ANALÍTICA DE DATOS CON PYTHON PARA MARKETING DIGITAL

Joseba Ruiz Díaz; Ubaldo Hervás Olvera

Mayo de 2024       Páginas: 312

Código 11045       ISBN/EAN: 9788441549944

CONTENIDO: "Queremos que las personas que se dedican al marketing digital aprendan lo que se están perdiendo por no saber Python". Esta fue la premisa que los autores, Ubaldo Hervás y Joseba Ruiz, plantearon como principal en el momento de creación de este libro. Ya seas especialista en marketing o analítica digital, CRO, producto, SEO, performance, email marketing o social media, te interesa conocer lo que se cuece detrás de la tecnología que soporta el negocio digital. Existen varios lenguajes y herramientas que generan el escenario sobre el que se levanta el negocio digital y la toma de decisiones basada en datos: Python y sus librerías de tratamiento de datos (Pandas), álgebra (NumPy, SciPy) o machine learning (scikit-learn, statsmodels), lenguajes de consulta para base de datos (SQL), así como herramientas como Google BigQuery, Microsoft PowerBI y estadística descriptiva e inferencial. Conocer en qué consisten estas herramientas y aprender un lenguaje de programación como Python te ofrecerá un abanico de soluciones totalmente superior. Si estás buscando un libro que aumente tus habilidades técnicas y convertirte en un profesional de marketing mucho más técnico y atractivo para el mercado laboral, este es tu libro.

INDICE EXTRACTADO:

Agradecimientos
Sobre los autores

Capítulo 1. Introducción
¿Por qué un libro sobre Python y marketing digital?
Cómo leer este libro
¿Por qué Python?
   Zen de Python
Mucho más que un libro sobre Python
Códigos de ejemplo

Capítulo 2. Introducción a Python
¿Qué es Python?
Entorno tecnológico
¿Qué es un IDE?
   Entornos de trabajo con Python
   Anaconda
Tipos de datos y estructuras con Python
   Integer
   Float
   String
   Boolean
   Listas
   Tuplas
   Conversión de tipos
   Diccionarios
   Conjunto de datos o set
Control de flujos, iterables y funciones
   Control de flujos
   Iteración
   Funciones
   Librerías

Capítulo 3. Pandas y NumPy
Pandas
   ¿Qué es Pandas y para qué sirve?
Empezando con Pandas
   Estructura de datos
   Operaciones básicas sobre un DataFrame
   Filtros y gestión de datos y nulos
SciPy y NumPy
   ¿Qué son y para qué sirven?
NumPy

Capítulo 4. Introducción a SQL
¿Qué es y para qué sirve?
Herramientas
Ejecutando las primeras queries
   Google BigQuery y Google Trends Sandbox
   Google BigQuery y Google Analytics 4
SQL con Google BigQuery en la práctica
   Consultar sesiones
   Consultar usuarios únicos
   Consultar usuarios únicos por fuente y medio
   Consultar transacciones e ingresos por día
Productos comprados por clientes que han comprado un producto en concreto

Capítulo 5. Estadística para negocios
Un poco de historia
Introducción a la estadística
Distribución de los datos y probabilidad
Intervalos de confianza y contrastes de hipótesis
Correlación y regresión lineal

Capítulo 6. Marketing en la era de la ciencia de datos
Introducción
Situación inicial
   Nuevos canales
   Elementos básicos de cookies y privacidad
Plan de medición
   Contexto inicial
   Estructura del proyecto digital
   Listado de flujos e interacciones más relevantes
   Eventos, parámetros y capa de datos
   Cronograma
Ciclo de vida del dato
   Comprensión del negocio
   Comprensión de los datos
   Preparación de los datos
   Modelado
   Evaluación
   Despliegue
   ¿Qué clase de tareas pueden resolverse con CRISP-DM?
Errores de 'data scientist's en analítica digital
   Distinción entre sesión y usuario

Capítulo 7. Visualización de datos
¿Qué es y para qué sirve?
Fundamentos de la visualización de datos
   Dato, información y conocimiento
   Visualizaciones con Matplotlib y Plotly y cuándo utilizarlas
Introducción a Microsoft Power BI
   Instalación
   La herramienta desde dentro

Capítulo 8. Machine learning e inteligencia artificial
Inteligencia artificial
'Machine learning', aprendizaje automático
   Aprendizaje supervisado
   Aprendizaje no supervisado
   Aprendizaje por refuerzo ('reinforcement learning')

Capítulo 9. Deep learning e inteligencia generativa
'Deep learning', aprendizaje profundo
   Redes neuronales convolucionales (CNN)
   Otras redes neuronales y la transferencia de aprendizaje
Gen AI, inteligencia artificial generativa

Capítulo 10. KPIs de negocio y casos prácticos
Indicadores clave de rendimiento
Marco de analítica de datos
Casos prácticos
   Predicciones
   Series temporales
   Clasificaciones

Capítulo 11. El futuro de la analítica de datos
Cachón, María José (@mjcachon)
Ferri, Ramón (@picanumeros)
Gorostiza, Iñaki (@hello_google)
Huerta, Iñaki (@ikhuerta)
Llaneras, Kiko (@kikollan)
Ramírez, Francisco (@cybercaronte)
Rayón, Alex (@alrayon)
Tayar, Ricardo (@rtayar)

Referencias bibliográficas