Проектирование модели маркетингового микса с использованием современных байесовских методов и машинного обучения

Создание модели маркетингового микса, которой доверяют, требует большего, чем просто запуск алгоритма на данных за несколько кварталов. Данные, которые вы собираете, априорные значения, которые вы выбираете, способ проверки на отложенных данных и визуализации, которые вы предлагаете маркетологам, — все это определяет, будет ли модель использоваться или отложена. Этот курс рассматривает эти решения в том порядке, в котором они обычно возникают. Вы выполните письменные проектные задания, которые отражают то, как команда маркетинговой аналитики планировала бы современную MMM. Акцент делается на практических компромиссах, которые имеют значение, когда данные неполны, каналы пересекаются, а заинтересованные стороны задают сложные вопросы. Что вы узнаете: - Сбор и очистка данных о расходах на маркетинг, продажах и внешних данных, включая экономические и конкурентные сигналы - Создание признаков для adstock, насыщения и сезонности с четкими предположениями предметной области - Сравнение байесовских подходов MMM и расширений машинного обучения, включая градиентный бустинг и нейронные сети - Проверка моделей с использованием отложенных данных, геоэкспериментов и проверок согласованности по периодам - Преобразование выходных данных модели в рекомендации по бюджету и сценарные планы - Создание инструментов визуализации и отчетности, которые помогают маркетологам интерактивно исследовать компромиссы Курс проходит от подготовки данных через создание признаков, моделирование, проверку и отчетность. Итоговое письменное задание предлагает вам составить одностраничный проект MMM, нацеленный на конкретный бренд и микс каналов. Этот курс предназначен для специалистов по данным, маркетинговых аналитиков и специалистов по принятию решений с некоторым опытом программирования. Предварительный опыт работы с MMM не требуется. Курс рассматривает модель как проблему проектирования и тесно связан с тем, как реальные маркетинговые команды фактически планируют и оценивают.