Puntuación:
Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.
Social Media Data Mining and Analytics
Aprovechar el poder de las redes sociales para predecir el comportamiento de los clientes y mejorar las ventas.
Las redes sociales son la mayor fuente de Big Data. Por ello, el 90% de las empresas de Fortune 500 están invirtiendo en iniciativas de Big Data que les ayudarán a predecir el comportamiento de los consumidores para obtener mejores resultados de ventas. Escrito por el Dr. Gabor Szabo, Científico de Datos Senior en Twitter, y el Dr. Oscar Boykin, Ingeniero de Software en Twitter, Social Media Data Mining and Analytics muestra a los analistas cómo utilizar técnicas sofisticadas para minar los datos de las redes sociales, obteniendo la información que necesitan para generar resultados sorprendentes para sus negocios.
Social Media Data Mining and Analytics no es sólo otro libro sobre el caso empresarial de los medios sociales. Más bien, este libro proporciona ejemplos prácticos para la aplicación de herramientas y tecnologías de vanguardia para la minería de medios sociales - los ejemplos incluyen Twitter, Facebook, Pinterest, Wikipedia, Reddit, Flickr, hipervínculos Web, y otras fuentes de datos ricos. En él, aprenderá:
⬤ Las cuatro características clave de los servicios en línea: usuarios, redes sociales, acciones y contenidos.
⬤ El ciclo de vida completo del descubrimiento de datos: extracción, almacenamiento, análisis y visualización de datos.
⬤ Cómo trabajar con código y extraer datos para crear soluciones.
⬤ Cómo utilizar Big Data para hacer predicciones precisas sobre los clientes.
Szabo y Boykin escribieron este libro para proporcionar a las empresas la ventaja competitiva que necesitan para aprovechar los abundantes datos que ofrecen las plataformas de medios sociales.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)