Statistisches Denken und Analyse
Die eine Seite, auf die jede Formel im Intelligence Blog verlinkt: Mittelwert, Streuung, Wahrscheinlichkeit, Tests, Regression, Zinseszins, Kundenwert und mehr, jede Idee von null erklärt, mit einem durchgerechneten Beispiel aus einem erfundenen Geschenkkorb Shop.
Wie du einen Test aus dem nötigen Lift dimensionierst, ein Konfidenzintervall statt eines grünen Hakens liest und ein vollfaktorielles Design Interaktionen zeigt.
Wie viele Conversions, Besucher, Wochen und Pfund eine Marketingentscheidung wirklich braucht, pro Plattform, mit Formeln, Tabellen und Stoppregeln.
Wie Strukturgleichungsmodelle zeigen, welche Gästeerlebnisse Loyalität wirklich treiben: Pfadmodell, Gesamteffekte und eine Investitionsentscheidung.
Wie Media Mix Modelling mit Adstock und Sättigungskurven den marginalen ROI pro Kanal findet und zeigt, wohin das nächste Budget gehört, mit Geschenkshop Beispiel.
Ein tiefgehend praktischer Leitfaden dazu was Data Engineers, Data Scientists und Data Analysts tatsächlich tun um SaaS und eCommerce Unternehmen wachsen zu lassen. Jeder Anwendungsfall enthält warum es wichtig ist, genau wie es gemacht wird, den messbaren Impact mit echten Umsatz- und Gewinnbeispielen, und eine Wichtigkeitsbewertung von 1 bis 10. Behandelt alles von einheitlichen Kundenansichten und echten Customer Lifetime Value Berechnungen bis zu Churn-Vorhersage, Preisoptimierung, Inkrementalitätstests und Empfehlungsmaschinen.
Wie du eine ehrliche Zahl an eine weitere Mail, Einladung zum Webinar oder Retargeting Anzeige schreibst: Reaktionskurven, Grenzwert, die vollen Kosten eines Kontakts und Holdout Gruppen, durchgerechnet an einem erfundenen SaaS aus Leipzig.
k means, Latent Class Analyse und RFM im Vergleich an einem erfundenen Shop für Geschenkkörbe: wie du die Zahl der Segmente wählst, sie beschreibst und benennst, ihre Stabilität prüfst und sie einsetzt.
A/B Tests, A/B/n Tests, Bandits, multivariate Tests, Holdouts, geografische Tests, Zielgruppensplits und zeitbasierte Tests: was jede Methode beantwortet, was sie braucht und wo sie bricht.
Wie PCA und Faktorenanalyse aus 24 Umfragefragen oder 18 Verhaltensvariablen wenige Dimensionen machen, die du benennen, bewerten und in Entscheidungen übersetzen kannst, durchgerechnet an einer Hotelumfrage und einem Shop für Geschenkkörbe.
Wird das Werbebudget aus dem Umsatz gesetzt, verursachen Umsatz und Ausgaben sich gegenseitig. Warum eine einzelne Regression den Werbeeffekt dann überschätzt und wie die zweistufige Methode der kleinsten Quadrate das korrigiert.
Wie du wöchentliche Nachfrage mit saisonalen Dummies prognostizierst, Autokorrelation behandelst, Modelle auf einem Holdout beurteilst und Lager und Personal gegen ein 80 % Fehlerband planst.
Hick, Fitts, Miller, die Peak End Regel, der serielle Positionseffekt, kognitive Last, Reibung und Framing: was jede Forschungsarbeit wirklich gefunden hat, was sie nicht beweist und wie du sie für die Prüfung einer Seite nutzt, mit Rechenbeispielen.
Zehn Stücke Mathematik, die aus Wachstumsdaten Entscheidungen machen: Customer Lifetime Value gegen Akquisekosten, Amortisation, Kohorten, Überlebenskurven, bayessche Tests, Bandits, Attribution und Mix Modelle, Potenzgesetze, Preiselastizität und Bindung, jedes mit einem durchgerechneten Beispiel.
Wie die Panelregression einen guten Laden von einem guten Quartal trennt, warum zusammengeworfene Daten über Marketing lügen und wie Fixed Effects dir einen ehrlichen Umsatz auf vergleichbarer Fläche liefern.
Wie die Survival Analyse dir sagt, wann Kunden gehen und nicht nur ob, und wie aus Kaplan Meier Kurven und einem Cox Modell ein Customer Lifetime Value wird, den du vertreten kannst.
Sieben von 10 Warenkörben werden verlassen, und in den USA kommt ein Sechstel des Umsatzes zurück. Zwei Vorhersagesysteme, ein Scorer für das Abbruchrisiko und ein Prädiktor für das Retourenrisiko, gebaut in Python und an Solidus angebunden, mit einer sauber durchgerechneten Wirtschaftlichkeit.
Wie die logistische Regression Kunden ordnet, ab wann sich der nächste Katalog nicht mehr bezahlt macht und wie dasselbe Modell aus Warenkörben Empfehlungen für den Zusatzverkauf macht.
Bestellungen, Tickets, Besuche: Ist das Ergebnis ein Zählwert, gerät die gewöhnliche Regression ins Schlingern. Poisson Regression, Inzidenzratenverhältnisse, Exposition und Überdispersion, durchgerechnet an einem Hamburger Shop für Geschenkkörbe.
Warum ein Newsletter wochenlang Bestellungen bringt, wie das Almon Modell mit polynomialen Verzögerungen diese Kurve misst und wie ein erfundener Hamburger Shop für Geschenkkörbe damit einen Versandrhythmus von drei Wochen wählen könnte.
Ein Jahr Verkäufe eines Geschenkkorbs, eine Log Log Regression und eine Elastizität von minus 1,6: wie du Nachfrage mit OLS modellierst, die Ausgabe liest und den Preis findest, der sich lohnt.
Ein Befund sagt, was passiert ist. Ein Insight nennt die Entscheidung, die er ändert, gibt ihr einen Preis und benennt das Risiko. Wie du beides unterscheidest, bewertest und einen Insight schreibst.
Mittelwert, Median, Standardabweichung, Konfidenzintervalle, p Werte und Korrelation, durchgerechnet an den Bestellungen eines erfundenen Shops für Geschenkkörbe, damit du Marketingzahlen ehrlich lesen kannst.
Was ein p Wert wirklich aussagt, wie breit die Fehlermarge einer Conversion Rate ist und warum ein signifikanter Lift trotzdem Geld kosten kann, durchgerechnet an einer erfundenen Kerzenmanufaktur in Hamburg.
Warum der durchschnittliche Bestellwert die Form deiner Daten versteckt, und wie Median, Streuung, Quartile, ein ehrlicher Umgang mit Ausreißern und ein Blick auf Segmente dir Zahlen geben, auf die du wirklich bauen kannst.
