【培訓對象】
市場部、業務支撐部、數據分析部、運營分析部等對業務數據分析有較高要求的相關人員。

【培訓收益】

第一部分：數據挖掘標準流程
1、數據挖掘概述
2、數據挖掘的標準流程（CRISP-DM）
商業理解
數據準備
數據理解
模型建立
模型評估
模型應用
案例：客戶流失預測及客戶挽留
3、數據集概述
4、SPSS工具介紹
5、數據挖掘常用模型
第二部分：數據預處理
如何整理數據，了解數據，對數據進行預處理？
1、數據預處理的四大任務
數據集成：多個數據集合并
數據清洗：異常值的處理
樣本處理：樣本篩選、樣本抽樣、樣本平衡
變量處理：變量變換、變量派生、變量精簡
2、數據集成（數據集合并）
樣本追加（添加數據行）：橫向合并
變量合并（添加變量列）：縱向合并
3、數據清洗（異常數據處理）
取值范圍限定
重復值處理
無效值/錯誤值處理
缺失值處理
離群值/極端值處理
數據質量評估
4、樣本處理：行處理
樣本篩選：指定條件篩選指定樣本集（減少樣本數量）
樣本抽樣：隨機抽取部分樣本集（減少樣本數量）
樣本平衡：正反樣本比例均衡
5、變量處理：列處理
變量變換：原變量取值更新，比如標準化
變量派生：根據舊變量生成新的變量
變量精簡：變量刪除/降維，減少變量個數
類型轉換：數據類型的相互轉換
6、變量精簡/變量降維常用方法
常用降維方法
如何確定降維后變量個數
特征選擇：選擇重要變量，剔除不重要變量
基于變量本身特征來選擇屬性
基于數據間的相關性來選擇屬性
利用IV值篩選
基于信息增益來選擇屬性
因子合并：將多個變量進行合并
PCA主成分分析
判別分析
7、類型轉換
8、因子合并/主成分分析
因子分析的原因
因子個數選擇原則
如何解讀因子含義
案例：提取影響電信客戶流失的主成分分析
9、數據探索性分析
常用統計指標分析
單變量：數值變量/分類變量
雙變量：交叉分析/相關性分析
多變量：特征選擇、因子分析
演練：描述性分析（頻數、描述、探索、分類匯總）
第三部分：數據可視化
1、數據可視化的原則
2、常用可視化工具
3、常用可視化圖形
柱狀圖、條形圖、餅圖、折線圖、箱圖、散點圖等
4、圖形的表達及適用場景
演練：各種圖形繪制
第四部分：影響因素分析篇
營銷問題：哪些因素是影響業務目標的關鍵要素？比如，產品在貨架上的位置是否對銷量有影響？價格和廣告開銷是如何影響銷量的？影響風控的關鍵因素有哪些？如何判斷？
1、影響因素分析的常見方法
2、相關分析（衡量兩數據型變量的線性相關性）
相關分析簡介
相關分析的應用場景
相關分析的種類
簡單相關分析
偏相關分析
距離相關分析
相關系數的三種計算公式
Pearson相關系數
Spearman相關系數
Kendall相關系數
相關分析的假設檢驗
相關分析的四個基本步驟
演練：營銷費用會影響銷售額嗎？影響程度如何量化？
演練：哪些因素與汽車銷量有相關性
演練：影響用戶消費水平的因素會有哪些
偏相關分析
偏相關原理：排除不可控因素后的兩變量的相關性
偏相關系數的計算公式
偏相關分析的適用場景
距離相關分析
3、方差分析（衡量類別變量與數值變量間的相關性）
方差分析的應用場景
方差分析的三個種類
單因素方差分析
多因素方差分析
協方差分析
單因素方差分析的原理
方差分析的四個步驟
解讀方差分析結果的兩個要點
演練：擺放位置與銷量有關嗎
演練：客戶學歷對消費水平的影響分析
演練：廣告和價格是影響終端銷量的關鍵因素嗎
演練：營業員的性別、技能級別對產品銷量有影響嗎
演練：尋找影響產品銷量的關鍵因素
多因素方差分析原理
多因素方差分析的作用
多因素方差結果的解讀
演練：廣告形式、地區對銷量的影響因素分析
協方差分析原理
協方差分析的適用場景
演練：排除產品價格，收入對銷量有影響嗎？
4、列聯分析/卡方檢驗（兩類別變量的相關性分析）
交叉表與列聯表：計數值與期望值
卡方檢驗的原理
卡方檢驗的幾個計算公式
列聯表分析的適用場景
案例：套餐類型對客戶流失的影響分析
案例：學歷對業務套餐偏好的影響分析
案例：行業/規模對風控的影響分析
5、相關性分析方法總結
第五部分：回歸預測模型
營銷問題：如何預測未來的產品銷量/銷售額？如果產品跟隨季節性變動，該如何預測？
1、回歸分析簡介和原理
2、回歸分析的種類
一元回歸/多元回歸
線性回歸/非線性回歸
3、常用回歸分析方法
散點圖+趨勢線（一元）
線性回歸工具（多元線性）
規劃求解工具（非線性回歸）
演練：散點圖找營銷費用與銷售額的關系
4、線性回歸分析的五個步驟
演練：營銷費用、辦公費用與銷售額的關系（線性回歸）
5、線性回歸方程的解讀技巧
定性描述：正相關/負相關
定量描述：自變量變化導致因變量的變化程度
6、回歸預測模型評估
質量評估指標：判定系數R^2
如何選擇最佳回歸模型
演練：如何選擇最佳的回歸預測模型（一元曲線回歸）
7、帶分類自變量的回歸預測
演練：汽車季度銷量預測
演練：工齡、性別與終端銷量的關系
演練：如何評估銷售目標與資源最佳配置
第六部分：回歸模型優化
1、回歸分析的基本原理
三個基本概念：總變差、回歸變差、剩余變差
方程的顯著性檢驗：方程可用性
因素的顯著性檢驗：因素可用性
方程擬合優度檢驗：質量好壞程度
理解標準誤差含義：預測準確性？
2、回歸模型優化措施：尋找最佳回歸擬合線
如何處理預測離群值（剔除離群值）
如何剔除不顯著因素（剔除不顯著因素）
如何進行非線性關系檢驗（增加非線性自變量）
如何進行相互作用檢驗（增加相互作用自變量）
如何進行多重共線性檢驗（剔除共線性自變量）
演練：模型優化演示
3、好模型都是優化出來的
第七部分：自定義回歸模型
1、回歸建模的本質
2、規劃求解工具簡介
3、自定義回歸模型
案例：如何對客流量進行建模預測及模型優化
4、回歸季節預測模型模型
回歸季節模型的原理及應用場景
加法季節模型
乘法季節模型
模型解讀
案例：美國航空旅客里程的季節性趨勢分析
5、新產品累計銷量的S曲線
S曲線模型的應用場景（最大累計銷量及銷量增長的拐點）
珀爾曲線
龔鉑茲曲線
案例：如何預測產品的銷售增長拐點，以及銷量上限
演練：預測IPad產品的銷量
第八部分：回歸模型質量評估
1、定量預測模型的評估
方程顯著性評估
因素顯著性評估
擬合優度的評估
估計標準誤差評估
預測值準確度評估
2、模型擬合度評估
判定系數：
調整判定系數：
3、預測值準確度評估
平均絕對誤差：MAE
根均方差：RMSE
平均誤差率：MAPE
4、其它評估：殘差檢驗、過擬合檢驗
第九部分：時序預測模型
營銷問題：像利率/CPI/GDP等按時序變化的指標如何預測？當銷量隨季節周期變動時該如何預測？
1、回歸預測vs時序預測
2、因素分解思想
3、時序預測常用模型
趨勢擬合
季節擬合
平均序列擬合
4、評估預測值的準確度指標：MAD、RMSE、MAPE
5、移動平均（MA）
應用場景及原理
移動平均種類
一次移動平均
二次移動平均
加權移動平均
移動平均比率法
移動平均關鍵問題
如何選取最優參數N
如何確定最優權重系數
演練：平板電腦銷量預測及評估
演練：快銷產品季節銷量預測及評估
6、指數平滑（ES）
應用場景及原理
最優平滑系數的選取原則
指數平滑種類
一次指數平滑
二次指數平滑（Brown線性、Holt線性、Holt指數、阻尼線性、阻尼指數）
三次指數平滑
演練：煤炭產量預測
演練：航空旅客量預測及評估
7、溫特斯季節預測模型
適用場景及原理
Holt-Winters加法模型
Holt-Winters乘法模型
演練：汽車銷量預測及評估
8、平穩序列模型（ARIMA）
序列的平穩性檢驗
平穩序列的擬合模型
AR(p)自回歸模型
MA(q)移動模型
ARMA(p,q)自回歸移動模型
模型的識別與定階
ACF圖/PACF圖
最小信息準則
序列平穩化處理
變量變換
k次差分
d階差分
ARIMA(p,d,q)模型
演練：上海證券交易所綜合指數收益率序列分析
演練：服裝銷售數據季節性趨勢預測分析
平穩序列的建模流程
第十部分：分類預測模型篇
問題：如何評估客戶購買產品的可能性？如何預測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準推薦產品或業務？
1、分類模型概述及其應用場景
2、常見分類預測模型
3、邏輯回歸（LR）
邏輯回歸的適用場景
邏輯回歸的模型原理
邏輯回歸分類的幾何意義
邏輯回歸的種類
二項邏輯回歸
多項邏輯回歸
如何解讀邏輯回歸方程
帶分類自變量的邏輯回歸分析
多項邏輯回歸/多分類邏輯回歸
案例：如何評估用戶是否會購買某產品（二項邏輯回歸）
案例：多品牌選擇模型分析（多項邏輯回歸）
4、分類決策樹（DT）
問題：如何預測客戶行為？如何識別潛在客戶？
風控：如何識別欠貸者的特征，以及預測欠貸概率？
客戶保有：如何識別流失客戶特征，以及預測客戶流失概率？
決策樹分類簡介
案例：美國零售商（Target）如何預測少女懷孕
演練：識別銀行欠貨風險，提取欠貸者的特征
決策樹分類的幾何意義
構建決策樹的三個關鍵問題
如何選擇最佳屬性來構建節點
如何分裂變量
修剪決策樹
選擇最優屬性生長
熵、基尼索引、分類錯誤
屬性劃分增益
如何分裂變量
多元劃分與二元劃分
連續變量離散化（最優分割點）
修剪決策樹
剪枝原則
預剪枝與后剪枝
構建決策樹的四個算法
C5.0、CHAID、CART、QUEST
各種算法的比較
如何選擇最優分類模型？
案例：商場用戶的典型特征提取
案例：客戶流失預警與客戶挽留
案例：識別拖欠銀行貨款者的特征，避免不良貨款
案例：識別電信詐騙者嘴臉，讓通信更安全
多分類決策樹
案例：不同套餐用戶的典型特征
決策樹模型的保存與應用
5、人工神經網絡（ANN）
神經網絡概述
神經網絡基本原理
神經網絡的結構
神經網絡分類的幾何意義
神經網絡的建立步驟
神經網絡的關鍵問題
BP反向傳播網絡（MLP）
徑向基網絡（RBF）
案例：評估銀行用戶拖欠貨款的概率
6、判別分析（DA）
判別分析原理
判別分析種類
Fisher線性判別分析
案例：MBA學生錄取判別分析
案例：上市公司類別評估
7、最近鄰分類（KNN）
KNN模型的基本原理
KNN分類的幾何意義
K近鄰的關鍵問題
第十一部分：市場細分模型
問題：我們的客戶有幾類？各類特征是什么？如何實現客戶細分，開發符合細分市場的新產品？如何提取客戶特征，從而對產品進行市場定位？
1、市場細分的常用方法
有指導細分
無指導細分
2、聚類分析
如何更好的了解客戶群體和市場細分？
如何識別客戶群體特征？
如何確定客戶要分成多少適當的類別？
聚類方法原理介紹
聚類方法作用及其適用場景
聚類分析的種類
K均值聚類
層次聚類
兩步聚類
K均值聚類（快速聚類）
案例：移動三大品牌細分市場合適嗎？
演練：寶潔公司如何選擇新產品試銷區域？
演練：如何自動評選優秀員工？
演練：中國各省份發達程度分析，讓數據自動聚類
層次聚類（系統聚類）：發現多個類別
R型聚類與Q型聚類的區別
案例：中移動如何實現客戶細分及營銷策略
演練：中國省市經濟發展情況分析（Q型聚類）
演練：裁判評分的標準衡量，避免“黑哨”（R型聚類）
兩步聚類
3、客戶細分與PCA分析法
PCA主成分分析的原理
PCA分析法的適用場景
演練：利用PCA對汽車客戶群進行細分
演練：如何針對汽車客戶群設計汽車
第十二部分：客戶價值評估
營銷問題：如何評估客戶的價值？不同的價值客戶有何區別對待？
1、如何評價客戶生命周期的價值
貼現率與留存率
評估客戶的真實價值
使用雙向表衡量屬性敏感度
變化的邊際利潤
案例：評估營銷行為的合理性
2、RFM模型（客戶價值評估）
RFM模型，更深入了解你的客戶價值
RFM模型與市場策略
RFM模型與活躍度分析
演練：“雙11”淘寶商家如何選擇價值客戶進行促銷
演練：結合響應模型，宜家IKE實現最大化營銷利潤
案例：重購用戶特征分析
第十三部分：假設檢驗
1、參數檢驗分析（樣本均值檢驗）
問題：如何驗證營銷效果的有效性？
假設檢驗概述
單樣本T檢驗
兩獨立樣本T檢驗
兩配對樣本T檢驗
假設檢驗適用場景
電信行業
案例：電信運營商ARPU值評估分析（單樣本）
案例：營銷活動前后分析（兩配對樣本）

金融行業
案例：信用卡消費金額評估分析（單樣本）

醫療行業
案例：吸煙與膽固醇升高的分析（兩獨立樣本）
案例：減肥效果評估（兩配對樣本）

2、非參數檢驗分析（樣本分布檢驗）
問題：這些屬性數據的分布情況如何？如何從數據分布中看出問題？
非參數檢驗概述
單樣本檢驗
兩獨立樣本檢驗
兩相關樣本檢驗
兩配對樣本檢驗
非參數檢驗適用場景
案例：產品合格率檢驗（單樣本-二項分布）
案例：訓練新方法有效性檢驗（兩配對樣本-符號/秩檢驗）
案例：促銷方式效果檢驗(多相關樣本-Friedman檢驗)
案例：客戶滿意度差異檢驗(多相關樣本-Cochran Q檢驗)

結束：課程總結與問題答疑。 

• 大數據及人工智能背景下消費和小微信貸線上獲客、產品設計、風控應對策略

   

  第一部分：金融科技發展狀況的介紹一、金融科技的現狀與發展趨勢（一）宏觀背景1、金融科技（支付寶人臉識別技術、APPLEPAY、虹膜技術、二維碼支付技術）2、利率市場化3、金融脫媒（二）移動互聯技術的發展使互聯網金融成為可能1、移動互聯網技術2、移動支付技術3、H5、APP（三）互聯網金融對傳統銀行資產業務的顛覆和沖..

  ￥   元/ 天

  人氣：896  

  

• 大數據時代——提升患者管理，構建專業藥房

   

  【課程導言】：移動互聯時代下，實體門店面臨巨大的挑戰，同時也是一種機會。馬云說：不是實體門店不行了，而是你的實體門店不行了。面臨新的沖擊實體店如何進行創新，如何守住老陣地，如何利用新武器，這是所有實體連鎖共同面臨的問題。課程從互聯網環境對我們的實體店挑戰和我們面臨的消費者消費習慣和方式的的變化入手，通過分析新零售良品鋪子，海瀾之家，名創優品的..

  ￥   元/ 天

  人氣：717  

  

• 電商互聯網大數據營銷之落地實踐鐵律

   

  課程背景：未來人貨場一切數字化，數據將成為一種資源，沒有數據沒有未來，企業如何構建自己的大數據未來？人工智能已經來臨，人工智能在營銷板塊的應用本質就是大數據營銷！企業的ERP、CRM、報表等等僅僅是零散的死數據，如何激活流動產生閉環，產生效益？經驗將成為負債，未來將利用數據產品規劃、定位、策劃、人群分析、活動策劃，數據成為商業的起點！人為..

  ￥19,100   元/ 天

  人氣：1235  

  

• 電商互聯網智能商業：大數據營銷分析與落地實踐

   

  課程背景：數據是未來企業唯一資源，大數據營銷意味著高效、精準、成本低、全自動化，讓企業從人海戰、廣告戰、渠道戰的泥潭中拔出來為什么搜索廣告效果差了？為什么團購效果也差了？為什么傳統的用戶細分、STP在大數據提出的用戶畫像面前蒼白了？為什么獨角獸全靠增長黑客模式崛起？企業未來如何搭建科學的大數據營銷隊伍，建立科學的數字營銷體！通過互動獲取數據，..

  ￥19,100   元/ 天

  人氣：1566  

  

• 大數據基礎原理與應用

   

  一、運營商網絡架構和技術選擇1.運營商網絡架構2.運營商業務類型3.接入網技術選擇4.不同業務的技術實現二、全業務運營技術實現1.集團業務分類及特點2.集團高等級業務特點及業務場景3.集團低等級業務特點及業務場景4.集團高、低等級業務要求及技術選擇5.數據專線業務及技術實現6.互聯網專線業務及技術實現7.集..

  ￥   元/ 天

  人氣：1033  

  

• 大數據、物聯網、云計算行業應用及發展趨勢

   

  一、信息通信產業發展的背景和趨勢1、信息通信產業用戶現狀和發展趨勢2、國內外信息化發展戰略3、中國信息化發展現狀和趨勢4、信息通信網絡發展趨勢5、電信業轉型新趨勢二、ICT前沿技術(一)云計算1、云計算發展的商業動力與技術趨勢1.1云計算基本概念1.2云計算的商業動力：企業ICT轉型1.3云計算特點..

  ￥   元/ 天

  人氣：1129