Dans cette section, nous abordons les processus ETL à l'aide de Singer et de pandas pour l'extraction et l'analyse exploratoire des données. Parmi les concepts clés abordés figurent les statistiques descriptives, les problèmes liés aux données et les techniques pratiques de nettoyage des données.

Dans cette section, nous abordons la conception des tableaux de bord Streamlit, en mettant l'accent sur les indicateurs pertinents, les dimensions et les principes de mise en page permettant une présentation claire des données et une visualisation centrée sur l'utilisateur.

Dans cette section, nous étudions les modèles de régression linéaire et logistique afin d'analyser les relations causales et d'interpréter les coefficients, dans le but de prendre des décisions fondées sur les données dans le domaine de l'analyse marketing.

Dans cette section, nous abordons les techniques de prévision telles que Prophet et ARIMA pour les indicateurs clés de performance (KPI) marketing, en mettant l'accent sur la sélection des modèles, l'évaluation des performances et les applications pratiques dans le domaine de l'analyse des séries chronologiques.

Dans cette section, nous abordons la détection d'anomalies à l'aide de la décomposition STL, de l'algorithme S-H-ESD et de PyMC pour la détection bayésienne des points de changement, en mettant l'accent sur les applications pratiques et la précision technique.

Dans cette section, nous abordons la segmentation de la clientèle et l'analyse RFM afin d'identifier les clients à forte valeur ajoutée et d'optimiser les stratégies marketing à l'aide de Python, dans le cadre d'une prise de décision fondée sur les données.

Dans cette section, nous abordons les principes fondamentaux de la CLV, les difficultés liées à son calcul, et nous mettons en œuvre le modèle BTYD à l'aide de PyMC Marketing afin de prédire avec précision la valeur client et la fréquence d'achat.

Dans cette section, nous abordons la conception des enquêtes clients, leur fiabilité, leur validité, les méthodes d'échantillonnage ainsi que les limites du NPS, afin d'améliorer la précision des données et la compréhension des clients.

Dans cette section, nous expliquons en quoi consiste l'analyse conjointe et comment l'utiliser pour comprendre les préférences et les processus décisionnels des clients.

Dans cette section, nous abordons les modèles d'attribution heuristiques et algorithmiques permettant d'évaluer les points de contact marketing et d'optimiser les dépenses. Parmi les concepts clés figurent les valeurs de Shapley, les contributions marginales et la mise en œuvre en Python pour l'analyse des parcours de conversion.

Dans cette section, nous abordons la modélisation du mix média (MMM) afin d'évaluer l'efficacité marketing à l'aide de Python. Parmi les concepts clés figurent la collecte de données, les effets « adstock » et les applications des données synthétiques dans les scénarios où les données sont limitées.

Dans cette section, nous abordons la conception et l'évaluation d'expériences à l'aide de tests A/A, de valeurs p et de la puissance statistique, afin de garantir la fiabilité des résultats en marketing et en analyse de données.