Marketing Data Science: Técnicas de modelado en análisis predictivo con R y Python

Opiniones de los lectores

El libro es un recurso completo para la ciencia de datos de marketing, que ofrece ejemplos detallados de codificación en Python y R. Aunque ha recibido elogios por su valioso contenido y claridad, muchos críticos señalan que asume conocimientos previos de programación y análisis, lo que puede dejar a los principiantes con dificultades. También se ha criticado la organización del libro, que algunos consideran confusa o densa. En general, constituye una referencia eficaz para quienes tienen cierta experiencia en ciencia de datos y marketing.

Bien escrito, con explicaciones claras, excelentes ejemplos del mundo real y ejemplos de código en Python y R, cobertura exhaustiva de las técnicas de la ciencia de datos de marketing, eficaz para lectores con conocimientos de programación y valiosos apéndices con estudios de casos.

Asume familiaridad con R y Python, puede ser denso y desafiante para principiantes, organización y presentación pobres señaladas por algunos lectores, y carece de instrucción básica sobre programación o conceptos de marketing.

(basado en 30 opiniones de lectores)

Título original:

Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python

Contenido del libro:

Ahora, un líder del prestigioso programa de análisis de la Northwestern University presenta un tratamiento totalmente integrado de los elementos empresariales y académicos de las aplicaciones de marketing en el análisis predictivo. Dirigido tanto a directivos como a estudiantes, Thomas W. Miller explica conceptos, principios y teorías esenciales en el contexto de las aplicaciones del mundo real.

Basándose en el programa pionero de Miller, Marketing Data Science aborda en profundidad la segmentación, el marketing de objetivos, el posicionamiento de marcas y productos, el desarrollo de nuevos productos, los modelos de elección, los sistemas de recomendación, la investigación de precios, la selección de emplazamientos comerciales, la estimación de la demanda, la previsión de ventas, la retención de clientes y el análisis del valor vitalicio.

Partiendo del punto en que lo dejó el ampliamente elogiado Modeling Techniques in Predictive Analytics de Miller, integra información y conocimientos cruciales que antes estaban segregados en textos sobre análisis web, ciencia de redes, tecnología de la información y programación. La cobertura incluye:

⬤  El papel de la analítica en la entrega de mensajes eficaces en la web.

⬤  La comprensión de la web mediante la comprensión de sus estructuras ocultas.

⬤  Ser reconocido en la web - y ver a sus propios competidores.

⬤  Visualización de redes y comprensión de las comunidades dentro de ellas.

⬤  Medir el sentimiento y hacer recomendaciones.

⬤  Aprovechamiento de los métodos clave de la ciencia de datos: bases de datos/preparación de datos, estadística clásica/bayesiana, regresión/clasificación, aprendizaje automático y análisis de texto.

Seis casos prácticos completos abordan cuestiones de excepcional relevancia, como la separación del correo electrónico legítimo del spam, la identificación de información legalmente relevante para el descubrimiento de demandas, la obtención de información a partir de datos anónimos de navegación web, etc. El amplio conjunto de problemas web y de redes de este texto se basa en ricas fuentes de datos de dominio público; muchos van acompañados de soluciones en Python y/o R.

Marketing Data Science será un recurso inestimable para todos los estudiantes, profesores y profesionales del marketing que deseen utilizar la analítica empresarial para mejorar el rendimiento del marketing.