Bewertung:
Das Buch ist eine umfassende Ressource für Marketing Data Science und bietet detaillierte Programmierbeispiele in Python und R. Während es für seinen wertvollen Inhalt und seine Klarheit gelobt wurde, merken viele Rezensenten an, dass es Vorkenntnisse in Programmierung und Analytik voraussetzt, was Anfänger vor Probleme stellen kann. Auch die Gliederung des Buches wird kritisiert, manche finden sie verwirrend oder zu dicht. Alles in allem ist es ein effektives Nachschlagewerk für diejenigen, die bereits über Vorkenntnisse in den Bereichen Datenwissenschaft und Marketing verfügen.
Vorteile:Gut geschrieben, mit klaren Erklärungen, großartigen Beispielen aus der Praxis und Code-Beispielen in Python und R, umfassender Abdeckung von Marketing-Data-Science-Techniken, effektiv für Leser mit Programmierkenntnissen, und wertvollen Anhängen mit Fallstudien.
Nachteile:Setzt Vertrautheit mit R und Python voraus, kann für Anfänger dicht und herausfordernd sein, mangelhafte Organisation und Präsentation wurde von einigen Lesern bemängelt, und es fehlen grundlegende Anweisungen zur Programmierung oder zu Marketingkonzepten.
(basierend auf 30 Leserbewertungen)
Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python
Jetzt, präsentiert ein Leiter des renommierten Analytikprogramms der Northwestern University eine vollständig integrierte Behandlung sowohl der geschäftlichen als auch der akademischen Elemente von Marketinganwendungen in der prädiktiven Analytik. Thomas W. Miller wendet sich sowohl an Manager als auch an Studenten und erklärt wesentliche Konzepte, Prinzipien und Theorien im Kontext realer Anwendungen.
Aufbauend auf Millers bahnbrechendem Programm befasst sich Marketing Data Science eingehend mit Segmentierung, Zielmarketing, Marken- und Produktpositionierung, Entwicklung neuer Produkte, Modellierung von Kaufentscheidungen, Empfehlungssystemen, Preisforschung, Standortwahl im Einzelhandel, Nachfrageschätzung, Absatzprognosen, Kundenbindung und Lifetime-Value-Analyse.
Er beginnt dort, wo Millers weithin gelobtes Buch Modeling Techniques in Predictive Analytics aufgehört hat, und integriert wichtige Informationen und Erkenntnisse, die zuvor in Texten über Webanalyse, Netzwerkwissenschaft, Informationstechnologie und Programmierung getrennt waren. Der Inhalt umfasst:
⬤ Die Rolle der Analytik bei der Übermittlung effektiver Botschaften im Web.
⬤ Das Web verstehen, indem man seine verborgenen Strukturen begreift.
⬤ Im Web erkannt werden - und die eigene Konkurrenz beobachten.
⬤ Netzwerke visualisieren und Gemeinschaften darin verstehen.
⬤ Messung von Stimmungen und Abgabe von Empfehlungen.
⬤ Nutzung der wichtigsten datenwissenschaftlichen Methoden: Datenbanken/Datenaufbereitung, klassische/bayessche Statistik, Regression/Klassifikation, maschinelles Lernen und Textanalyse.
Sechs vollständige Fallstudien befassen sich mit außerordentlich relevanten Themen, wie z. B. der Unterscheidung zwischen legitimen E-Mails und Spam, der Identifizierung rechtlich relevanter Informationen für die Entdeckung von Rechtsstreitigkeiten, der Gewinnung von Erkenntnissen aus anonymen Websurfing-Daten und vielem mehr. Die umfangreiche Sammlung von Web- und Netzwerkproblemen in diesem Text stützt sich auf reichhaltige Datenquellen aus dem öffentlichen Bereich; viele werden von Lösungen in Python und/oder R begleitet.
Marketing Data Science wird eine unschätzbare Ressource für alle Studenten, Dozenten und professionellen Marketingexperten sein, die Business Analytics zur Verbesserung der Marketingleistung nutzen wollen.
| ISBN: | 9780133886559 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2015 |
| Seitenzahl: | 480 |
Derzeit verfügbar, auf Lager.
