Анализ поведенческих данных на R и Python: как улучшить бизнес-результаты на основе данных клиентов

От издательства Предисловие Благодарности Об авторе Об иллюстрации на обложке (колофон) Часть I. Понимание поведений Глава 1. Причинно-поведенческий каркас для анализа данных Почему для объяснения человеческого поведения нужна причинно-следственная аналитика Различные типы аналитики Люди – сложные существа Чтоб ей пусто было! Скрытые опасности, когда разбирательства отданы на усмотрение регрессии Данные Почему корреляция не есть каузация: спутывающий фактор в действии Слишком много переменных может испортить всю обедню Выводы Глава 2. Понимание поведенческих данных Базовая модель человеческого поведения Личностные характеристики Познание и эмоции Намерения Действия Поведения бизнеса Как соединять поведения и данные Развивать бихевиористски целостный менталитет Не доверять и проверять Выявлять категорию Уточнять поведенческие переменные Понимать контекст Выводы Часть II. Причинно-следственные диаграммы и распутывание Глава 3. Введение в причинно-следственные диаграммы Причинно-следственные диаграммы и причинно-поведенческий каркас Причинно-следственные диаграммы представляют поведения Причинно-следственные диаграммы представляют данные Фундаментальные структуры причинно-следственных диаграмм Цепочки Развилки Сталкиватели Распространенные преобразования причинно-следственных диаграмм Нарезка/дезагрегирование переменных Агрегирование переменных А что делать с циклами? Пути Выводы Глава 4. Строительство причинно-следственных диаграмм с нуля Деловая задача и настройка данных Данные и пакеты Понимание интересующей взаимосвязи Выявление переменных-кандидатов на включение Действия Намерения Познание и эмоции Личностные характеристики Поведения бизнеса Временные тренды Подтверждение наблюдаемых переменных для включения на основе данных Взаимосвязи между числовыми переменными Взаимосвязи между категориальными переменными Взаимосвязи между числовыми и категориальными переменными Итеративное расширение причинно-следственной диаграммы Выявление косвенных индикаторов для ненаблюдаемых переменных Выявление дальнейших причин Итеративный повтор Упрощения причинно-следственной диаграммы Выводы Глава 5. Использование причинно-следственных диаграмм для распутывания аналитических расчетов Деловая задача: продажи мороженого и бутилированной воды Критерий дизъюнктивной причины Определение Первый блок Второй блок Критерий боковой двери Определения Первый блок Второй блок Выводы Часть III. Устойчивый анализ данных Глава 6. Работа с пропущенными данными Данные и пакеты Визуализация пропущенных данных Объем пропущенных данных Корреляция пропущенности Диагностика пропущенных данных Причины пропущенности: классификация Рубина Диагностика переменных MCAR Диагностика переменных MAR Диагностика переменных MNAR Пропущенность как спектр Работа с пропущенными данными Введение во множественное вменение (MI) Метод вменения по умолчанию: соотнесение с предсказательным средним значением От PMM к нормальному вменению (только для R) Добавление вспомогательных переменных Вертикальное масштабирование числа наборов вмененных данных Выводы Глава 7. Измерение неопределенности с помощью бутстрапа Введение в бутстрап: «опрашивание» самого себя Пакеты Деловая задача: малые данные с выбросом Бутстраповский интервал уверенности для выборочного среднего Бутстраповские интервалы уверенности для нерегламентированной статистики Бутстрап для регрессионного анализа Когда следует использовать бутстрап Условия достаточности традиционной центральной оценки Условия достаточности традиционного интервала уверенности Определение числа бутстраповских выборок Оптимизирование бутстрапа на R и Python R: пакет boot Оптимизация на Python Выводы Часть IV. Дизайн и анализ экспериментов Глава 8. Экспериментальный дизайн: основы Планирование эксперимента: теория изменения Деловая цель и целевая метрика Вмешательство Поведенческая логика Данные и пакеты Определение случайного размещения и размера/мощности выборки Случайное размещение Размер выборки и анализ мощности Анализирование и интерпретирование экспериментальных результатов Выводы Глава 9. Стратифицированная рандомизация Планирование эксперимента Деловая цель и целевая метрика Определение вмешательства Поведенческая логика Данные и пакеты Определение случайного размещения и размера/мощности выборки Случайное размещение Анализ мощности с по­мощью бутстраповских симуляций Анализ и интерпретация экспериментальных результатов Оценка намерения относительно экспериментальной процедуры для стимулирования вмешательства Оценка причинно-следственного эффекта среднего по соблюдающим требования испытуемым в целях обязательного вмешательства Выводы Глава 10. Кластерная рандомизация и иерархическое моделирование Планирование эксперимента Деловая цель и целевая метрика Определение вмешательства Поведенческая логика Данные и пакеты Введение в иерархическое моделирование Исходный код на R Исходный код на Python Определение случайного размещения и размера/мощности выборки Случайное размещение Анализ мощности Анализ эксперимента Выводы Часть V. Продвинутые инструменты анализа поведенческих данных Глава 11. Введение в модерацию Данные и пакеты Поведенческие разновидности модерации Сегментация Взаимодействия Нелинейности Как применять модерацию Когда следует искать модерацию? Несколько модераторов Подтверждение модерации с по­мощью бутстрапа Интерпретирование отдельных коэффициентов Выводы Глава 12. Опосредование и инструментальные переменные Опосредование Понимание причинно-следственных механизмов Причинно-следственные систематические смещения Выявление опосредования Измерение опосредования Инструментальные переменные Данные Пакеты Понимание и применение инструментальных переменных Измерение Применение инструментальных переменных: часто задаваемые вопросы Выводы Библиография Предметный указатель Most Of The Data That Companies Collect Is Related To Customer Behaviors, Such As Clicks On A Website Or Purchases In A Supermarket. But Data Science Algorithms And Predictive Analytics Tools Aren't That Specific, So Customer Data Is Treated The Same Way As, For Example, Astronomical Or Genomic Data. This Practical Guide Introduces Powerful Methods For Behavioral Data Analysis That You're Probably Not Aware Of. Advanced Experimental Design Will Help You Get The Most Out Of Your A/b Tests, While Causal Diagrams Will Allow You To Tease Out Causality From Correlation Even When You Can't Run Experiments. Written In An Accessible Style For Data Scientists, Business Analysts, And Behavioral Scientists, This Practical Book Provides Complete Examples And Exercises In R And Python To Help You Gain More Insight From Your Immediately. Understand The Specifics Of Behavioral Data Explore The Differences Between Measurement And Prediction Learn How To Clean And Prepare Behavioral Data Design And Analyze Experiments To Drive Optimal Business Decisions Use Behavioral Data To Understand And Measure Cause And Effect Segment Customers In A Transparent And Insightful Way Harness the full power of the behavioral data in your company by learning tools specifically designed for behavioral data analysis. Common data science algorithms and predictive analytics tools treat customer behavioral data, such as clicks on a website or purchases in a supermarket, the same as any other data. Instead, this practical guide introduces powerful methods specifically tailored for behavioral data analysis. Advanced experimental design helps you get the most out of your A/B tests, while causal diagrams allow you to tease out the causes of behaviors even when you can't run experiments. Written in an accessible style for data scientists, business analysts, and behavioral scientists, this practical book provides complete examples and exercises in R and Python to help you gain more insight from your data--immediately. "Harness the full power of the behavioral data in your company by learning tools specifically designed for behavioral data analysis. Common data science algorithms and predictive analytics tools treat customer behavioral data, such as clicks on a website or purchases in a supermarket, the same as any other data. Instead, this practical guide introduces powerful methods specifically tailored for behavioral data analysis"--Amazon.com