In diesem Abschnitt befassen wir uns mit ETL-Prozessen unter Verwendung von Singer und pandas zur Datenextraktion und explorativen Datenanalyse. Zu den wichtigsten Konzepten zählen deskriptive Statistik, Datenprobleme und praktische Techniken zur Datenbereinigung.

In diesem Abschnitt befassen wir uns mit der Gestaltung von Streamlit-Dashboards und konzentrieren uns dabei auf aussagekräftige Kennzahlen, Dimensionen und Layout-Prinzipien für eine übersichtliche Datenpräsentation und eine nutzerorientierte Visualisierung.

In diesem Abschnitt befassen wir uns mit linearen und logistischen Regressionsmodellen, um kausale Zusammenhänge zu analysieren und Koeffizienten für datengestützte Entscheidungsfindung in der Marketinganalyse zu interpretieren.

In diesem Abschnitt befassen wir uns mit Prognoseverfahren wie Prophet und ARIMA für Marketing-KPIs und konzentrieren uns dabei auf die Modellauswahl, die Leistungsbewertung und praktische Anwendungen in der Zeitreihenanalyse.

In diesem Abschnitt befassen wir uns mit der Anomalieerkennung unter Verwendung der STL-Zerlegung, von S-H-ESD und PyMC zur bayesschen Change-Point-Erkennung, wobei wir den Schwerpunkt auf praktische Anwendungen und technische Genauigkeit legen.

In diesem Abschnitt befassen wir uns mit der Kundensegmentierung und der RFM-Analyse, um hochwertige Kunden zu identifizieren und Marketingstrategien mithilfe von Python für eine datengestützte Entscheidungsfindung zu optimieren.

In diesem Abschnitt befassen wir uns mit den Grundlagen des CLV, den Herausforderungen bei dessen Berechnung und setzen das BTYD-Modell mit PyMC Marketing um, um den Kundenwert und die Kaufhäufigkeit präzise vorherzusagen.

In diesem Abschnitt befassen wir uns mit der Gestaltung von Kundenumfragen, ihrer Zuverlässigkeit und Validität, den Stichprobenverfahren sowie den Einschränkungen des NPS, um die Datengenauigkeit und die Erkenntnisse über die Kunden zu verbessern.

In diesem Abschnitt erläutern wir die Conjoint-Analyse und wie man sie einsetzt, um Kundenpräferenzen und Entscheidungsprozesse zu verstehen.

In diesem Abschnitt befassen wir uns mit heuristischen und algorithmischen Attributionsmodellen zur Bewertung von Marketing-Touchpoints und zur Optimierung der Ausgaben. Zu den wichtigsten Konzepten zählen Shapley-Werte, marginale Beiträge und die Python-Implementierung für die Analyse von Konversionspfaden.

In diesem Abschnitt befassen wir uns mit der Media-Mix-Modellierung (MMM) zur Bewertung der Marketingeffektivität mithilfe von Python. Zu den wichtigsten Konzepten zählen die Datenerhebung, Adstock-Effekte und die Verwendung synthetischer Daten in Szenarien mit begrenzten Datenmengen.

In diesem Abschnitt befassen wir uns mit der Konzeption und Auswertung von Experimenten unter Verwendung von A/A-Tests, p-Werten und statistischer Aussagekraft, um zuverlässige Ergebnisse im Marketing und in der Datenanalyse zu gewährleisten.