Мощни R библиотеки, създадени от най-големите технологични компании в света
Не забравяйте да се абонирате тук и за моя личен бюлетин, за да не пропускате повече статия за ръководства за наука за данни, трикове и съвети, житейски уроци и много повече!
Въведение
Най-дълго време бях доста против използването на R поради не друга причина, освен факта, че не беше Python.
Но след като си играх с R през последните няколко месеца, разбрах, че R превъзхожда Python в няколко случая на употреба, особено за статистически анализи. Освен това R има някои мощни пакети, създадени от най-големите технологични компании в света, и те не сав Python!
И така, в тази статия исках да разгледам три R пакета, които силно препоръчвамда отделите време да научите и оборудвате в арсенала си от инструменти, защото са сериозно мощни инструменти.
Без повече шум, ето три R пакета, които всеки учен по данни трябва да знае, ДОРИ АКО ИЗПОЛЗВАТЕ САМО PYTHON:
- Причинно-следствено въздействие с Google
- Робин във Facebook
- Откриване на аномалии с Twitter
Не забравяйте да се абонирате тук и за моя личен бюлетин, за да не пропускате повече статия за ръководства за наука за данни, трикове и съвети, житейски уроци и много повече!
1. Причинно-следствено въздействие (Google)
Да приемем, че вашата компания стартира нова телевизионна реклама за Super Bowl и иска да види как това се отразява на реализациите. Анализът на причинно-следствената връзка се опитва да предскаже какво би се случило, ако кампанията никога не се е състояла - това се нарича съпоставителна оценка.
За да даде действителен пример за това какво прави причинно-следственото въздействие, то се опитва да предскаже съпоставителното, т.е. синята пунктирана линия в горната графика, и след това сравнява действителните стойности със съпоставителното, за да оцени делта.
Причинно-следственото въздействие е супер полезно за маркетингови инициативи, разширяване в нови региони, тестване на нови характеристики на продукта и много повече!
2. Робин (Facebook)
Моделирането на маркетинговия микс е модерна техника, използвана за оценка на въздействието на няколко маркетингови канала или кампании върху целева променлива, като реализации или продажби.
Моделите на маркетинговия микс (MMM) са изключително популярни, повече от моделите на приписване, защото ви позволяват да измервате въздействието на неизмерими канали като телевизия, билбордове и радио.
Обикновено моделите на маркетинговия микс отнемат месеци, за да се изградят от нулата. Но Facebook създаде нов R пакет, наречен Robyn, който може да създаде стабилен MMM за минути.
Не само можете да оцените ефективността на всеки маркетингов канал с Robyn, но също така можете да оптимизирате маркетинговия си бюджет с него!
Не забравяйте да се абонирате тук и за моя личен бюлетин, за да не пропускате повече статия за ръководства за наука за данни, трикове и съвети, житейски уроци и много повече!
3. Откриване на аномалия (Twitter)
Откриването на аномалии, известно още като анализ на отклонения, е метод, който идентифицира точки от данни, които се различават значително от останалите данни.
Подгрупа от откриване на общи аномалии е откриване на аномалии в данни от времеви серии,което е уникален проблем, защото трябва да вземете предвид тенденцията и сезонността на данните.
Twitter реши този проблем, като създаде пакет за откриване на аномалии, който прави всичко вместо вас. Това е сложен алгоритъм, който може да идентифицира глобални и локални аномалии. Освен времеви редове, той може да се използва и за откриване на аномалии във вектор от стойности.
Благодаря за четенето!
Ако това ви е харесало, не забравяйте да се абонирате тук и за моя ексклузивен бюлетин, за да не пропускате повече статия за ръководства за наука за данни, трикове и съвети, житейски уроци и много повече!
Не сте сигурни какво да прочетете след това? Избрах друга статия за вас:
и още един:
Терънс Шин
- Ако това ви е харесало, АБОНИРАЙТЕ СЕ за моята среда за изключително съдържание!
- По същия начин можете също СЛЕДВАЙТЕ ме в Medium
- Запишете се за моя личен бюлетин
- Следвайте ме в LinkedIn за друго съдържание
