از Pista Academy حمایت کنید
برای مشاهده سایر جلسات و ادامه یادگیری، وارد صفحه دوره شوید.
خلاصه آموزشی
مرور سریع مفاهیم اصلی پیش از تماشای کامل یا برای جمع‌بندی بعد از آموزش.
در جلسه اول دوره جامع تحلیل پیش‌بینانه مشتریان با پایتون، مدرس به معرفی مفهوم پیش‌بینی رفتار مشتریان و کاربردهای آن در امور بزنس می‌پردازد. در این جلسه، مثالی از یک شعبه فست فود بررسی شده و روش رگرسیون خطی برای پیش‌بینی میزان فروش در محل‌های مختلف به کار گرفته می‌شود. همچنین، مراحل آماده‌سازی دیتا با استفاده از پانداس و انجام پیش‌بینی با رگرسیون خطی معرفی می‌شود. در بخش بعدی، به پرکردن مقادیر نال در داده‌ها و استخراج ویژگی‌های از تاریخ (مانند سال، ماه، روز هفته) برای بهبود دقت مدل رگرسیون پرداخته می‌شود. همچنین، نکاتی درباره پاکسازی داده‌ها، حذف ستون‌های ناخواسته و چک کردن دیتای تمیز ارائه شده است.
نکات کلیدی
پیش‌بینی رفتار مشتریان با استفاده از داده‌های آماری و مدل‌های ماشین لرنینگ برای اتخاذ تصمیمات بهتر در بزنس.
آماده‌سازی دیتا با استفاده از پانداس و انجام پیش‌بینی با روش رگرسیون خطی.
استخراج ویژگی‌های از تاریخ (مانند سال، ماه، روز هفته) برای بهبود دقت مدل رگرسیون.
روشهای مختلف پرکردن مقادیر نال مانند حذف، استفاده از میانگین یا حرفه‌ای‌ترین فراوانی.
پرسش‌های رایج
پاسخ کوتاه و مستقیم به پرسش‌هایی که معمولاً هنگام یادگیری این موضوع مطرح می‌شوند.
در این جلسه از روش رگرسیون خطی برای پیش‌بینی میزان فروش استفاده شده است.
روشهای مختلفی مانند حذف، استفاده از میانگین یا حرفه‌ای‌ترین فراوانی برای پرکردن مقادیر نال وجود دارد.
ویژگی‌هایی مانند سال، ماه و روز هفته از تاریخ استخراج می‌شود تا دقت مدل رگرسیون بهبود یابد.
آخرین به‌روزرسانی محتوای متنی:
🎓 دوره جامع تحلیل پیش‌بینانه مشتریان Predictive Customer Analytics لینک دانلود دیتاست دوره https://mega.nz/file/totHwTyK#51oeBFXjvKhkqZXK7tycTcuLyU9nUAzFPoVZP0AIBjU در این دوره یاد می‌گیریم چگونه با استفاده از داده‌های مشتریان، رفتار آن‌ها را تحلیل کنیم و برای تصمیم‌گیری‌های بهتر در کسب‌وکار، پیش‌بینی‌های دقیق‌تری انجام دهیم. هدف اصلی این دوره، آشنایی با مهم‌ترین تکنیک‌های Predictive Analytics در حوزه مشتری است؛ از مدل‌های رگرسیون گرفته تا تحلیل حفظ مشتری، بخش‌بندی مشتریان و تکنیک‌های Forecasting. 📚 سرفصل‌های دوره: 🔹 Fundamentals of Linear Regression آشنایی با مبانی رگرسیون خطی و کاربرد آن در تحلیل داده 🔹 Customer Retention and Logistic Regression تحلیل حفظ مشتری و استفاده از Logistic Regression برای پیش‌بینی رفتار مشتری 🔹 Customer Segmentation with Clustering بخش‌بندی مشتریان با استفاده از الگوریتم‌های Clustering 🔹 Forecasting Techniques آشنایی با تکنیک‌های پیش‌بینی و تحلیل روندهای آینده 🔹 Conclusion جمع‌بندی مفاهیم و مرور کاربردهای عملی دوره ━━━━━━━━━━━━━━━━━━ 🎯 این دوره برای چه کسانی مناسب است؟ این دوره می‌تواند برای علاقه‌مندان و فعالان حوزه‌های زیر مفید باشد: • Data Analytics • Data Science • Business Analytics • Machine Learning • Marketing Analytics • Customer Analytics اگر می‌خواهید یاد بگیرید چگونه از داده‌های مشتریان برای پیش‌بینی رفتار، بخش‌بندی مشتریان، تحلیل ماندگاری مشتری و تصمیم‌گیری بهتر استفاده کنید، این دوره می‌تواند نقطه شروع مناسبی باشد. در Pista Academy تلاش می‌کنیم مفاهیم تخصصی را به شکلی ساده، کاربردی و قابل فهم آموزش دهیم. ━━━━━━━━━━━━━━━━━━ 📌 نام دوره: Predictive Customer Analytics 📌 عنوان فارسی: تحلیل پیش‌بینانه مشتریان 🏫 Pista Academy آموزش تخصصی، ساده و کاربردی اگر این دوره برای شما مفید بود، ویدیو را Like کنید و برای مشاهده آموزش‌های بیشتر کانال Pista Academy را Subscribe کنید. سؤال‌ها و نظرات خودتان را هم در بخش کامنت‌ها بنویسید. 👇 #PredictiveCustomerAnalytics #PredictiveAnalytics #CustomerAnalytics #DataAnalytics #DataScience #MachineLearning #LinearRegression #LogisticRegression #Clustering #Forecasting #CustomerSegmentation #PistaAcademy
برای موضوع خاصه.
موضوعی که انتخاب کردیم بحث پیش‌بینی
رفتار مشتریانه.
شما یه مشتریانه یه جایی رو تصور کنید.
میخوایم
رفتار اونا رو تحلیل بکنیم اصلاً این یعنی
چی؟
بحث پرکتیو کاستوم آنالتیکس یعنی چی؟ میگه
که
شما بیایید از اطلاعات مشتریان
آماری که ازشون دارید و ابزارها و مدل‌های
ماشین لرنینگ استفاده کنید برای اینکه
پیش‌بینی کنید
مشتری شما قراره چه کاری رو در آینده
انجام بده.
میگه به بیزینسا کمک می‌کنه که این سؤالاتو جواب بدن.
کدوم مشتری امکان داره سرویس ما رو استفاده بکنه یا استاپ بکنه از استفاده از
سرویس ما؟
کدوم یکی از این مشتریان احتمال بیشتری داره که خرید بکنن محصول ما رو؟
چقدر امکان داره مشتری خرج بکنه؟
چه پیشنهادی رو ما به هر مشتری بدیم؟ چون پیشنهادا متفاوت می‌تونه باشه برای مشتری
مختلف
و اینکه کدوم مشتری امکان داره یک خرید
دیگه هم انجام بده. اینا مثالاییه که ما
می‌تونیم بادکتی کاستوم آنالتیکس جواب
بدیم.
میگه که پی سیای حالا من به اختصار به این میگم دیگه پی سیاه پی سیاه میاد از
اطلاعات قبلی مشتری
استفاده می‌کنه تا رفتار آیندهشو پیش‌بینی
کنه
میگه فرض کنید ما یه مشتری داریم به نام آلیس
۱۲ بار خرید داشته
۵ بار از آخرین خ ۵ روز از آخرین خریدش
گذشته
۸ بار وب سایتو ویزیت کرده
و تا حالا یک بار هم شکایتی نداشته توی
اون قسمت پشتیبانی
با سه بار خرید داشته ۱۲۰ روز از آخرین
خریدش می‌گذره یه بار وب سایتمونو ویزیت
کرده تو این مدت و چهار بارم شکایت داشته
سارا ۸ تا خرید ۲۰ روز گذشته ۶ بار ویزیت
کرده یه بارم شکایت داشته نسبت به توی
قسمت پشتیبانی
حالا یه شدم درخواستی داشت حازوم شکایت
شاید نباشه
میگه که امکان داره اون مدل شما اینجوری
پیش‌بینی کنه که آلیس
۹۰ احتمال داره دوباره بخره به خاطر هم
تعداد خریدش هم ویزیتی که داشته
باب ۸۰ امکان داره که بی‌خیالشو به راست
میگه طرف ۳ بار خریده ۱۲۰ از آخرین خریدش
گذشته شکایتم زیاد خب این احتمال زیاد
دیگه سراغ ما نمیاد
اما سارا مثلاً شانسش کمتره ۶۵ امکان داره
که مثلاً نسبت به یه دونه تخفیف ما
ریاکشنی نشون بده
و مشتری حالا شرکت میاد نسبت به این تحلیل ۳ تا رفتار مش متفاوت رو نسبت به این
مشتری جریان خواهد داشت.
مثلاً به آلیس می‌تونه مثلاً یه محصول
جدیدی که اومده رو پیشنهاد بده چون احتمال
زیاده بخره.
[صدای خرناس] برای باب می‌تونه مثلاً یه ریتنشن آفر بفرسته یه آفری بفرسته بتونه
اونو برگردونه.
برای سالاً شما می‌تونید یه تخفیف کاستیومایز شده براش بفرستید. شخصی‌سازی
شده براش بفرستید.
این میشه در حقیقت
پی سیاه اما میگه پی سیاه معمولاً این
فراآیندو طی می‌کنه اول میاد دیتا
جمعآوری می‌کنه حالا روشهای مختلفی هست
برای جمعآوری دیتا دیتا رو آماده می‌کنه
ما اینا رو قراره تو این دوره ببینیم
بچه‌ها روی مثالی
مدلو ترین می‌کنه بعد پیش‌بینی رو انجام
میده بعدم پیش‌بینی رو که گرفت می‌بره توی
اکشن توی بیزینس می‌بره اعمال بکنه خب خب
این میشه کلیت داستان حالا دیگه جزئیاتش
نشیم بریم یه مثالی رو با همدیگه شروع
کنیم ببینیم از مشتریا یه جا خب این نکته
رو بگم بچه‌ها من هر اکسلی یا هر فایلی که
تو این دوره استفاده می‌کنم لینک دانلودش
توی توضیحات ویدیو هست می‌تونید از اونجا
بردارید و دانلود بکنید
خب بریم سراغ اولین مثالمون فرض کنید
بچه‌ها این اطلاعات مربوط به یه جاییه
حالا الانو بهتون میدم چیه
فرض کنید مثلاً ما میخوایم یه شعبه جدیدی
از یه فست بودی رو یه جا باز کنیم
میخوایم ببینیم که کجا بریم فستود شعبهشو
باز کنیم چه فاکتورال لحاظ می‌کنیم بریم
با هم ببینیم
یه ذره باز کنم
ما یه سری اطلاعات از قدیم از شعبه‌های دیگمون داریم خب مثلاً کدوم ایالت بوده
استیت بوده
خب کدوم شهر اون ایالت بوده نوع منطقه چی
بوده روستایی بوده شهری بوده چی بوده
جمعیتش
تعداد رقبایی که تو اون منطقه داشتیم
میانگین درآمد افراد اون منطقه وضعیت هوا
سایز اون در حقیقت شعبه‌ای که باز کردیم
چقدر بوده چقدر ظرفیت پارکینگ داشته تاریخ
بازگشایی و میزان فروش بر اساس اینا ما
می‌تونیم یک مدلی رو ترین کنیم بعد مثلاً
تو یکی از این شهرا اگه بخوایم بریم یه
شعبه جدید باز بکنیم بهمون مدل بهمون میگه
که اینجا جای خوبی هست یا نه خب
چه روشی میخوایم استفاده کنیم فعلاً تو این جلسه میخوایم بریم سراغ لاینر رگشن از
روش لاینر رگرشن استفاده کنیم حالا
می‌رسیم به بحث لاینر رگرشن فعلاً کاری
نداریم اولین کاری که باید بکنیم چی بود؟
بیایم برگردم اینجا. ما دیتا رو جمعآوری
کردیم از هیستوری که داشتیم و اینا کاری
نداریم. اول باید دیتا رو آماده کنیم برای
مدل چون این دیتایی که الان داریم به
دردمون نمی‌خوره. من برای آماده کردن هم
می‌تونم داخل خود اکسل این کارو بکنم هم
می‌تونم برم پانداز کد بزنم. فرقی
نمی‌کنه. خب
بیایم داخل همین این کارو بکنیم.
پانداس به نظرم خیلی راحت‌تره ولی
بریم داخل پانداس. خب بچه‌ها بریم سراغ کارمون. یه چیزی هم
بگم اگه پانداس بلد نیستید اصلاً استرس
نگیرید فرض کنید منم بلد نیستم کاملاً
میخوایم با ایآی کارو جلو ببریم خب یعنی
من فرضم برای اینه که شما اصلاً پانداس
نمی‌دونید چیه یا خیلی کم بلدید اگه خوب
بلدید که خیلیهم عالی خب میام اینجا یه
فایل پایتون باز می‌کنم دیتاو آوردم
گذاشتم اینجا خب
اول بریم دیتاونو بیاریم تو اینجا اینجا
بازم میگم می‌تونید داخل اکسل تمام این کارا رو انجام بدید لازم نیست حتماً بیاید
داخل پانداس خب
خبزارم که [صدای خرناس] این دیتاونه ما باید دیتاون رو اول آماده‌سازی بکنیم برای
کار کردن. خب
اول بذار من دیتا رو یه بار دیگه باز کنم
توی خود اکسل
یه ذره ترتمیزش کنم مرتبش کنم بهتر بگم خب
اینو داریم اینو داریم اینو داریم بذار
دیگه بازش کنم
اینو داریم
میخوام ببینم برای آماده‌سازی این دیتا چیکار باید بکنم بازم میگم میخوام از
ایآی کمک بگیرم مثلاً فرض کنید هیچ
ایده‌ای من برای
تمیز کردن این ندارم. خب
یه عکس ازش بگیریم
این دیتای منه میام داخل چجی بیتی همین ادامه همین چت
خب اصلاً فارسی هم باهاش می‌زنم خیلی ساده
میخوام کارو ببریم جلو
فرض کن این دیتای
مربوط به
شعبه‌های
یک فست فود است.
ما قصد داریم
یک مدل
لاینیر
رگشن درست کنیم تا
بتونیم محل بعدی
فست فودو
پیش‌بینی و ارزیابی کنیم. خب
اول قصد داریم این دیتا رو
آماده کنیم برای مدل
چه پیشنهادایی
برای
آماده کردن این دیتا داریم. ببینیم چی
بهون میگیم.
من چی پلاسو دارم حالا نسخه رایگانشم تا یه حدی همین جواب رو بهتون میده بچه‌ها
خیلی باز نگرانی نباشه که
نسخه رایگانش استفاده می‌کنید
خب بچه‌ها کلی پیشنهاد داده چجی بیتی که همه رو دونه دونه میخوایم بریم با هم
بررسی کنیم میگه که تو این دیتایی که تو
به من دادی ستون تارگتت سلزه مشخصه که بله
بقیه هم که ویژگی‌هامون هستن کاری با این
نداره میگه اول باید استرادی رو حذف کنیم
چون اصلاً آیدی خیلی تأثیری در مدلسازی ما
نداره یه کدی به ما داده برای حذف کردن
اینو میارم اینجا
وقت میگم اصلاً دغدغتون نشه که من پانداس
بلد نیستم خب
[صدای خرناس] اومده گفته که ایکس ویژگی
باشه فقط ستون سلزو برمیدار دارم ازش چون
تارگتمه
استور آیدی رم که کلاً حذف می‌کنم این
میشه ایک سلزم میشه من خب این تا اینجا
الان اگه بزنم ایکس
تمام ستونا میاد به جز استوریدی و سلز خب ببینیم مرحله بعدی چی گفته
میگه اول باید اسما همه یکسان‌سازی بشه همش مثلاً باشه حروف کوچیک باشه اسپیسا
حذفشه و اینا برای این کار میگه این
دستورو بنویسید میگم چشم
فقط بهتر بود اینو قبل این انجام می‌دادیم پس اینو میم قبل این انجام میدم
خب اینو اینو بردارم
یه بار دیگه اینو ران می‌کنم این و این
چی شد
آها چون اسماش ش عوض شد به خاطر همینه این شده سلز احتمالاً
اینم شده استور
آیدی چون همه رو کوچیکش کردم
یه سریزم اینجا داریم
درست شد
ایناهم ایکس خب همه حروف کوچیک شد دیگه چی
میگه
خب مثال
میگه ستونای عددی جنسشون ون باید عددی
باشه جنسو چهجوری چک می‌کنیم میگیم ایکدا
اگه اشتباه نکنم اینفو
مثلا
استیت و اینا که عددی نبودن درسته آبجکته
این از اینتیجر اینتیجر اینتیجر اینو پشت
آبجکت اینتیجر اینتیجر آبجکت درسته ولی
برای اطمینان میگه می‌تونید این کدو بزنید
من این کد رو کپی می‌کنم
خب رو این ستونایی که عددی هستند میاد این کارو می‌کنه باز باید اینو من یه پله
قبل‌تر از این می‌ذارم مثلاً بذارید اینو
بذارم آخر سر انجام میدم خب میایم اینجا
اینو ران می‌کنم که همش بشه عددی خیالم راحت باشه این عددی هستن
خب
میایم اینجا اینجا تاریخها باید اصلاح بشه
میگه خب باز اینو میایم کپی می‌کنیم
میاریم اینجا شتون اپن اپنینگ دی یعنی تاریخ افتتاحیه رو اومده با این روش یک
فرمت یکسان داده به همش
حالا فرمت رو اگه بخوایم ببینیم
یه فرمت طلا وتمیزی همشونو پیدا کردم خب دیگه چی
خب این که دیدین
میگه خود تاریخ خام برای لاین رگشن مناسب
نیست به دردش نمی‌خوره [صدای خرناس] بهتره
که بیایم ازش یه سری ویژگی استخراج کنیم
بچه‌ها به این کار میگن چی میگن فیچر
انجینرینگ یعنی شما یه تاریخ دارید میاید
ازش مثلاً ماه و سال و روز هفته و خیلی
چیزا رو میشه استخراج کرد. بیایم
تاریخم مال کیه؟ خب میگه رفرس دیتو ی یک ۲۰ ۲۶ در نظر گرفته
بعد
مثلاً طول عمر اون شعبه رو اینجوری محاسبه
می‌کنه که میگه تاریخ الان منهای تاریخ
بازگشایی میشه طول عمرش
به سال می‌خواد حساب بکنه تقسیم بر ۳۶۵
کرده بعد سال بازگشایی و ماه بازگشایی رم
اینجوری درمیاره
یه بار دیگه اینو ران می‌کنم یه چند ستون جدید اضافه شد سال بازگشایی طول عمرش
و چه ماهی باز شده حالا عددی داره گذاشته
اینجا خب پس ما یه سری دیتاهای جدید
استخراج کردیم اپنینگ دیتم دیگه می‌تونیم
حذف کنیم احتمالاً اینو گفته بله ایناش
دیگه نیازی به ستون اصلی تاریخ ندارید
بچه‌ها تمام این کارا تو اکسلم انجام
شدنیه ها یعنی می‌تونید اونجا انجام بدید
اگه داخل پانداس نمی‌خواید خب ببینیم دیگه
چی گفته آها مقادیر نال رو باید یه فکری
براش بکنید اگه مقدار نال دارید یعنی سلول
خالی دارید بیایم اینجا
ببینید داریم خدا شکر نداریم پس دغدغه بات مقادیر نال
ندارید
حالا مقدار نانا رو چهجوری میشه پر کرد
اگه تعداد ردیفها زیاد نیست می‌تونید حذف
کنید اگه عددیه مثلاً می‌تونید با میانگین
پر کنید اگه عددی نیست مثلاً می‌تونید با
اونی پر کنید که بیشترین فراوانیو داره
حالا بستگی به دیتاتون داره واقعاً نمیشه
نظر قطعی داد خب
میگه که یه سری قوانین وجود داره برای
دیتای شما مثلاً جمعیت نمی‌تونه کوچیک‌تر
از صفر باشه.
تعداد رقبا نمی‌تونه مثلاً منفی باشه.
اینا باید چک بشه حتماً. خب بریم با هم یه
چک بکنیم ببینیم همچین چیزی داریم.
یه دونهشو چک می‌کنم چون می‌دونم نداریم
ولی حالا یه دونشو من اطمین چک می‌کنم. ب
اسمو می‌ذارم دی اف د آ نه دیفه
این اصلا دی اف د بذارم میخوام ببینم
اونایی که زیر صفر اصلاً وجود داره یا نه
خب بعد بگم میگه دی د.
آیا دیتایی دارم که جمعیتش زیر صفر باشه؟ نداره بقیه شرط می‌تونم دونه دونه چک کنم
داریم نداریم خیالمون راحته نداریم پس اینو من کلاً ولش می‌کنم خب پس این قسمتو
رد می‌کنم چون من خیالم راحته دیتا تمیزه
خب
آ مقادیر متنی هم بچه‌ها باید حروف کوچیک بشن اسپ اسپیس اگه دارن حذف بشه. این خیلی
نکته مهمیه بچه‌ها. خیلی مواقع مثلاً شما
تو یه ستون مثال می‌زنم مثلاً د تا علی
دارید می‌بینید که برای هر کدوم اومده یه
چیز جدا گذاشته. چرا؟ چون مثلاً یکیش علی
اسپیس بوده. برای اینکه این اتفاق نیفته
حتماً بیاید این کارو انجام بدید
که اسپیساش از بین بره. خب. که مثلاً نگاه کن اینا همشون بشه یه یکی
بشه اونا که حروف کوچیک بزرگ داره یکی بشه
اسپیس داره پاک بشه و اینا
خب این قسمت باشه جلسه بعدی صحبت کنیم
فعلاً خداحافظ
