Opis kursu: Segmentacja rynku jest jednym z najczęściej wykonywanych zadań analizy danych i data mining. Kurs jest przeznaczony dla wszystkich zainteresowanych zagadnieniami segmentacji, szczególnie w kontekście badań marketingowych i rynkowych. Omówione zostaną nowoczesne techniki analityczne stosowane w tego typu zagadnieniach. Przedstawione zostaną dwa podejścia do segmentacji: predykcyjne i deskryptywne.

Wymagania: umiejętność obsługi komputera w środowisku Windows, podstawowa znajomość pakietu STATISTICA. Zalecamy wcześniejszy udział w kursie STATISTICA kurs podstawowy lub Statystyka dla niestatystyków.

Kontynuacją mogą być np. kursy: Badanie satysfakcji i wartości klienta, kursy z cyklu data mining, Analizy wielowymiarowe, Sieci neuronowe.

Termin: 25.04.2012

Program kursu:

1. Segmentacja rynku: podejście eksploracyjne i modelowe
   1. Segmentacja a priori i post-hoc
   2. Modele deskryptywne i predykcyjne
   3. Segmentacja deterministyczna i probabilistyczna
2. Podejście predykcyjne w segmentacji rynku – istota i założenia
3. Drzewa interakcyjne CART w podejściu predykcyjnym
   1. Indeks Giniego a podział rekurencyjny w algorytmie CART
   2. Interakcyjna budowa modelu predykcyjnego z subiektywnym doborem predyktorów
   3. Rola zmiennych zastępczych (surrogates)
4. Metoda Random Forests i wzmacniane modele drzew klasyfikacyjnych (boosted trees)
   1. Metody wzmacniania algorytmów uczących oparte na technice bootstrap (bagging, boosting)
   2. Właściwości metody „losowy las”
   3. Budowa wzmacnianych modeli predykcyjnych
5. Podejście deskryptywne w segmentacji rynku – istota i założenia
6. Analiza głównych składowych i algorytm NIPALS w segmentacji deskryptywnej
   1. Rola analizy głównych składowych w diagnostyce kryteriów segmentacji
   2. Algorytm NIPALS
   3. Optymalizacja kryteriów post-hoc
   4. Ocena wymiarowości kryteriów segmentacji
7. Uogólniona analiza skupisk w grupowaniu konsumentów
   1. Podejście hierarchiczne i niehierarchiczne w segmentacji rynku
   2. Metoda k-średnich w segmentacji
   3. Podejście probabilistyczne do segmentacji – metoda EM