Materias
Referencia: Código 11045
Mayo de 2024 - Joseba Ruiz Díaz; Ubaldo Hervás Olvera - Refª 11045
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
Fecha de disponibilidad: