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 سوم دوره تحلیل پیش‌بینانه مشتریان با پایتون، مدرس به بررسی مدل رگرسیونی برای پیش‌بینی فروش در لوکیشن‌های جدید پرداخته است. مدل با استفاده از داده‌های آموزشی استاندارد شده، فروش را به خوبی پیش‌بینی می‌کند. ارزیابی مدل با معیارهایی مانند میانگین مطلق خطا (MAE) و میانگین مربع خطا (MSE) انجام شده است. در نهایت، نتایج مدل برای پیش‌بینی فروش لوکیشن‌های جدید به صورت مقایسه‌ای ارائه شده است.
نکات کلیدی
استانداردسازی داده‌های آموزشی قبل از تrain مدل ضروری است.
مدل رگرسیونی می‌تواند برای پیش‌بینی فروش در لوکیشن‌های جدید استفاده شود.
MAE و MSE به عنوان معیارهای ارزیابی عملکرد مدل مورد استفاده قرار گرفته‌اند.
نتایج مدل به صورت مقایسه‌ای برای ارزیابی عملکرد آن ارائه شده است.
پرسش‌های رایج
پاسخ کوتاه و مستقیم به پرسش‌هایی که معمولاً هنگام یادگیری این موضوع مطرح می‌شوند.
خیر، فقط داده‌های آموزشی باید استانداردسازی شوند تا مدل به درستی آموزش داده شود.
معیارهای MAE و MSE برای ارزیابی عملکرد مدل استفاده شده‌اند.
مدل رگرسیونی برای پیش‌بینی فروش در لوکیشن‌های جدید استفاده می‌شود.
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
بعداً اگر مثلاً مشخصات یک فروشگاه جدیدی
رو من بهش دادم بتونه میزان فروششو
پیش‌بینی بکنه. خب بریم استپ به استپ این
کارو با هم انجام بدیم. اینجا یه نکته‌ای
رو میگه بچه‌ها. میگه که بهتره که
استانداردسازی
که ما انجام دادیم جلسه آخر جلسه قبل
و ساختن مدل رو توی پایپلاین قرار بدید
یعنی استانداردسازی رو فقط روی داده‌های
آموزشی انجام بدید و اون دایزه‌ای که
قراره ازش امتحان بگیرید روش
استانداردسازی انجام نشه ببینید بچه‌ها
نکته‌ای که هست اینه که حالا دوستانی که
دوره ماشین للین دیدن و گذراندن می‌دونن
دیگه ما از این داده‌ای که داریم خب چقده
دادهمون
چند تاست
۱۰۰ تا ده تا داریم درسته این ۱۰۰ تا رو همشو نمی‌بریم برای در حقیقت آموزش دادم
مدلمون مثلاً میگما ۷۰۰ تاشو می‌بریم
آموزش میدیم ۳۰۰ تاشو ازش امتحان می‌گیریم
میگه [صدای خرناس] که بهتره که
استانداردسازی رو اون ۷۰۰ تا انجام بشه نه
رو کل ۱۰۰۰
پس من اینو کپی می‌کنم. خب
می‌ذارمش اینجا. بذارید من یه مرحله اینو
از اینجا پاک کنم.
اینم پاک کنم. بیام اینجا. خب
بعد.
خب داده
ترین و تستم بیاریمش
خب
اه ۲۰ دیتا رو برای تست گرفت یعنی ۲۰۰ تا
رو بقیهش برای آموزش
من اینا رو توضیح نمیدم بچه‌ها دیگه مال
دوره ماشین لرنینگ ما فرضون برای اینکه
شما این دوره رو گذراندید
بعد اینجا در حقیقت میاد دیگه اون مدلمونو
بساز سازه
مدل لاین رگشنمونو بسازه
بعد باید مدلمونو آموزش بدیم به دیتای ترین ایکس ترین و ار ترین یعنی شما هم
داده رو ویژگیا رو میدید هم تارگت یعنی
فروشو میدید بهش
خب خب حالا بعد اینکه مدل آموزش پیدا کرد
داده تستو بهش میدید میگید پیش‌بینی کن.
بعد مقدار پیش‌بینی رو با مقدار واقعی
مقایسه می‌کنیم. پس داده تستو میدیم میگیم
مقدار فروششو به ما بگو چقدر اینم پس
بیاریم اینجا
خب و در نهایت یه همچین اتفاقی میفته این د
تا وقتی کنار هم قرار بگیره می‌تونیم
مقایسه بکنیم. بریم تا همین جاشو فعلاً
ببینیم چهجوریه. اوضا یه بار از اول کلاً
دور را می‌کنم.
خب
خب اینجا نگاه کنید مثلاً گفته که این
مقدار فروش واقعیش ۳۳ هزار و ببخشید ۳۳۵
۰۰۰ تا بوده این چقدر پیش‌بینی کرده؟ ۳۳۶
۰۰۰ تا
این ۳۸۰ ۰۰۰ تا بوده ۳۷۱ که پیش‌بینی کرده
خیلی دور نیست خوبه مدله مدله داره دو بعد
پیش‌بینی نمی‌کنه اما چشمی این ارزیابی
نمی‌کنن یه سری روش‌ها وجود داره برای
ارزیابی مدل
مثلاً یکیش روش مین ابسولوت اروره یکی مین
اسکوار اروره یکی آرد دو اسکوره خب از این
روش استفاده میشه که توی دوره ماشین
لینینگ ما راجع بهش صحبت کردیم
ببینیم ببینیم این عددا چقده برای مدلمون
مین اسکور ارورمون حدود هز ۱۰ هزاره آر ام
اس ای حدود ۱۲ هزاره آرد دومون حدود ۸۳م
حالا الان اینو میدم به چجی بیتی میگم بگو
که مدلمون وضعیتش چهجوریه خب
وضعیت
ارزیابی مدل ما به چه صورت است.
ح تا اینا چیز می‌کنیم ببینیم دیگه چی گفته.
خب
یکی از داده‌های تستو بهش بدیم ببینیم پیش‌بینیش چهجوریه. حالا این کارو کردیم
دیگه داده دادیم داده‌های تستمونو دادیم
بهش اونم پیش‌بینیشو گفت الان داره
ارزیابیشو در حقیق بهمون میگه چهجوری
وضعیت
آها میگه برای پیش‌بینی محل بعدی مثلاً شما می‌تونید چند تا مکان مختلفو بهش بدید
بگید که مثلاً اینا به ما بگو کدومش بهتره
الان ما می‌خوایم همین کارو بکنیم فقط اول
بذارید اینو من ببینم ارزیابیش چهجوری بود
نسبت به این
خب خب
میگه ارزیابی اول مدل شما خوبه خب
میگه به صورت متوسط ۱۰۰۰ تا مقدار واقعی
فروش اختلاف داره پیش‌بینی ش مدل شما خب
میگه مثلاً اگه فروش شما ۳۵ ۳۵۰ هزار تا
باشه مدل شما مثلاً ۱۰ ۰۰۰ تا بالا یا
۱۰۰۰ تا پایین پیش‌بینی می‌کنه
خب اینم که توضیح داده ولی در کل داره میگه خوبه
اوکی در کل داره میگه اوضاع خوبه حالا
برمی‌گردیم بالا
بیایم اینجا یه چند تا مکان جدید بهش بدیم ببینیم فش پیش‌بینیمون به چه صورت خواهد
بود مثلاً بر اساس این لوکیشن اطلاعات
مکان جدید چی میگه بهمون خب
حالا میگم اینو پیش‌بینی بکن. مقادی رو میدم به مدلم میگم پیش‌بینی بکن.
خب فروش لوکیشن A فروششو ۳۷۸ هزار تا پیش‌بینی کرده بیو ۳۵۲ سی هم تقریباً ۳۵۰
هزار تا یعنی لوکیشن A با این مشخصات
وضعیت بهتری نسبت به این د تا داره بیا
چشی یه مقایسه بکنیم جمعیتش ۱۵۰ ۰۰۰ تاست
این ۸۰۰۰ تاش این ۲۱ هزار تا خب طبیعیه که
این نسبت به این بهتر باشه اما چرا نسبت
به این بهتره
بریم بم ببینیم ۴ تا رقیب ۷ تا رقیب هست
این رقیب بیشتره
این ۸۵ ۰۰۰ تا این درآمد اینجا بیشتر از
اینه
استور سایز این بزرگتره
ظرکت پارکینگشم بیشتره
آها این تو یه جایی هستش که آب و هوا
معتدله ولی این تو آب آب هواش سرده برای
همینه که این فروششو نسبت به این بیشتر
پیش‌بین کرده تو یکی از فاکتور مهم بود آب
و هوا پس اوکی
خب و کد کاملشم که بهمون داده بود دیگه ما
با کاری با کد کامل نداریم پس الان ما
تونستیم یک مدل لان رگرشن بر اساس این
دیتاون بسازیم و بتونه پیش‌بینی بکنه درق
میزان فروش لوکیشن جدید رو یعنی ما
اطلاعات لوکیشن جدیدو بهش میدیم این برا
ما پیش‌بینی می‌کنه میگه کدومش بهتره
می‌تونیم چند تا بهش بدیم یا می‌تونیم یه
دونه بدیم با خودمونه اینم از این بریم بیایم جلسه
بعدی میریم سراغ یک مدل دیگه مدل دیگه
منظورم اینه که میریم سراغ یه نوع دیگه‌ای
از در حقیقت مدلسازی فعلاً خداحافظ
