Fundamentos de analítica de marketing / JosephF. Hair, Jr., Dana E. Harrison, Haya Ajjan, y...[otro mas]

Incluye rosario, página 444.

Incluye índice, página 451.

PARTE 1 PANORÁMICA DE LA ANALÍTICA DE MARKETING Y LA ADMINISTRACIÓN DE DATOS.
1 introducción a la analítica de marketing.
1.1 Introducción a la analítica de marketing Definición de analítica de marketing Niveles de analítica y su efecto sobre la ventaja competitiva.
1.2 Definición correcta de los problemas de negocios.
1.3 Fuentes de datos.
1.4 Tipología de datos. tipos de datos. Medición de datos. Escalas métricas.
1.5 Variables de pronóstico y variables objetivo. Tipos de variables.
1.6 Tipos de modelos: aprendizaje supervisado y no supervisado.
1.7 Los siete pasos del proceso de la analítica de marketing.
Paso 1. Comprensión del problema del negocio.
Paso 2. Comprensión y acopio de datos.
Paso 3. Preparación de los datos y selección de características.
Paso 4. Elaboración del modelo.
Paso 5. Evaluación e interpretación del modelo.
Paso 6. Comunicación del modelo y los resultados.
Paso 7. Despliegue del modelo.
1.8 Cómo distinguirse de los demás.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

2 Administración de datos.
2.1 Llegó la era de los big data.
2.2 Sistemas de administración de bases de datos (DBMS, Database Management Systems).
2.3 Arquitectura de datos empresariales.
ETL tradicional.
ETL con Hadoop.
El almacenamiento de datos al detalle.
2.4 Calidad de los datos.
2.5 Comprender, preparar y transformar los datos.
Comprensión de los datos.
Preparación de los datos.
Transformación de los datos.
ESTUDIO DE CASO: PAN TOSTADO CON AGUACATE: UNA RECETA PARA APRENDER SQL.
Cómo empezar.
Cómo entender el conjunto de datos.
Aplicación de los conceptos.
Agregación.
Elabore su propia tabla de proveedores.
Agregue datos a su tabla.
Una de las dos tablas (COMBINAR).
Actualizar los datos.
Elimine valores.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

PARTE 2 Exploración y visualización de patrones de datos.
3 Análisis exploratorio de datos con base en la analítica cognitiva.
3.1 Importancia del análisis exploratorio de datos.
3.2 Definición de analítica cognoscitiva y descubrimiento de conocimientos.
La tecnología de analítica cognoscitiva que ganó en Jeopardy.
3.3 Casos de aplicación de analítica cognoscitiva.
Analítica cognitiva para la interfaz con los clientes.
Analítica cognitiva en las operaciones internas y la toma de decisiones.
3.4 Fuentes de datos internas y externas para mejorar el conocimiento.
ESTUDIO DE CASO: EXAMEN DE LA EXPERIENCIA DE LOS CLIENTES EN LÍNEA.
Entender el problema del negocio.
Entender el conjunto de datos.
Aplicación de los conceptos.
Aprendizajes de la aplicación de los conceptos.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

4 Visualización de datos.
4.1 ¿Qué es la visualización de datos?.
4.2 Principios y elementos de diseño para la visualización de datos.
Principios de diseño.
Elementos básicos del diseño.
4.3 Consideraciones básicas para elaborar visualizaciones de datos.
Diagramas y gráficas comunes.
4.4 Entonces, ¿qué cuenta usted?
ESTUDIO DE CASO: TELECOMUNICACIONES: CÓMO OPTIMIZAR LA ADQUISICIÓN DE CLIENTES.
Entender el problema del negocio.
Entender el conjunto de datos.
Preparación de los datos.
Aplicar los conceptos.
Conocimientos adquiridos al aplicarlos conceptos.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

PARTE 3 Métodos analíticos para el aprendizaje supervisado.
5 Análisis de regresión.
5.1 Qué son los modelos de regresión.
Regresión lineal simple.
Regresión lineal múltiple..
Evaluación de la habilidad del modelo de regresión para realizar predicciones.
5.2 Modelo de regresión predictivo.
5.3 Desempeño de la regresión predictiva.
5.4 Validación del modelo.
5.5 Modelos con variables categóricas.
5.6 Selección de la variable independiente del modelo.
Detección de la multicolinealidad.
Selección de atributos.
ESTUDIO DE CASO: ¿QUIERE UN VIAJE?
CÓMO ANTICIPAR LOS PRECIOS QUE LOS CLIENTES ESTÁN DISPUESTOS A PAGAR POR LOS SERVICIOS DE TRANSPORTE EN TAXI.
Entender el problema del negocio.
Entender el conjunto de datos.
Preparación de los datos.
Aplicación de los conceptos.
Paso 1: preparación de los datos para el modelo.
Paso 2: cómo configurar el modelo de entrenamiento y de validación cruzada.
Paso 3: evaluación de los resultados del modelo.
Paso 4: aplicación del modelo al nuevo conjunto de datos.
Conocimientos adquiridos en la aplicación de los conceptos.
Resumen de los objetivos de aprendizaje.
y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

6 Redes neuronales
6.1 Introducción a las redes neuronales.
6.2 Cómo se usan las redes neuronales en la práctica.
6.3 Elementos básicos de una red neuronal!.
6.4 Cómo aprende una red neuronal.
Cómo se ve el proceso en acción.
Cómo aprende la red.
Cuándo deja de aprender la red.
6.5 Principales aspectos que hay que recordar cuando se usan redes neuronales.
ESTUDIO DE CASO: EL SECTOR DE LA AVIACIÓN CIVIL: PARA ENTENDER LA SATISFACCIÓN DE LOS CLIENTES.
Entender el problema de negocios.
Entender el conjunto de datos.
Preparación de los datos.
Aplicación de los conceptos.
Paso l: preparación de los datos para el modelo.
Paso 2: configuración del modelo de entrenamiento y la validación cruzada.
Paso 3: evaluar los resultados del modelo.
Paso 4: aplicar el modelo a un nuevo conjunto de datos.
Conocimientos que se adquieren en la aplicación de los conceptos.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

7 Aprendizaje automático automatizado.
7.1 Qué es el aprendizaje automático automatizado.
Qué preguntas podrían surgir.
7.2 El aprendizaje automático automatizado en el marketing.
¿Qué compañías aprovechan el aprendizaje automático automatizado?.
7.3 Principales pasos del aprendizaje automático automatizado.
Preparación de los datos.
Elaboración de los modelos.
Creación de modelos ensamblados.
Métodos de ensamble avanzados.
Recomendación de modelos.
ESTUDIO DE CASO: DATOS SOBRE PRÉSTAMOS: CUÁNDO Y CÓMO APOYAR LA RESPONSABILIDAD FISCAL EN LOS CLIENTES.
Entender el problema del negocio.
Entender el conjunto de datos.
Cargar los datos.
Examinar los elementos.
Definir la variable objetivo.
Ejecutar el modelo.
Evaluación de los resultados de los modelos.
Aplicación del modelo para proyectar nuevos casos.
Conocimientos adquiridos de la aplicación de los conceptos.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

PARTE 4 Métodos analíticos para el aprendizaje no supervisado.
8 Análisis de agrupamientos
8.1 Qué es el análisis de agrupamientos.
8.2 Cómo se usa el análisis de agrupamientos en la práctica.
8.3 Cómo funciona el análisis de agrupamientos.
8.4 Tipos de análisis de agrupamientos.
Agrupamiento de k medias
Puntos del agrupamiento de k medias que hay que recordar.
Agrupamiento jerárquico.
Puntos del agrupamiento jerárquico que hay que recordar.
ESTUDIO DE CASO: VENTAS EN LÍNEA DE PERFUMES Y COSMÉTICOS: CÓMO
ENTENDER LA SEGMENTACIÓN DE CLIENTES MEDIANTE ANÁLISIS DE AGRUPAMIENTOS.
Entender el problema de negocios.
Entender la base de datos.
Aplicación de los conceptos.
Cómo abrir Python con Anaconda.
Preparación del entorno de Python.
Conocimientos adquiridos al aplicar los conceptos.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

9 Análisis de la canasta de compras.
9.1 ¿Qué es el análisis de la canasta de compras?.
9.2 Cómo se aplica en la práctica el análisis de la canasta de compras.
9.3 Reglas de asociación: ¿cómo puede un análisis de la canasta de compras identificar relaciones entre productos?.
9.4 Temas especiales en el análisis de la canasta de compras.
9.5 Funcionamiento del filtrado colaborativo.
ESTUDIO DE CASO: TIENDA DEPARTAMENTAL EN LÍNEA: ENTENDER LOS PATRONES DE COMPRA DE LOS CLIENTES.
Entender el problema del negocio.
Entender el conjunto de datos.
Preparación de los datos.
Aplicación de los conceptos.
Cargar los datos.
Preparación de los datos.
Ejecutar el operador crecimiento de patrones frecuentes.
Crear las reglas de asociación.
Conocimientos adquiridos en la aplicación de los conceptos.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

PARTE 5 Estrategias de la analítica emergente.
10 Procesamiento del lenguaje natural.
10.1 Qué es el procesamiento del lenguaje natural.
10.2 Cómo se utiliza el procesamiento del lenguaje natural en la práctica.
Optimización del inventario y participación de los clientes en las campañas de marketing.
Creación de nuevos productos para satisfacer las necesidades de los clientes.
Simplificar el viaje del huésped para mejorar la hospitalidad.
Creación de una mejor experiencia para los clientes.
Agregar características únicas a los productos.
Mejorar el servicio a clientes.
Facilitar los pedidos de los clientes.
Fortalecer las relaciones con los clientes.
10.3 Cómo se aplica la analítica textual.
Paso l: adquisición y consolidación de texto.
Paso 2: pre procesamiento de texto .
Tokenización.
Derivación.
Lematización.
Eliminación de las palabras vacías.
N-gramas.
Bolsa de palabras.
Matriz de términos y documentos.
Paso 3: exploración del texto.
Histograma.
Nubes de palabras.
Paso 4: modelos de texto.
10.4 Temas especiales de la analítica textual
ESTUDIO DE CASO: RESEÑAS EN LINEA DE ESPECIALIDADES GASTRONÓMICAS:
ENTENDER LOS SENTIMIENTOS DE LOS CLIENTES.
Entender el problema de negocios.
Entender el conjunto de datos.
Preparación de los datos.
Aplicación de los conceptos.
Abrir Python en Anaconda.
Preparación del entorno de Python.
Preprocesamiento del texto.
Modelo de temas.
Análisis de sentimientos con TextBlob.
Análisis de sentimientos con Vader Conocimientos que se adquirieron en la aplicación de los conceptos.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

11 Análisis de redes sociales.
11.1 Qué es el análisis de redes sociales.
11.2 Análisis de las redes sociales en la práctica.
11.3 Cómo se hace un análisis de redes sociales.
Medidas de redes.
Medidas de la centralidad.
Estructuras de las redes.
11.4 Pronóstico de vínculos mediante análisis de las redes sociales.
ESTUDIO DE CASO: INDUSTRIA AUTOMOTRIZ: CÓMO ENTENDER A LOS INFLUENCERS EN LAS REDES.
Entender el problema de negocios.
Entender el conjunto de datos.
Preparación de los datos.
Aplicación de los conceptos.
Paso l: iniciar con Polinode.
Paso 2: cargar los datos en Polinode.
Paso 3: ver el grafo de la red.
Paso 4: medir las propiedades de la red.
Paso 5 actualizar la vista del grafo de nodos.
Paso 6 elaborar el informe de la red y descargar los resultados.
Conocimientos que se adquieren mediante la aplicación de los conceptos
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.

12 Fundamentos de la analítica del marketing digital.
12.1 Cuáles son los fundamentos del marketing digital.
¿Qué es un medio digital propio?.
¿Qué es un medio digital pagado?.
¿Qué es un medio digital ganado?.
¿Cómo se utiliza el marketing digital?.
12.2 Analítica del marketing digital en la práctica.
Medios digitales propios del marketing.
Medios digitales de marketing pagados.
Medios digitales de marketing ganados.
12.3 Medidas de la analítica del marketing digital.
Análisis de la audiencia.
Análisis de adquisiciones.
Análisis conductual.
Análisis de conversión.
Pruebas A/B.
Pruebas multivariadas.
Atribución a varios canales.
12.4 Cómo funcionan las pruebas A/B ESTUDIO DE CASO: COMERCIO
ELECTRÓNICO: LA TIENDA EN LÍNEA DE GOOGLE.
Entender el problema de negocios.
Entender el conjunto de datos.
Aplicación de los conceptos.
Introducción a Google Analytics.
Paso 1: entrar en la cuenta de demostración.
Paso 2: revisar el tablero principal.
Paso 3: Revisar los informes.
Conocimientos adquiridos en la aplicación de los conceptos.
Una nota para terminar.
Resumen de los objetivos de aprendizaje y términos clave.
Preguntas de análisis y repaso.
Razonamiento crítico y aplicaciones de marketing.