Szczegóły ebooka
Analiza danych behawioralnych przy użyciu języków R i Python
Florent Buisson
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
- Dlaczego do wyjaśniania ludzkich zachowań należy zastosować analizę przyczynową?
- 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
- Podstawowy model ludzkiego zachowania
- Koncepcja przyczynowo-behawioralna stosowana w analizie danych
- 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
- Diagramy przyczynowe i koncepcja przyczynowo-behawioralna
- 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
- Opis problemu biznesowego i konfiguracji danych
- 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
- Wprowadzenie do diagramów przyczynowych
- 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
- Wprowadzenie do metody bootstrap: odpytywanie samego siebie
- Rozwiązywanie problemu brakujących danych
- 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
- Planowanie eksperymentu teoria zmiany
- 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
- Planowanie eksperymentu
- 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
- Zaplanowanie eksperymentu
- Projektowanie eksperymentów podstawy
- 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
- Mediacja
- Wprowadzenie do moderacji
- 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