Dodano produkt do koszyka

Promocja

ANALIZA DANYCH BEHAWIORALNYCH PRZY UŻYCIU JĘZYKÓW R I PYTHON. WYKORZYSTANIE DANYCH ZORIENTOWANYCH NA UŻYTKOWNIKA W CELU UZYSKANIA REALNYCH WYNIKÓW BIZNESOWYCH

ANALIZA DANYCH BEHAWIORALNYCH PRZY UŻYCIU JĘZYKÓW R I PYTHON. WYKORZYSTANIE DANYCH ZORIENTOWANYCH NA UŻYTKOWNIKA W CELU UZYSKANIA REALNYCH WYNIKÓW BIZNESOWYCH

FLORENT BUISSON

Wydawnictwo: APN PROMISE

Cena: 89.99 zł 80.99 brutto

Koszty dostawy:
  • Paczkomaty InPost 14.99 zł brutto
  • Poczta Polska - odbiór w punkcie 9.99 zł brutto
  • Poczta Polska - przedpłata 15.99 zł brutto
  • Poczta Polska - pobranie 19.99 zł brutto
  • Kurier FEDEX - przedpłata 16.99 zł brutto
  • Kurier DHL - przedpłata 18.99 zł brutto
  • Kurier DHL - pobranie 21.99 zł brutto
  • Odbiór osobisty - UWAGA - uprzejmie prosimy poczekać na informację z księgarni o możliwości odbioru zamówienia - 0.00 zł brutto

Opis

Opis produktu

ISBN: 978-83-7541-464-6

343 stron
format: B5
oprawa: miękka
Rok wydania: 2022

Dzięki tej książce Czytelnik będzie mógł wykorzystać w swojej firmie pełną moc danych behawioralnych używając w tym celu wyspecjalizowanych narzędzi. Algorytmy często stosowane w danologii, a także programy służące do analizy predykcyjnej traktują jak zwykłe informacje dane behawioralne wygenerowane przez użytkowników, takie jak kliknięcia na stronie internetowej czy zakupy w supermarkecie. Ten praktyczny przewodnik zawiera opisy skutecznych metod, zaprojektowanych specjalnie w celu przeprowadzania analiz danych behawioralnych.

Zaawansowana architektura umożliwiająca wykonywanie eksperymentów pomaga w pełni wykorzystać testy A/B. Diagramy przyczynowe pozwalają poznać przyczyny zachowań nawet w przypadku, gdy nie można przeprowadzać eksperymentów. Ta praktyczna książka, napisana przystępnym stylem i przeznaczona dla osób zajmujących się danymi, analityków biznesowych oraz behawiorystów, zawiera kompletne przykłady, a także ćwiczenia wykorzystujące języki R i Python, pozwalające od razu uzyskać lepszy wgląd w dane.

SPIS TREŚCI

Wstęp

Część I. Zrozumienie zachowań

1. Koncepcja przyczynowo-behawioralna stosowana w analizie danych
Dlaczego do wyjaśniania ludzkich zachowań należy zastosować analizę
przyczynową?
Różne rodzaje analizy
Istoty ludzkie są skomplikowane
Zakłócenia, czyli ukryte niebezpieczeństwa rozwiązywania problemów
za pomocą regresji
Dane
Dlaczego korelacja nie jest związkiem przyczynowym? Rola czynnika
zakłócającego
Zbyt wiele zmiennych może zepsuć zabawę
Podsumowanie

2. Zrozumienie danych behawioralnych
Podstawowy model ludzkiego zachowania
Cechy osobowe
Poznanie i emocje
Intencje
Działania
Zachowania biznesowe
Jak połączyć ze sobą zachowania i dane?
Zdefiniowanie sposobu myślenia pozwalającego osiągnąć integralność
behawioralną
Nieufność i weryfikacja
Identyfikacja kategorii
Dostrajanie zmiennych behawioralnych
Zrozumienie kontekstu
Podsumowanie

Część II. Diagramy przyczynowe i usuwanie czynników zakłócających

3. Wprowadzenie do diagramów przyczynowych
Diagramy przyczynowe i koncepcja przyczynowo-behawioralna
Diagramy przyczynowe reprezentują zachowania
Diagramy przyczynowe reprezentują dane
Podstawowe struktury diagramów przyczynowych
Łańcuchy
Rozgałęzienia
Zderzacze
Typowe przekształcenia diagramów przyczynowych
Dzielenie (dezagregacja) zmiennych
Agregacja zmiennych
Co z cyklami?
Ścieżki
Podsumowanie

4. Tworzenie diagramów przyczynowych od podstaw
Opis problemu biznesowego i konfiguracji danych
Dane i pakiety
Zrozumienie głównej relacji
Identyfikacja zmiennych, które mogą zostać uwzględnione w diagramie
przyczynowym
Działania
Intencje
Poznanie i emocje
Cechy osobowe
Zachowania biznesowe
Trendy czasowe
Walidacja obserwowalnych zmiennych w oparciu o dane
Relacje między zmiennymi numerycznymi
Relacje między zmiennymi skategoryzowanymi
Relacje między zmiennymi numerycznymi a skategoryzowanymi
Iteracyjne rozbudowywanie diagramu przyczynowego
Identyfikacja pośredników dla zmiennych nieobserwowalnych
Identyfikacja dalszych przyczyn
Iteracje
Uproszczenie diagramu przyczynowego
Podsumowanie

5. Używanie diagramów przyczynowych do usuwania czynników zakłócających z analiz danych
Problem biznesowy: sprzedaż lodów i wody butelkowanej
Rozłączne kryterium ustalania przyczyny
Definicja
Blok pierwszy
Blok drugi
Kryterium tylnej furtki
Definicje
Blok pierwszy
Blok drugi
Podsumowanie

Część III. Profesjonalna analiza danych

6. Rozwiązywanie problemu brakujących danych
Dane i pakiety
Wizualizacja brakujących danych
Ilość brakujących danych
Korelacja braków danych
Rozpoznawanie brakujących danych
Przyczyny braków danych - klasyfikacja Rubina
Rozpoznawanie zmiennych MCAR
Rozpoznawanie zmiennych MAR
Rozpoznawanie zmiennych MNAR
Brak danych jako skala
Obsługiwanie braku danych
Wprowadzenie do imputacji wielokrotnej
Domyślna metoda imputacji: predykcyjne dopasowanie średniej
Od PMM do imputacji z rozkładem normalnym (tylko język R)
Dodawanie zmiennych pomocnicznych
Skalowanie liczby uzupełnianych zbiorów danych
Podsumowanie

7. Ocenianie niepewności za pomocą metody bootstrap
Wprowadzenie do metody bootstrap: "odpytywanie" samego siebie
Pakiety
Problem biznesowy: niewielki zbiór danych z wartościami odstającymi
Bootstrapowy przedział ufności dla średniej z próbki danych
Bootstrapowe przedziały ufności w przypadku doraźnych statystyk
Wykorzystanie metody bootstrap w analizie regresji
Kiedy należy używać metody bootstrap?
Warunki wystarczające do zastosowania tradycyjnych metod
szacowania wartości centralnej
Warunki wystarczające do wyznaczenia zwykłego przedziału ufności
Ustalanie liczby prób bootstrapowych
Optymalizacja metody bootstrap w R i Pythonie
Język R - pakiet boot
Optymalizacja dostępna w Pythonie
Podsumowanie

Część IV. Projektowanie i analizowanie eksperymentów

8. Projektowanie eksperymentów - podstawy
Planowanie eksperymentu - teoria zmiany
Cel biznesowy i wskaźnik docelowy
Interwencja
Logika behawioralna
Dane i pakiety
Ustalenie randomizacji i wielkości/mocy próby
Randomizacja
Wielkość próby i analiza mocy
Analizowanie i interpretowanie wyników eksperymentów
Podsumowanie

9. Randomizacja warstwowa
Planowanie eksperymentu
Cel biznesowy i wskaźnik docelowy
Zdefiniowanie interwencji
Logika behawioralna
Dane i pakiety
Określenie losowego przypisania i wielkości/mocy próby
Losowe przypisanie
Analiza mocy za pomocą symulacji bootstrapowych
Analizowanie i interpretowanie wyników eksperymentu
Oszacowanie współczynnika ITT w przypadku interwencji zachęcającej
Wyznaczanie wskaźnika CACE w przypadku interwencji obowiązkowej
Podsumowanie

10. Randomizacja klastrowa i modelowanie hierarchiczne
Zaplanowanie eksperymentu
Cel biznesowy i wskaźnik docelowy
Definicja interwencji
Logika behawioralna
Dane i pakiety
Wprowadzenie do modelowania hierarchicznego
Kod języka R
Kod języka Python
Określanie losowego przypisania i wielkości/mocy próby
Przypisanie losowe
Analiza mocy
Analiza eksperymentu
Podsumowanie

Część V. Użycie zaawansowanych narzędzi w analizie danych behawioralnych

11. Wprowadzenie do moderacji
Dane i pakiety
Behawioralne odmiany moderacji
Segmentacja
Interakcje
Nieliniowości
Jak stosować moderację?
W jakich przypadkach należy stosować moderację?
Wiele moderatorów
Walidacja moderacji za pomocą metody bootstrap
Interpretacja poszczególnych współczynników
Podsumowanie

12. Mediacja i zmienne instrumentalne
Mediacja
Zrozumienie mechanizmów przyczynowych
Zniekształcenia pojawiające się podczas ustalania przyczyn
Identyfikacja mediacji
Mierzenie mediacji
Zmienne instrumentalne
Dane
Zrozumienie i zastosowanie zmiennych instrumentalnych
Pomiar
Stosowanie zmiennych instrumentalnych - najczęściej zadawane pytania
Podsumowanie

Bibliografia

Indeks

O autorze

Kolofon

Kod wydawnictwa: 978-83-7541-464-6

Opinie, recenzje, testy:

Ten produkt nie ma jeszcze opinii

Twoja opinia

aby wystawić opinię.

Ocena:
  • Wszystkie pola są wymagane
Zapytaj o produkt

Produkty powiązane

Kontakt

Księgarnia Ekonomiczna Kazimierz Leki Sp. z o.o.

ul. Grójecka 67

02-094 Warszawa

NIP: 7010414095

Tel. 22 822 90 41

www.24naukowa.com.pl

naukowa@ksiegarnia-ekonomiczna.com.pl