuration, détection des outliders.

2. Statistiques traditionnelles : mesures de tendance centrale et de dispersion.

3. Analyse exploratoire et visualisation.

4. Analyse
  Descriptif.

Introduction à la science des données.
Trouver des modèles dans  Les données.
Contenu

1. Concepts : Data Science, Big Data, Algorithme. Intelligence d'affaires vs  Science des données. Processus de science des données.

2. Niveaux de
  Apprendre : qu'est-ce que c'est et que puis-je faire.

3. Types de modèles
  Apprentissage supervisé : classification et régression.

4. Présentation
  au  une analyse  Prédictif  et  Prescriptif  .

introduction  à la segmentation basée sur les données.
Groupe  selon leurs caractéristiques homogènes  .
Contenu

1. Segmentation. Types de segmentation : psychographique, démographique, géographique et comportementale.

2. Qu'est-ce que
  Marketing axé sur les données. Techniques de segmentation.

3. Préparation
  de données   segmenter : de quelles données ai-je besoin et comment  les préparer.

4. Segmentation catégorielle. Comment il est mis en œuvre.

5. Segmentation de précision. Comment il est mis en œuvre.

introduction  à l'analyse prédictive.
Prédiction des comportements  futur public/clients, etc.
Contenu

1. Analyse prédictive, probabilité. Modélisation prédictive.

2. Modèle CLV à valeur
  au  client.

3. Taux de rotation
  pourquoi est-ce? . Matrice d'abandon par analyse  des  Groupes  CLV.

4. Calcul des métriques
  du  modèle de  Barattage : désabonnement, rétention, acquisition, désabonnement MRR, rétention MRR, ancienneté, écart.

5. Schéma de travail
  basé sur le modèle prédictif.