LITTLE BY LITTLE

목차 1장. 이제는 모든 마케터가 빅데이터 및 예측 분석에 쉽게 접근할 수 있다. 2장. 마케터를 위한 알기 쉬운 예측 분석 입문 3장. 먼저 고객을 파악하라 : 완전한 고객 프로파일의 구축 4장. 기업 가치를 높이기 위해 고객을 투자 포트폴리오처럼 관리하라 5장. 실행전략 1 - 고객 데이터를 이용하여 마케팅 지출을 최적화하라 6장. 실행전략 2 - 고객의 페르소나를 예측하고 마케팅을 다시 고객과 관련성 있게 만들어라 7장. 실행전략 3 - 생애주기 마케팅을 위해 고객 여정을 예측하라 8장. 실행전략4 - 고객가치를 예측하라 - 가치 기반 마케팅 9장. 실행전략5 - 고객 등급화를 위해 고객의 구매 또는 참여 가능성을 예측하라 10장. 실행전략6 - 각 고객마다 적절한 개인별 추천사항을 예측하라 11장..

datetime 오브젝트 from datetime import datetime now1=datetime.now() print(now1) now2=datetime.today() print(now2) t1 = datetime.now() t2 = datetime(1970,1,1) t3 = datetime(1970, 12, 12, 13, 24, 34) diff1 = t1 - t2 print(diff1) print(type(diff1)) #datetime pd.to_datetime 시계열 데이터는 문자열인데, 문자열은 시간 계산을 할 수 없기 때문에 datetime 오브젝트로 변환해주어야한다. import pandas as pd import os from google.colab import files myfile..

If문 money = False if money: print("택시를 타고 가라") else: print("걸어가라") if money: print("택시를") print("타고") print("가라") money = 2000 card = True if money>=3000 or card: print("택시를 타고 가라") else: print("걸어 가라") 'a' in ('a','b','c') 'j' not in 'python' pocket = ['paper','cellphone','money'] if 'money' in pocket: print("택시를 타고 가라") else: print("걸어 가라") pocket = ['paper','cellphone'] card = True if 'money'..

Tableau 기본 개념 차원과 측정값 차원 : 분류적인 데이터 - Gender, Brand, Store Address 측정값 : 집계적인 데이터 - Quantity, Price 차원 및 측정값은 숫자,날짜,문자, 지리적인 역할로 데이터 형식 변경이 가능하다. ex. 성별 별 매출액 (분류적인 차원 성별 + 집계적인 측정값 매출액) 하지만 주소나 연령과 같은 값은 차원(분류적인 데이터)이지만 숫자형이라서 측정값(집계적인 데이터)로 인식하기 때문에, 측정값을 변경해줘야한다. 차원과 측정값의 차이를 연령으로 알아보자 행과 열에 [매출액], [Age] 필드를 드래그한다. → Age는 숫자형이기 때문에 측정값 필드로 나뉘고, 합계로 자동 집계됨 → Age를 측정값->차원으로 변경하면 연령대별 매출액으로 시각화된..

태블로 Tableau 더보기 파일 다운로드 http://github.com/bjpublic/SQL-Tableau GitHub - bjpublic/SQL-Tableau: 데이터 분석과 시각화: SQL로 분석하고 Tableau로 시각화하자 데이터 분석과 시각화: SQL로 분석하고 Tableau로 시각화하자. Contribute to bjpublic/SQL-Tableau development by creating an account on GitHub. github.com 데이터 원본 페이지 구성 왼쪽 패널 : 연결된 데이터 원본 / 시트명(테이블) 캔버스 : 데이터 원본 설정 방법 / 결합 옵션에 대한 정보 데이터 그리드 : 캔버스에서 설정한 데이터가 첫 1,000개 행까지 표시됨 메타데이터 그리드 : 캔버스..

* ERD(Entity-Relationship Diagram)는 ERM 프로세스의 최종산출물. * ERM : 데이터를 구조화하기 위한 개체-관계 모델링 기법 * 파일 가져오기 더보기 http://github.com/bjpublic/SQL-Tableau GitHub - bjpublic/SQL-Tableau: 데이터 분석과 시각화: SQL로 분석하고 Tableau로 시각화하자 데이터 분석과 시각화: SQL로 분석하고 Tableau로 시각화하자. Contribute to bjpublic/SQL-Tableau development by creating an account on GitHub. github.com 더보기 - ch.5에서 Car_member.csv / Car_order.csv / Car_orderde..

목차 1장. 이제는 모든 마케터가 빅데이터 및 예측 분석에 쉽게 접근할 수 있다. 2장. 마케터를 위한 알기 쉬운 예측 분석 입문 3장. 먼저 고객을 파악하라 : 완전한 고객 프로파일의 구축 4장. 기업 가치를 높이기 위해 고객을 투자 포트폴리오처럼 관리하라 5장. 실행전략 1 - 고객 데이터를 이용하여 마케팅 지출을 최적화하라 6장. 실행전략 2 - 고객의 페르소나를 예측하고 마케팅을 다시 고객과 관련성 있게 만들어라 7장. 실행전략 3 - 생애주기 마케팅을 위해 고객 여정을 예측하라 8장. 실행전략4 - 고객가치를 예측하라 - 가치 기반 마케팅 9장. 실행전략5 - 고객 등급화를 위해 고객의 구매 또는 참여 가능성을 예측하라 10장. 실행전략6 - 각 고객마다 적절한 개인별 추천사항을 예측하라 11장..

apply 메소드 사용자가 작성한 함수를 한번에 적용하여 실행할 수 있게 해주는 메소드 함수를 브로드캐스팅할 때 사용 for문을 사용하는 것과 같은 결과 출력, 하지만 더 빠르다. 함수의 기본 구조 def my_function(): 인자가 1개인 함수 my_sq(x) def my_sq(x): return x **2 print(my_sq(4)) → 16 인자가 2개인 함수 my_exp(x,n) def my_exp(x,n): return x**n print(my_exp(2,4)) → 16 시리즈에 적용 apply 사용 x o 비교 (결과는 같음) import pandas as pd df = pd.DataFrame({'a':[10,20,30],'b':[20,30,40]}) print(df) #apply 적용x..