بسته نقره ای تُندآموزی داده‌کاوی با RapidMiner

چند سوال مهم

اگر شما مدیر یک فروشگاه زنجیره‌ای بزرگ، رئیس یک بانک، مدیر یک شرکت بیمه‌ای، رئیس یک موسسه اعتباری و مالی، صاحب یک بیمارستان یا کلینیک، صاحب مجموعه رستوران‌های زنجیره‌ای، صاحب یک هتل بزرگ و …. باشید، مطمئناً شما باید داده‌های زیادی را از مشتریان خود در دسترس داشته باشید. اما…

• آیا از این داده‌ها برای بهبود وضعیت کسب و کار خود استفاده می کنید؟
• آیا مشتریان بالقوه خود را می‌شناسید؟ آیا نیاز مشتریان خود را می‌دانید و این که چرا شما را انتخاب کرده‌اند؟
• آیا مشتریان ایده‌آل و ارزشمند خود را می‌شناسید؟ آن‌ها چه ویژگی‌هایی دارند؟
• آیا می‌توانید ارزش گروه‌های مختلف مشتریان را تعیین کنید یا به همه مشتریان به یک‌چشم نگاه می‌کنید؟
• وقت و منابع کسب‌وکارتان را بیشتر صرف کدام دسته از مشتریان خود می‌کنید؟
• آیا مشتریان ایده‌آل و ارزشمند شما، در آینده هم مشتریان شما خواهند بود؟
• آیا اگر محصول جدیدی را به آن‌ها پیشنهاد دهید، پیشنهاد شما را می‌پذیرند؟ آیا خرید خود را تکرار می‌کنند؟
• آیا پیش از ریزش مشتری می‌توانید این موضوع را پیش‌بینی کنید که کدام مشتری را در آینده از دست خواهید داد؟
• آیا می‌توانید تشخیص دهید که بهتر است کدام مشتری را در کمپین‌های بازاریابی شرکت دهید؟
• آیا می‌توانید تشخیص دهید که مشتری کدام گروه محصولات را باهم خریداری می‌کند؟
• آیا می‌توانید پیشنهادهای سفارشی به مشتریان خود ارائه کنید؟
• آیا آیا الگوهای رفتاری مشتریان خود را می‌شناسید و می‌توانید رفتار آینده مشتریان خود را پیش بینی کنید؟

یکی از متداول‌ترین فرآیندهای اجرای پروژه‌های داده‌کاوی فرآیند CRISP-DM نام دارد. استاندارد صنعتی کریسپ یک استاندارد غیراختصاصی، مستند شده و رایگان و همچنین یک مدل عمومی است که توانایی تطابق با ویژگی‌های خصوصی هر صنعت یا شرکتی را داراست و برای تدوین آن از تجربیات تعداد زیادی از کاربران داده‌کاوی و تولید‌کنندگان و ارائه‌دهندگان خدمات ابزارهای داده‌کاوی استفاده ‌شده است. فرآیند کریسپ یک چرخه ۶ مرحله‌ای است: ۱- درک فضای کسب و کار ۲- درک داده ۳- آماده سازی داده ۴- مدلسازی ۵- ارزیابی ۶- بکارگیری داده کاوی

فیلم وبنیار اجرای یک پروژه داده کاوی با رپیدماینر (Rapidminer)

قیمت فیلم وبینار: ۴۰۰۰۰۰ تومان

مدرس: شقایق ابوالمکارم

مدت زمان: ۱۴۰ دقیقه 

فرمت آموزش: فیلم MP4 حجم فیلم: ۴۲۰ MB

نوع دسترسی: قابل دانلود بلافاصله پس از خرید

در این وبینار روی یک مجموعه داده کار تحلیل داده‌ها را با استفاده از نرم‌افزار RapidMiner انجام شده و یک مدلسازی کاملا کاربردی را در محیط نرم افزار گام به گام اجرا شده است.

در واقع یک مدل ترکیبی انتخاب ویژگی، خوشه بندی و رده‌بندی را با استفاده از RapidMiner پیاده‌سازی شده است. مدلی که پیاده سازی شده است یک مدل سه مرحله ای است و با استفاده از این مدل می خواهیم به پیش بینی گروه مشتری تازه وارد بپردازیم

•  مرحله اول پاکسازی داده ها 
• مرحله دوم خوشه بندی مشتریان و تحلیل خوشه ها و برچسب گذاری به هر خوشه
• مرحله سوم انتخاب ویژگی های تاثیر گذار. در این مرحله یک روش ترکیبی انتخاب ویژگی ارائه می شود.
• مرحله چهارم ساخت مدل پیش بینی و استخراج قانون

کتاب گنج پنهان

نویسندگان: دکتر فرشید عبدی و شقایق ابوالمکارم

چگونه شرکت­ ها به کمک داده­ کاوی اطلاعات مشتریان، فروش خود را افزایش می دهند؟

آماده ­سازی کتاب: مرکز دانش مدیریت ارتباط با مشتری (مُدام)

مشخصات: قطع وزیری، ۳۴۳ صفحه

شابک: 

نشر: داده های طلایی

قیمت: ۱۵۰۰۰۰ تومان

چگونه شرکت­ ها به کمک داده­ کاوی اطلاعات مشتریان، فروش خود را افزایش می دهند؟

شما دارای گنجینه ­ای از طلا هستید که می­تواند میزان فروشتان را چند برابر کند ولی از آن بهره‌ای نمی‌برید. در داده ­های مشتریان گنجی نهفته است که از طلا نیز باارزش‌تر می­ باشد. کافیست برای دستیابی به این گنج پنهان علاوه بر CRM، دانش مربوط به تحلیل داده ­ها را نیز فراگرفت و با ابزارهای استخراج این گنج نهان آشنا شد. خوشبختانه برای دستیابی به این گنج لازم نیست حتماً یک متخصص آمار، برنامه­ نویس حرفه­ ای کامپیوتر و یا دانشمندِ داده باشید.

کتاب گنج پنهان به شما کمک می­ کند تا نگاه و تفکری تحلیلی به داده ­های مشتریان خود داشته باشید. و بتوانید از طریق تحلیل داده های مشتریان خود به افزایش فروش دست یابید.

در این کتاب برای شما هدیه ای آموزشی در نظر گرفته ایم: مجموعه­ ای از فیلم­ های آموزشی «داده ­کاوی و تحلیل داده­‌های مشتریان با استفاده از نرم‌افزار رپیدماینر (RapidMiner)»

محتوای این فیلم ­های آموزشی به شرح زیر می­ باشد:

• ورود داده­‌ها به نرم ­افزار رپیدماینر، درک داده­ ها و مصورسازی داده­‌ها
• تشخیص نقاط دورافتاده، مدیریت داده­ های از دست رفته و حذف رکوردهای تکراری
• پیش پردازش هایی از قبیل یکپارچه ­سازی داده­ ها، انتخاب زیرمجموعه ­ای از ویژگی­ ها و نرمال ­سازی­
• نحوه مدل سازی با نظارت (رده ­بندی/ پیش ­بینی) در نرم­ افزار و بکارگیری الگوریتم­ های مختلف رده ­بندی مانند درخت­ های تصمیم، شبکه ­های عصبی و …
• نحوه به‌کارگیری الگوریتم ­های خوشه ­بندی مانند k-means
• نحوه به‌کارگیری الگوریتم کشف قوانین انجمنی