


دوره آنلاین داده كاوی و تحليل اطلاعات مشتريان برگزار شده
دوره آنلاین داده كاوی و تحليل اطلاعات مشتريان برگزار شده
بلیتهای وبینار
توضیحات
مشتری محور بودن بدون تحلیل اطلاعات مشتریان و بدون استفاده از دادههای جمعآوری شده از مشتریان امکان پذیر نمیباشد.
چه اتفاقی افتاده است که نیاز داریم در مدیریت ارتباط با مشتریان خود از روشهای دادهکاوی و تحلیل دادههای مشتریان استفاده کنیم؟ امروزه بسیاری از کسب و کارها دادههای مشتریان خود را جمع آوری میکنند و با حجم زیادی از دادههای مشتریان مواجه هستند.
اما بايد توجه داشت كه تنها با جمعآوري حجم زياد از دادههاي مشتري نميتوان به ارزش و سود قابل توجه در كسب و كار رسيد. از طرفی امکان تحلیل این حجم از دادهها و اطلاعات به صورت دستی براي سازمانها امکان پذیر نمیباشد و آنچه که ضرورت پیدا میکند فراگیری روشهای تحلیل داده با استفاده از ابزارهای مناسب و ایجاد توان تحلیل دادههای مشتریان در شرکتهای مشتری محور میباشد. از ابزارهای متداول تحلیل داده ها می توان به استفاده از تکنیک ها و الگوریتم های داده کاوی اشاره نمود.
:مخاطبان دوره
- برای افرادی که میخواهند در مدت کوتاهی با یکی از ابزارهای مهم داده کاوی آشنا شوند و به تحلیل داده های مشتریان خود بپردازند
- این دوره مناسب مدیران فروش و بازاریابی است که دادههای مشتریان را در اختیار دارند و قصد استفاده تحلیلی از این دادهها را دارند.
- کارشناسانی که در حوزه مدیریت ارتباط با مشتری فعالیت میکنند و با دادههای مشتریان سر و کار دارند و قصد یادگیری روشهای تحلیل دادههای مشتریان را دارند.
- دانشجویان و فارغ التحصیلانی که میخواهند با دانش روز دادهکاوی کاربردی به عنوان بخشی از از آمادهسازی خود برای یافتن شغل در زمینه مدیریت ارتباط با مشتری آشنا شوند.
سرفصلها
جلسه اول :
- مقدمه ای کوتاه بر داده کاوی و کاربرد آن در مدیریت ارتباط با مشتری
- توضیح دانلود و نصب نرم افزار، آشنایی با محیط نرم افزار، ورود داده ها به نرم افزار
- درک اولیه از داده های مشتریان (شناخت انواع متغیرها)
- مصورسازی داده های مشتریان در نرم افزار
- پاکسازی داده های مشتریان (مدیریت داده های پرت، مدیریت داده های از دست رفته، حذف رکوردهای تکراری)
- پیش پردازش داده های مشتریان (یکپارچه سازی داده ها، تجمیع داده ها)
جلسه دوم :
- ادامه مباحث مربوط به پیش پردازش داده های مشتریان ( نمونه گیری، کاهش ابعاد، انتخاب زیرمجموعه ای از ویژگی ها)
- آشنایی با اپراتورهای رده بندی و پیش بینی در نرم افزار رپیدماینر (درخت های تصمیم، شبکه های عصبی، نیوبیز، کا-نزدیکترین همسایگی، ماشین های بردار پشتیبان) و ارائه مثال در نرم افزار
جلسه سوم :
- معرفی اپراتورهای مختلف خوشه بندی در نرم افزار رپیدماینر.
- ارائه مثال کاربردی از بخش بندی مشتریان با استفاده از الگوریتم های خوشه بندی و مدل RFM و توسعه مدل RFM در نرم افزار
جلسه چهارم :
- معرفی اپراتورهای های قواعد انجمنی
- ارائه مثال در خصوص قواعد انجمنی در نرم افزار
- مرور مباحث منتخب از جلسات گذشته







نظرات