Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Modul 1
Einführung in Data Science und Anwendungen im Marketing
- Überblick über Analytics: Arten von Analysen – Vorhersageanalyse, Vorschlagsanalyse, Inferenzanalyse
- Praxis der Analytics im Marketing
- Nutzung von Big Data und verschiedenen Technologien – Einführung
Modul 2
Marketing in der digitalen Welt
- Einführung in digitales Marketing
- Online-Werbung – Einführung
- Suchmaschinenoptimierung (SEO) – Fallstudie zu Google
- Social Media Marketing: Tipps und Geheimnisse – Beispiel Facebook, Twitter
Modul 3
Explorative Datenanalyse & statistisches Modellieren
- Datenpräsentation und -visualisierung – Verstehen von Geschäftsinformationen durch Histogramme, Tortendiagramme, Balkendiagramme, Streudiagramme – Schnelle Inferenz – Mit Python
- Grundlagen des statistischen Modellierens – Trends, Saisonalität, Clustering, Klassifikation (nur Grundlagen, verschiedene Algorithmen und deren Anwendung, keine Details) – Vorbereiteter Code in Python
- Marktanalysen (MBA) – Fallstudie mit Assoziationsregeln, Support, Confidence, Lift
Modul 4
Marketinganalyse I
- Einführung in den Marketingprozess – Fallstudie
- Nutzung von Daten zur Verbesserung der Marketingstrategie
- Messung von Markenwerten, Snapple und Markenwert – Markenpositionierung
- Textmining für das Marketing – Grundlagen des Textminings – Fallstudie zum Social Media Marketing
Modul 5
Marketinganalyse II
- Kundenlebenswert (CLV) mit Berechnung – Fallstudie zur Nutzung des CLV für Geschäftsentcheidungen
- Messen von Ursache und Wirkung durch Experimente – Fallstudie
- Berechnung der projizierten Effektivität (Lift)
- Data Science in Online-Werbung – Klickrate-Konversion, Webanalysen
Modul 6
Grundlagen der Regression
- Was die Regression aufdeckt und grundlegende Statistik (keine tiefgehenden mathematischen Details)
- Interpretation der Regressionsresultate – Mit Fallstudie in Python
- Verstehen von Log-Log-Modellen – Mit Fallstudie in Python
- Marketing-Mix-Modelle – Fallstudie mit Python
Modul 7
Klassifizierung und Clustering
- Grundlagen der Klassifizierung und Clustering – Anwendung; Erwähnung von Algorithmen
- Interpretation der Ergebnisse – Python-Programme mit Ausgaben
- Kundenansprache durch Klassifizierung und Clustering – Fallstudie
- Verbesserung der Geschäftspolitik – Beispiel: E-Mail-Marketing, Werbekampagnen
- Notwendigkeit von Big Data-Technologien in Klassifizierung und Clustering
Modul 8
Zeitreihenanalyse
- Trends und Saisonalität – Mit Python-getriebener Fallstudie – Visualisierungen
- Verschiedene Zeitreihentechniken – AR und MA
- Zeitreihenmodelle – ARMA, ARIMA, ARIMAX (Anwendung und Beispiele mit Python) – Fallstudie
- Zeitreihenprognose für Marketingkampagnen
Modul 9
Empfehlungsmotor
- Personalisierung und Geschäftspolitik
- Verschiedene Arten personalisierter Empfehlungen – Kollaborativ, inhaltsbasiert
- Verschiedene Algorithmen für den Empfehlungsmotor – nutzerorientiert, artikelorientiert, hybride, Matrixfaktorisierung (nur Erwähnung und Anwendung der Algorithmen ohne mathematische Details)
- Empfehlungsmaßstäbe für den Umsatzzuwachs – Detaillierte Fallstudie
Modul 10
Maximierung der Verkäufe durch Data Science
- Grundlagen der Optimierungsverfahren und deren Anwendungsbereiche
- Lageroptimierung – Fallstudie
- Steigerung des ROI durch Data Science
- Lean Analytics – Start-up-Beschleunigung
Modul 11
Data Science im Preisgestaltung und Verkaufsförderung I
- Preisgestaltung – Die Wissenschaft des rentablen Wachstums
- Nachfrageprognoseverfahren – Modell und Schätzung der Struktur von Preis-Reaktionsnachfragekurven
- Preisdiskussionen – Wie man die Preisgestaltung optimiert – Fallstudie mit Python
- Verkaufsförderungsanalyse – Baseline-Berechnung und Handelsverkaufsmodell
- Nutzung von Verkaufsförderungen für bessere Strategien - Verkaufsmodellspezifikation – Multiplikativ-Modell
Modul 12
Data Science im Preisgestaltung und Verkaufsförderung II
- Umsatzmanagement – Wie man verderbliche Ressourcen mit mehreren Marktsegmenten verwalten kann
- Produktbündelung – Schnell- und Langverkäufer – Fallstudie mit Python
- Preisgestaltung von verderblichen Waren und Dienstleistungen - Airline & Hotelpreise – Erwähnung stochastischer Modelle
- Verkaufsförderungsmaßstäbe – Traditionell und Social Media
Voraussetzungen
Es gibt keine spezifischen Voraussetzungen, die erfüllt sein müssen, um an diesem Kurs teilzunehmen.
21 Stunden
Erfahrungsberichte (5)
Besseres Verständnis von Big Data
Shaune Dennis - Vodacom
Kurs - Big Data Business Intelligence for Telecom and Communication Service Providers
Maschinelle Übersetzung
Younes ist ein großartiger Trainer. Immer bereit zu helfen und sehr geduldig. Ich gebe ihm fünf Sterne. Auch das QLIK Sense Training war ausgezeichnet, dank eines hervorragenden Trainers.
Dietmar Glanninger - BMW
Kurs - Qlik Sense for Data Science
Maschinelle Übersetzung
Der Trainer war anpassungsfähig und hat mich tatsächlich ermutigt, den Kurs zu belegen.
Grace Goh - DBS Bank Ltd
Kurs - Python in Data Science
Maschinelle Übersetzung
Fächerpräsentation Wissenszeitplanung
Aly Saleh - FAB banak Egypt
Kurs - Introduction to Data Science and AI (using Python)
Maschinelle Übersetzung
Es ist großartig, dass der Kurs auf die Schlüsselbereiche zugeschnitten wird, die ich im Vor-Kurs-Fragebogen hervorgehoben habe. Dies hilft wirklich dabei, meine Fragen zum Stoff zu klären und mit meinen Lernzielen auszugleichen.
Winnie Chan - Statistics Canada
Kurs - Jupyter for Data Science Teams
Maschinelle Übersetzung
