Szczegóły ebooka

Analiza danych behawioralnych przy użyciu języków R i Python

Analiza danych behawioralnych przy użyciu języków R i Python

Florent Buisson

Ebook

Wykorzystanie danych zorientowanych na użytkownika w celu uzyskania realnych wyników biznesowych

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.

Zagadnienia przeanalizowane w książce:

- Poznanie specyfiki danych behawioralnych.

- Przedstawienie różnic pomiędzy pomiarami a prognozami.

- Wyjaśnienie, jak można oczyścić i przygotować dane behawioralne.

- Zaprojektowanie i przeanalizowanie eksperymentów umożliwiających podejmowanie optymalnych decyzji biznesowych.

- Wykorzystanie danych behawioralnych w celu zrozumienia i określenia przyczyny oraz skutku.

- Zaprezentowanie kompleksowej metody pozwalającej na uzyskanie przejrzystego podziału klientów na grupy.

"Ta książka jest wyjątkowa, ponieważ rozpoczyna się od przedstawienia pytań i problemów, a także wykorzystuje w postaci prawdziwych narzędzi odpowiednie techniki i języki programowania. Dzięki temu Czytelnicy poznają, jak można rozwiązywać niezwykle ważne i trudne zagadnienia. Czas poświęcony na jej przeczytanie będzie czystą inwestycją."

-Eric Weber

Kierownik Działu Eksperymentów, Yelp

Florent Buisson jest ekonomistą behawioralnym z 10-letnim doświadczeniem związanych z biznesem, analityką i naukami behawioralnymi. W firmie ubezpieczeniowej Allstate założył zespół specjalizujący się w naukach behawioralnych i pełnił funkcję jego szefa przez cztery lata. Publikował artykuły naukowe w czasopismach takich jak recenzowany Journal of Real Estate Research. Posiada tytuł magistra ekonometrii oraz doktorat z ekonomii behawioralnej, uzyskany na uniwersytecie Sorbona w Paryżu.

  • Spis treści
  • Wstęp
  • Zrozumienie zachowań
    • 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
    • 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
  • Diagramy przyczynowe i usuwanie czynników zakłócających
    • 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
    • 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
    • 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
  • Profesjonalna analiza danych
    • 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
    • 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
  • Projektowanie i analizowanie eksperymentów
    • 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
    • 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
    • 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
  • Użycie zaawansowanych narzędzi w analizie danych behawioralnych
    • 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
    • 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
  • O autorze
  • Kolofon
  • Polecamy także
  • Tytuł: Analiza danych behawioralnych przy użyciu języków R i Python
  • Autor: Florent Buisson
  • ISBN: 978-83-7541-465-3, 9788375414653
  • Data wydania: 2022-03-17
  • Format: Ebook
  • Identyfikator pozycji: e_2nxe
  • Wydawca: Promise