#LEAD SCORING #MACHINE LEARNING #PYTHON #PYCARET #KNIME 

Ce que vous apprendrez

  • Apprendre à créer un modèle de score prospects utilisant l'apprentissage automatique

  • S'initier à PyCaret et KNIME

  • Votre expérimente d'apprentissage

    Apprendre par la pratique, développer votre intuition et comprendre les concepts de base.

  • Notre objectif

    Vous fournir une expérience d’apprentissage pour vous aider à atteindre vos objectifs.

  • Prérequis

    Connaissances de base en Python et en apprentissage automatique

  • Applications

    Optimiser l'effort de vente. Mieux cibler les prospects

  • Outils

    Python (distribution Anaconda), ainsi que la bibliothèque PyCaret. KNIME

Contenu du projet pratique

    1. Bienvenue

    2. Prérequis

    3. Option Premium

    4. Avant que nous commencions...

    1. Vue d’ensemble du projet

    2. Objectifs d'apprentissage

    3. Domaines d’application

    4. Ressources

    5. Mise en place de l’environnement

    6. Téléchargement des données

    7. Les étapes du projet

    1. Description de la tâche

    2. Conseils

    3. Solution

    1. Description de la tâche

    2. Conseils

    3. Solution

    1. Description de la tâche

    2. Conseils

    3. Solution

    1. Quiz

  • Gratuit
  • 40 leçons

Description

Ce projet utilisera une base de données qui provient de Kaggle afin de pouvoir créer un modèle de score de prospect. En anglais, ceci se nomme : Lead scoring model. La base de données se trouve ici : Lead Scoring X Online Education Kaggle. Plus précisément, cette base de données est à propos d’une plateforme en ligne orientée sur l’éducation qui offre des cours en ligne pour des professionnels. Un peu comme Uluumy. Ainsi, plusieurs variables sont collectées quant à leurs habitudes de navigation sur leur site Internet tel que le nombre de pages consultées et le temps qu’ils passent sur le site. De plus, leurs caractéristiques démographiques telles que leur âge, leur sexe et le pays dans lequel ils résident sont aussi amassées. Un lead scoring modèle permet d’attribuer aux clients des points selon leur propension à effectuer un achat ou à utiliser un service en particulier. Ainsi, plus les prospects ont de points, plus ils sont proches d’effectuer un achat. Cela permet aux équipes d’analytique, de vente et de marketing de s’entraider efficacement. La création de ce genre de modèle permet aux deux dernières équipes de concentrer leurs efforts aux bons endroits, car les clients qui ont plus de chance d’acheter des produits seront identifiés et approchés par l’équipe de vente. Il serait dommage de mettre de l’argent sur des prospects qui ont peu de pourcentage de chance d’effectuer un achat. La librairie open source Pycaret sera utilisée pour faciliter, entre autres, les étapes de création, d’évaluation et d’optimisation de modèle d’apprentissage automatique. Elle est considérée comme low-code parce que cette librairie est basée sur Scikit-Learn pour entraîner les modèles. Cependant, nous n'avons pas à coder tout au complet puisque Pycaret utilise des fonctions qui le font pour nous.

Instructrice

Love-Mary Victor

Partenaire Formation

Bachelière en criminologie, je suis tombée amoureuse des sciences des données, qui est un domaine plus que sollicité depuis l’avenue du Big Data des entreprises, lors d’un projet d’analyse des sentiments de forums À travers ma formation aux HEC Montréal à la maîtrise en intelligence d’affaires, j’ai pu alors parfaire mes aptitudes en analyse de données, en machine learning, en création de bases de données et en visualisation des données avec Python, R, SQL, Tableau et Power BI. Étant la preuve qu’il ne faut pas nécessairement une formation en programmation pour commencer à s’intéresser à ce domaine, j’aimerais aider les autres à éveiller cette curiosité que j’ai découverte au fil de mon parcours.

Questions fréquemment posées

  • De quels logiciels et versions ai-je besoin ?

    Python (avec Anaconda) et la librairie PyCaret. KNIME

  • Est-ce que le cours de préparation est obligatoire à suivre

    Non. Le cours a été conçu comme une référence

  • Est-ce que le contenu sera encore disponible après la fin du projet

    Absolument et pour toujours!