Używamy cookies, aby ułatwić korzystanie z Portalu. Możesz określić warunki przechowywania, dostępu do plików cookies w Twojej przeglądarce. Dowiedz się więcej.
strona główna Strona główna | Nowości | Promocje | Zapowiedzi Twoje konto | Zarejestruj | Schowek | Kontakt | Pomoc
mapa działów
Szukaj: szukanie zaawansowane
Koszyk
Książki \ Programowanie \ Język R

Analiza danych behawioralnych przy użyciu języków R i Python Język: 1

978-83-7541-464-6

Cena Brutto: 67.49

Cena netto: 64.28

Ilość:
Wersja: Drukowana
Autor Florent Buisson
Liczba_stron 368
Wydawnictwo O’Reilly
Oprawa miękka
Data_Wydania 2022-01-17
Tylko dziś -25%. Normalna cena 89,99 zł


Analiza danych behawioralnych przy użyciu języków R i Python

Wykorzystanie danych zorientowanych na użytkownika w celu uzyskania realnych wyników biznesowych

Dzięki tej książce Czytelnik będzie mógł wykorzystać w swojej firmie pełną moc danych behawioralnych używając w tym celu wyspecjalizowanych narzędzi. Algorytmy często stosowane w danologii, a także programy służące do analizy predykcyjnej traktują jak zwykłe informacje dane behawioralne wygenerowane przez użytkowników, takie jak kliknięcia na stronie internetowej czy zakupy w supermarkecie. Ten praktyczny przewodnik zawiera opisy skutecznych metod, zaprojektowanych specjalnie w celu przeprowadzania analiz danych behawioralnych.

Zaawansowana architektura umożliwiająca wykonywanie eksperymentów pomaga w pełni wykorzystać testy A/B. Diagramy przyczynowe pozwalają poznać przyczyny zachowań nawet w przypadku, gdy nie można przeprowadzać eksperymentów. Ta praktyczna książka, napisana przystępnym stylem i przeznaczona dla osób zajmujących się danymi, analityków biznesowych oraz behawiorystów, zawiera kompletne przykłady, a także ćwiczenia wykorzystujące języki R i Python, pozwalające od razu uzyskać lepszy wgląd w dane.

Zagadnienia przeanalizowane w książce:

  • Poznanie specyfiki danych behawioralnych.
  • Przedstawienie różnic pomiędzy pomiarami a prognozami.
  • Wyjaśnienie, jak można oczyścić i przygotować dane behawioralne.
  • Zaprojektowanie i przeanalizowanie eksperymentów umożliwiających podejmowanie optymalnych decyzji biznesowych.
  • Wykorzystanie danych behawioralnych w celu zrozumienia i określenia przyczyny oraz skutku.
  • Zaprezentowanie kompleksowej metody pozwalającej na uzyskanie przejrzystego podziału klientów na grupy.

„Ta książka jest wyjątkowa, ponieważ rozpoczyna się od przedstawienia pytań i problemów, a także wykorzystuje w postaci prawdziwych narzędzi odpowiednie techniki i języki programowania. Dzięki temu Czytelnicy poznają, jak można rozwiązywać niezwykle ważne i trudne zagadnienia. Czas poświęcony na jej przeczytanie będzie czystą inwestycją.”

—Eric Weber

Kierownik Działu Eksperymentów, Yelp

Florent Buisson jest ekonomistą behawioralnym z 10-letnim doświadczeniem związanych z biznesem, analityką i naukami behawioralnymi. W firmie ubezpieczeniowej Allstate założył zespół specjalizujący się w naukach behawioralnych i pełnił funkcję jego szefa przez cztery lata. Publikował artykuły naukowe w czasopismach takich jak recenzowany Journal of Real Estate Research. Posiada tytuł magistra ekonometrii oraz doktorat z ekonomii behawioralnej, uzyskany na uniwersytecie Sorbona w Paryżu.

Wstęp. . . . . . . . . . xi
Część I. Zrozumienie zachowań
 

1. Koncepcja przyczynowo-behawioralna stosowana w analizie danych. . . . . . . 3
Dlaczego do wyjaśniania ludzkich zachowań należy zastosować analizę
przyczynową? . . . . .  . . . . . 4
Różne rodzaje analizy . . . . . . . 4
Istoty ludzkie są skomplikowane.. . . . . 5
Zakłócenia, czyli ukryte niebezpieczeństwa rozwiązywania problemów
za pomocą regresji. . . . . . . . . . . . 8
Dane.. . . . 9
Dlaczego korelacja nie jest związkiem przyczynowym? Rola czynnika
zakłócającego . . . . . . . . . . . . 9
Zbyt wiele zmiennych może zepsuć zabawę. . . . . . . . . . . . 11
Podsumowanie . . . . . . . . . . . . . . . . 17
 

2. Zrozumienie danych behawioralnych. . . . . . . . . 19
Podstawowy model ludzkiego zachowania.. . . . .  . . . . . 20
Cechy osobowe. . . . . . . . . . . . 21
Poznanie i emocje . . . . . . . . . 23
Intencje. 24
Działania25
Zachowania biznesowe . . . . . 26
Jak połączyć ze sobą zachowania i dane?.. 28
Zdefiniowanie sposobu myślenia pozwalającego osiągnąć integralność
behawioralną . . . . . . . . . . . 28
Nieufność i weryfikacja. . . . . 29
Identyfikacja kategorii. . . . . . 30
Dostrajanie zmiennych behawioralnych. . . . . . . . . . . . . . . 32
Zrozumienie kontekstu . . . . . 33
Podsumowanie . . . . . . . . . . . . . . . . 36
 

Część II. Diagramy przyczynowe i usuwanie czynników zakłócających
3. Wprowadzenie do diagramów przyczynowych . 39
Diagramy przyczynowe i koncepcja przyczynowo-behawioralna. . . . . . . . . . . . . . . . 40
Diagramy przyczynowe reprezentują zachowania. . . . . . . 41
Diagramy przyczynowe reprezentują dane. . . . . . . . . . . . . 42
Podstawowe struktury diagramów przyczynowych. . . . . . . . . . 46
Łańcuchy. . . . . . . . . . . . . . . . . 47
Rozgałęzienia . . . . . . . . . . . . . 50
Zderzacze . . . . . . . . . . . . . . . . 52
Typowe przekształcenia diagramów przyczynowych. . . . . . . . . 53
Dzielenie (dezagregacja) zmiennych..54
Agregacja zmiennych . . . . . . 55
Co z cyklami? . . . . . . . . . . . . . 57
Ścieżki. . 60
Podsumowanie . . . . . . . . . . . . . . . . 61
 

4. Tworzenie diagramów przyczynowych od podstaw.. . . . 63
Opis problemu biznesowego i konfiguracji danych. . . . . . . . . . 64
Dane i pakiety. . . . . . . . . . . . . 64
Zrozumienie głównej relacji. 65
Identyfikacja zmiennych, które mogą zostać uwzględnione w diagramie
przyczynowym . . . . . . . . . . . . . . 67
Działania68
Intencje. 70
Poznanie i emocje . . . . . . . . . 72
Cechy osobowe. . . . . . . . . . . . 72
Zachowania biznesowe . . . . . 74
Trendy czasowe . . . . . . . . . . . 75
Walidacja obserwowalnych zmiennych w oparciu o dane. . . . . 76
Relacje między zmiennymi numerycznymi.. . . . . . . . . . . . 77
Relacje między zmiennymi skategoryzowanymi.. . . . . . . . 80
Relacje między zmiennymi numerycznymi a skategoryzowanymi . . . . . . . . . . 82
Iteracyjne rozbudowywanie diagramu przyczynowego. . . . . . . 84
Identyfikacja pośredników dla zmiennych nieobserwowalnych. . . . . . . . . . . . . 84
Identyfikacja dalszych przyczyn.. . . . 86
Iteracje. . 86
Uproszczenie diagramu przyczynowego... 87
Podsumowanie . . . . . . . . . . . . . . . . 88
 

5. Używanie diagramów przyczynowych do usuwania czynników zakłócających z analiz danych . . 89
Problem biznesowy: sprzedaż lodów i wody butelkowanej. . . . 90
Rozłączne kryterium ustalania przyczyny.92
Definicja92
Blok pierwszy . . . . . . . . . . . . . 93
Blok drugi . . . . . . . . . . . . . . . . 95
Kryterium tylnej furtki . . . . . . . . . 95
Definicje96
Blok pierwszy . . . . . . . . . . . . . 98
Blok drugi . . . . . . . . . . . . . . . . 99
Podsumowanie . . . . . . . . . . . . . . . 101
 

Część III. Profesjonalna analiza danych
6. Rozwiązywanie problemu brakujących danych.. . . . . . 105
Dane i pakiety. . . . . . . . . . . . . . . . 107
Wizualizacja brakujących danych.. . . . . . 108
Ilość brakujących danych . . 111
Korelacja braków danych . . 113
Rozpoznawanie brakujących danych... . . 118
Przyczyny braków danych – klasyfikacja Rubina. . . . . . . 121
Rozpoznawanie zmiennych MCAR.123
Rozpoznawanie zmiennych MAR.. . 124
Rozpoznawanie zmiennych MNAR.127
Brak danych jako skala . . . . 129
Obsługiwanie braku danych . . . . 132
Wprowadzenie do imputacji wielokrotnej. . . . . . . . . . . . . 133
Domyślna metoda imputacji: predykcyjne dopasowanie średniej . . . . . . . . . . 136
Od PMM do imputacji z rozkładem normalnym (tylko język R). . . . . . . . . . . 138
Dodawanie zmiennych pomocnicznych.. . . . . . . . . . . . . . 140
Skalowanie liczby uzupełnianych zbiorów danych. . . . . . 142
Podsumowanie . . . . . . . . . . . . . . . 142
 

7. Ocenianie niepewności za pomocą metody bootstrap..145
Wprowadzenie do metody bootstrap: „odpytywanie” samego siebie . . . . . . . . . . . . 146
Pakiety. 146
Problem biznesowy: niewielki zbiór danych z wartościami odstającymi . . . . 146
Bootstrapowy przedział ufności dla średniej z próbki danych . . . . . . . . . . . . . 148
Bootstrapowe przedziały ufności w przypadku doraźnych statystyk . . . . . . . . 153
Wykorzystanie metody bootstrap w analizie regresji. . . . . . . . 155
Kiedy należy używać metody bootstrap?.159
Warunki wystarczające do zastosowania tradycyjnych metod
szacowania wartości centralnej.. . 160
Warunki wystarczające do wyznaczenia zwykłego przedziału ufności . . . . . . 160
Ustalanie liczby prób bootstrapowych. . . . . . . . . . . . . . . . 163
Optymalizacja metody bootstrap w R i Pythonie. . . . . . . . . . . 164
Język R – pakiet boot. . . . . . 164
Optymalizacja dostępna w Pythonie.. . . . . . . . . . . . . . . . . 167
Podsumowanie . . . . . . . . . . . . . . . 168
Część IV. Projektowanie i analizowanie eksperymentów
 

8. Projektowanie eksperymentów – podstawy. . 171
Planowanie eksperymentu – teoria zmiany. . . . . . . . . . . . . . . . 172
Cel biznesowy i wskaźnik docelowy.173
Interwencja . . . . . . . . . . . . . . 175
Logika behawioralna . . . . . . 177
Dane i pakiety. . . . . . . . . . . . . . . . 179
Ustalenie randomizacji i wielkości/mocy próby. . . . . . . . . . . . 180
Randomizacja. . . . . . . . . . . . 180
Wielkość próby i analiza mocy.. . . . 183
Analizowanie i interpretowanie wyników eksperymentów. . . 198
Podsumowanie . . . . . . . . . . . . . . . 201
 

9. Randomizacja warstwowa203
Planowanie eksperymentu . . . . . 205
Cel biznesowy i wskaźnik docelowy.205
Zdefiniowanie interwencji . 207
Logika behawioralna . . . . . . 208
Dane i pakiety. . . . . . . . . . . . 208
Określenie losowego przypisania i wielkości/mocy próby. . . . 209
Losowe przypisanie . . . . . . . 209
Analiza mocy za pomocą symulacji bootstrapowych.. . . 218
Analizowanie i interpretowanie wyników eksperymentu. . . . 225
Oszacowanie współczynnika ITT w przypadku interwencji zachęcającej. . . . 225
Wyznaczanie wskaźnika CACE w przypadku interwencji obowiązkowej. . . . 227
Podsumowanie . . . . . . . . . . . . . . . 233
 

10. Randomizacja klastrowa i modelowanie hierarchiczne.235
Zaplanowanie eksperymentu . . . 236
Cel biznesowy i wskaźnik docelowy.236
Definicja interwencji. . . . . . 236
Logika behawioralna . . . . . . 238
Dane i pakiety. . . . . . . . . . . . . . . . 238
Wprowadzenie do modelowania hierarchicznego.. . . . . . . . . . 239
Kod języka R. . . . . . . . . . . . . 240
Kod języka Python. . . . . . . . 243
Określanie losowego przypisania i wielkości/mocy próby. . . . 244
Przypisanie losowe. . . . . . . . 245
Analiza mocy . . . . . . . . . . . . 247
Analiza eksperymentu. . . . . . . . . 255
Podsumowanie . . . . . . . . . . . . . . . 256
 

Część V. Użycie zaawansowanych narzędzi w analizie danych behawioralnych
11. Wprowadzenie do moderacji . . . . . . . . . . . . . . . 261
Dane i pakiety. . . . . . . . . . . . . . . . 261
Behawioralne odmiany moderacji... . . . . 262
Segmentacja . . . . . . . . . . . . . 262
Interakcje . . . . . . . . . . . . . . . 268
Nieliniowości . . . . . . . . . . . . 270
Jak stosować moderację?. . . . . . . 272
W jakich przypadkach należy stosować moderację?. . . . 273
Wiele moderatorów . . . . . . . 283
Walidacja moderacji za pomocą metody bootstrap. . . . . 288
Interpretacja poszczególnych współczynników.. . . . . . . . 291
Podsumowanie . . . . . . . . . . . . . . . 296
 

12. Mediacja i zmienne instrumentalne . . . . . . . . . 299
Mediacja. . . 300
Zrozumienie mechanizmów przyczynowych. . . . . . . . . . 300
Zniekształcenia pojawiające się podczas ustalania przyczyn. . . . . . . . . . . . . . . 301
Identyfikacja mediacji . . . . . 303
Mierzenie mediacji . . . . . . . 304
Zmienne instrumentalne . . . . . . 309
Dane.. . 309
Zrozumienie i zastosowanie zmiennych instrumentalnych . . . . . . . . . . . . . . . 310
Pomiar. 313
Stosowanie zmiennych instrumentalnych – najczęściej zadawane pytania. . . 316
Podsumowanie . . . . . . . . . . . . . . . 317
Bibliografia. . . 319
Indeks. . . . . . . . 323
O autorze. . . . . 344
Kolofon. . . . . . . 345

powrót
 
Produkty Podobne
Analiza danych behawioralnych przy użyciu języków R i Python
Język R i analiza danych w praktyce. Wydanie II
Język R. Receptury. Analiza danych, statystyka i przetwarzanie grafiki. Wydanie II
Deep Learning. Praca z językiem R i biblioteką Keras
Zestaw 2 książek do języka R (Język R dla każdego + Wydajne programowanie w R)
Wydajne programowanie w R. Praktyczny przewodnik po lepszym programowaniu
Język R dla każdego: zaawansowane analizy i grafika statystyczna
Język R. Kompletny zestaw narzędzi dla analityków danych
Więcej produktów