Ein Data-Science-Projektbericht

In unserer Blogreihe zu einem Data-Science-Projekt bei einem Lebensmittelgroßhandel zeigen wir exemplarisch, wie wichtig die Identifikation von Kundenbedürfnissen für den Geschäftserfolg sind. Im zweiten Teil haben wir die Voraussetzungen geschaffen, um die nötigen Daten zu erhalten und diese für unseren Kunden erfolgreich einzusetzen. Im letzten Teil unserer Reihe lesen Sie, wie wir an die relevanten Informationen gelangen, die die Kundschaft interessieren und gleichzeitig Unternehmen Wettbewerbsvorteile sichern.

Kundenbedürfnisse identifizieren – Teil 1:

Zustand und Herausforderung »

Kundenbedürfnisse identifizieren – Teil 2:

Datenanreicherung mit externen Dienstleistern »

Quellen:

[1] Géron, Aurélion (2019), Hands-On Machine Learning with Scikit-Learn, Keras

& Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems (S. 26 f.), O‘Reilly Media, Inc., Sebastopol, Canada

[2] https://scikit-learn.org/stable/modules/clustering.html#k-means (Stand: 05.01.2021)

[3] https://scikit-learn.org/stable/modules/clustering.html#dbscan (Stand: 05.01.2021)

[4] https://www.scikit-yb.org/en/latest/api/cluster/elbow.html (Stand: 05.01.2021)

[5] https://scikit-learn.org/stable/auto_examples/cluster/plot_kmeans_silhouette_analysis.html (Stand: 05.01.2021)

[6] https://scikit-learn.org/stable/auto_examples/ensemble/plot_forest_importances. html (Stand: 07.01.2021)

[7] Sebastian Raschka, http://rasbt.github. io/mlxtend/user_guide/frequent_patterns/fpgrowth/#frequent-itemsets-via-the-fp-growth-algorithm (Stand 07.01.2021)

 

Schauen Sie sich auch unser Video zum Thema Data Science an:

Thumbnail_Kundensegmentierung_im_Großhandel

Jetzt teilen auf:

Jetzt kommentieren