Kurz zákaznické analytiky

Lekce 1 • Prostředí zákaznických dat

Zkoumá zdroje dat první, druhé a třetí strany a vysvětluje, jak se každý z nich shromažďuje a používá. Ukotvuje studenty v surovině, která pohání veškerou následnou analýzu.

Lekce 2 • Co znamená zákaznická analytika

Definuje zákaznickou analytiku, odlišuje ji od obecného business intelligence a mapuje její roli v životním cyklu zákazníka. Vytváří sdílený slovník pro celý kurz.

Lekce 3 • Metriky, na kterých zákazníkům záleží

Představuje základní zákaznické KPI, jako je míra akvizice, míra retence a skóre spokojenosti. Každou metriku propojuje s konkrétním obchodním výsledkem, který budou studenti později analyzovat.

Lekce 4 • Typy analytických přístupů

Porovnává deskriptivní, diagnostickou, prediktivní a preskriptivní analytiku na reálných zákaznických příkladech. Pomáhá studentům vybrat správný analytický režim pro danou obchodní otázku.

Lekce 1 • Zákaznické datové platformy a úložiště

Porovnává datové sklady, datová jezera a zákaznické datové platformy pro ukládání jednotných zákaznických profilů. Studenti přiřazují architekturu úložiště k měřítku organizace a případu užití.

Lekce 2 • Tvorba zákaznického datového slovníku

Provádí studenty dokumentací definic polí, datových typů a vlastnictví pro všechny zákaznické atributy. Dobře udržovaný slovník snižuje nejednoznačnost a urychluje analýzu.

Lekce 3 • Kvalita a čištění dat

Řeší úplnost, přesnost, konzistenci a aktuálnost jako čtyři pilíře kvality dat. Vyučuje praktické techniky čištění, které předcházejí chybám v následné analýze.

Lekce 4 • Metody a kanály sběru dat

Zkoumá průzkumy, transakční protokoly, webové sledování a CRM vstupy jako primární metody sběru. Studenti hodnotí kompromisy v pokrytí, nákladech a kvalitě dat napříč kanály.

Lekce 1 • Kohortová a trendová analýza

Představuje seskupování kohort podle období akvizice a dekompozici trendů v čase. Studenti identifikují změny chování, které ovlivňují retenční a produktové strategie.

Lekce 2 • Pracovní postup exploratorní analýzy

Strukturuje opakovatelný proces EDA od načtení dat až po dokumentaci poznatků. Studenti aplikují celý pracovní postup na vzorovou zákaznickou datovou sadu jako závěrečné cvičení.

Lekce 3 • Popisná statistika pro zákaznická data

Pokrývá průměr, medián, modus, rozptyl a tvar rozdělení aplikované na zákaznické metriky. Poskytuje statistickou základnu potřebnou pro všechny následné analytické techniky.

Lekce 4 • Základy vizualizace dat

Vyučuje výběr grafů, použití barev a principy rozvržení pro vizuální komunikaci zákaznických poznatků. Efektivní vizualizace je postavena jako klíčová analytická dovednost, nejen jako prezentační nástroj.

Lekce 1 • Shlukovací metody pro segmentaci

Pokrývá algoritmy k-means, hierarchického a hustotního shlukování aplikované na sady zákaznických příznaků. Studenti vybírají a ladí algoritmy na základě struktury dat a obchodních cílů.

Lekce 2 • Validace a nasazení segmentů

Aplikuje statistickou validaci, obchodní kontrolu a A/B testování k potvrzení užitečnosti segmentu před nasazením. Studenti operacionalizují segmenty v CRM a systémech marketingové automatizace.

Lekce 3 • Behaviorální a psychografická segmentace

Rozšiřuje segmentaci nad rámec demografie o vzorce používání, postoje a ukazatele životního stylu. Studenti kombinují behaviorální data s výstupy průzkumů k vytvoření bohatších profilů segmentů.

Lekce 4 • RFM analýza

Vyučuje skórování recence, frekvence a monetární hodnoty k seřazení a seskupení zákazníků podle nákupního chování. RFM je prezentováno jako přístupný vstupní bod před složitějšími shlukovacími metodami.

Lekce 1 • Koncepty CLV a obchodní dopad

Definuje CLV, rozlišuje historické a prediktivní CLV a propojuje ho se ziskovostí a alokací zdrojů. Vysvětluje, proč je CLV ústřední metrikou v zákaznicky orientované strategii.

Lekce 2 • Jednoduché metody výpočtu CLV

Prochází přístupy k výpočtu CLV založené na průměrném výnosu, marži a diskontovaných peněžních tocích. Studenti aplikují každý vzorec na realistické zákaznické datové sady a porovnávají výsledky.

Lekce 3 • Přístupy strojového učení k CLV

Aplikuje regresi, gradient boosting a modely neuronových sítí k predikci CLV ze zákaznických příznaků. Studenti porovnávají přesnost ML s pravděpodobnostními základními liniemi a hodnotí kompromisy.

Lekce 4 • Pravděpodobnostní modely CLV

Představuje modely BG/NBD a Pareto/NBD pro predikci budoucích transakcí a přežití zákazníka. Studenti rozumí předpokladům modelů a aplikují je na data o nesmluvních nákupech.

Lekce 1 • Navrhování retenčních intervencí

Propojuje skóre pravděpodobnosti odchodu s cílenými nabídkami, načasováním oslovení a výběrem kanálu pro retenční kampaně. Studenti vytvářejí rozhodovací strom, který směruje ohrožené zákazníky ke správné intervenci.

Lekce 2 • Tvorba modelu predikce odchodu

Pokrývá výběr příznaků, řešení nevyváženosti tříd a trénování modelu pomocí logistické regrese a stromových klasifikátorů. Studenti vytvoří ohodnocený seznam zákazníků seřazený podle pravděpodobnosti odchodu.

Lekce 3 • Měření efektivity retenčního programu

Využívá kontrolované experimenty a metodu difference-in-differences k izolaci kauzálního dopadu retenčních programů. Studenti vypočítají inkrementální ušetřené výnosy a ROI programu.

Lekce 4 • Porozumění odchodu zákazníků

Definuje dobrovolný vs. nedobrovolný odchod, vypočítává míru odchodu a identifikuje vedoucí behaviorální indikátory. Propojuje měření odchodu s dříve představenými metrikami CLV a retence.

Lekce 1 • Datově řízené atribuční metody

Pokrývá atribuci pomocí Shapleyho hodnoty, Markovových řetězců a logistické regrese jako datově řízené alternativy k pravidlům. Studenti hodnotí, kdy datově řízené metody překonávají přístupy založené na pravidlech.

Lekce 2 • Analýza kontaktních bodů a jejich vlivu

Měří frekvenci, recenci a konverzní vliv každého kontaktního bodu napříč digitálními a offline kanály. Studenti řadí kontaktní body podle jejich příspěvku k požadovaným zákaznickým výsledkům.

Lekce 3 • Optimalizace výdajů pomocí atribučních poznatků

Převádí atribuční výstupy na doporučení pro realokaci rozpočtu a optimalizaci mixu kanálů. Studenti vytvářejí scénář optimalizace výdajů s využitím atribučních dat z realistického případu.

Lekce 4 • Mapování zákaznické cesty

Představuje mapování cesty jako datově řízený proces využívající protokoly událostí, data o relacích a vstupy z průzkumů. Studenti vytvoří kvantitativní mapu cesty, která odhaluje body odchodu a akcelerace.

Lekce 1 • Tvorba plánu zákaznické analytiky

Provádí studenty stanovením priorit případů užití, sekvencováním investic a definováním milníků pro víceletý plán analytiky. Dokončený plán slouží jako závěrečný výstup kurzu.

Lekce 2 • Sladění analytiky s obchodní strategií

Propojuje výstupy zákaznické analytiky s firemními cíli, jako je růst, ziskovost a tržní podíl. Studenti převádějí obchodní otázky na analytické problémové výroky s měřitelnými kritérii úspěchu.

Lekce 3 • Experimentování a kauzální inference

Pokrývá návrh A/B testování, výpočet velikosti vzorku a kvaziexperimentální metody pro kauzální zákaznické poznatky. Studenti rozlišují korelaci od kauzality a navrhují validní obchodní experimenty.

Lekce 4 • Budování centra excelence v analytice

Definuje role, správu a operační model centra excelence v zákaznické analytice. Studenti navrhují strukturu týmu, která vyvažuje centralizovanou odbornost s agilitou obchodních jednotek.