Data Analytics für die 360° Kundensicht
10.09.24 - 11.09.24
Galerie Hotel Leipziger Hof
Hedwigstr. 1-3
04315 Leipzig
10.09.
08:30 Uhr
Begrüßungskaffee
09:00 Uhr
Begrüßung und Vorstellungsrunde
09:20 Uhr
Erste Schritte der Analyse von Daten aus dem Bereich Kundendatenmanagement im EVU (Teil 1)
- Data Analytics: grundlegende Methoden und Strategien
- Vorstellung der verwendeten Daten & Python-Werkzeuge/Bibliotheken
- Einlesen und Prüfen der Daten, Ermittlung statistischer Kenngrößen (univariate Kenngrößen)
- Verknüpfen von Daten (Vom Left zum Full-Outer-Join)
- Einfache Visualisierungsmöglichkeiten (bi- und multivariate Analysen)
11:00 Uhr
Kaffeepause
11:30 Uhr
Erste Schritte der Analyse von Daten aus dem Bereich Kundendatenmanagement im EVU (Teil 2)
- Praxisphase – Selbstständiges Arbeiten auf Basis von Teil 1 in Jupyter Notebooks
12:30 Uhr
Mittagessen
13:30 Uhr
Tiefergehende Analyse hinsichtlich der fachlichen Fragestellungen im Kundenmanagement mit Quick Wins
- Methoden des Unsupervised Learning
- Clusteranalyse
- Dimensionsreduktion (PCA)
14:30 Uhr
Kaffeepause
15:00 Uhr
Tiefergehende Analyse hinsichtlich der fachlichen Fragestellungen im Kundenmanagement
- Praktische Anwendung der Methoden des Unsupervised Learning auf den Beispieldaten aus dem Bereich Kundendatenmanagement
17:00 Uhr
Ende des ersten Seminartages
11.09.
09:00 Uhr
Grundlagen und Vorgehensweise bei Machine Learning
- Wie funktioniert Machine Learning und was sind deren Herausforderungen?
- Klassifikations- vs. Regressionsprobleme
- Definition der Fragestellung und Vorhersagevariable
- Datenaufbereitung: Feature Engineering & Datensplitting
- Skalierung von Input-Daten
- Training eines ersten Baseline-Modells (Logistisches Regressionsmodell)
- Evaluation der Modellergebnisse mit verschiedenen Metriken
10:30 Uhr
Kaffeepause
11:00 Uhr
Praxisphase: Erstellen eines ersten Baseline-Modells
- Datenaufbereitung, Feature Engineering und Training sowie Evaluation eines Logistischen Regressionsmodells
13:00 Uhr
Mittagessen
14:00 Uhr
Verschiedene Modellvarianten – ein Grobüberblick & Fortgeschrittene Modellvalidierungstechniken
- Lineare Regression & Logistische Regression
- Support Vector Machines
- Decision Trees und Random Forests
- Tiefe Neuronale Netze
- k-Fold Cross-Validation
15:30 Uhr
Kaffeepause
16:00 Uhr
Praxisphase: Training eines 2. Modells & k-Fold Cross-Validation
- Benchmark der verschiedenen Modellergebnisse der einzelnen Teilnehmer
- Vorstellung der Ergebnisse
17:30 Uhr
Ende des Seminars und Verabschiedung
