【培訓對象】
業務支持部、數據分析部、系統設計部、系統開發部、網絡運維部等相關技術人員。

【培訓收益】

第一部分：預測建模基礎
1、數據建模六步法
選擇模型：基于業務選擇恰當的數據模型
屬性篩選：選擇對目標變量有顯著影響的屬性來建模
訓練模型：采用合適的算法，尋找到最合適的模型參數
評估模型：進行評估模型的質量，判斷模型是否可用
優化模型：如果評估結果不理想，則需要對模型進行優化
應用模型：如果評估結果滿足要求，則可應用模型于業務場景
2、數據挖掘常用的模型
數值預測模型：回歸預測、時序預測等
分類預測模型：邏輯回歸、決策樹、神經網絡、支持向量機等
市場細分：聚類、RFM、PCA等
產品推薦：關聯分析、協同過濾等
產品優化：回歸、隨機效用等
產品定價：定價策略/最優定價等
3、屬性篩選/特征選擇/變量降維
基于變量本身特征
基于相關性判斷
因子合并（PCA等）
IV值篩選（評分卡使用）
基于信息增益判斷（決策樹使用）
4、訓練模型及實現算法
模型原理
算法實現
5、模型評估
評估指標
評估方法
過擬合評估
6、模型優化
優化模型：選擇新模型/修改模型
優化數據：新增顯著自變量
優化公式：采用新的計算公式
7、模型應用
模型解讀
模型部署
模型應用
8、好模型是優化出來的

第二部分：回歸模型評估
1、三個基本概念：SST、SSR、SSE
2、三個方面評估：指標、方法、過擬合
3、擬合程度指標
簡單判定系數：
調整判定系數：
4、預測值誤差指標
平均絕對誤差：MAE
根均方差：RMSE
平均絕對誤差率：MAPE
5、信息損失準則指標
赤池信息準則：AIC
貝葉斯信息準則：BIC
HQ信息準則：HQIC
6、評估方法
原始評估法
留出法（Hold-Out）
交叉驗證法（k-fold cross validation）
自助采樣法（Bootstrapping）
7、其它評估
過擬合評估：學習曲線
殘差評估：白噪聲評估

第三部分：影響因素分析
問題：如何選擇合適的屬性來進行建模預測？如何做特征選擇/特征降維？
1、屬性篩選/變量降維的常用方法
2、影響因素分析常用方法
相關分析
方差分析
卡方檢驗
3、相關分析（衡量變量間的線性相關性）
問題：這兩個屬性是否會相互影響？影響程度大嗎？
相關分析簡介
相關分析的三個種類
簡單相關分析
偏相關分析
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：體重與腰圍的關系
演練：營銷費用會影響銷售額嗎
演練：網齡與消費水平的關系
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
4、方差分析(衡量類別變量與數據變量的相關性)
問題：哪些才是影響銷量的關鍵因素？主要因素是哪些？次要因素是哪些？
方差分析的應用場景
方差分析原理
方差分析前提：齊性檢驗
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
方差分析的四個步驟
分析結果解讀要點
演練：終端擺放位置與終端銷量有關嗎
演練：客戶學歷對消費水平的影響分析
演練：廣告形式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：排除收入后，網齡對消費水平的影響大小分析
5、列聯分析/卡方檢驗（兩類別變量的相關性分析）
卡方檢驗應用場景
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
6、屬性重要程度排序/篩選
7、主成份分析（PCA）
因子分析的原理
因子個數如何選擇
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

第四部分：線性回歸模型
問題：如何預測產品的銷量/銷售金額？
1、常用數值預測的模型
通用預測模型：回歸模型
2、線性回歸應用場景
3、線性回歸模型種類
一元線性回歸
多元線性回歸
4、線性回歸建模過程
5、帶分類變量的回歸建模
6、回歸模型的質量評估
7、回歸方程的解讀
第五部分：回歸算法實現
1、基本概念
損失函數
2、普通最小二乘法OLS
數學推導
OLS存在的問題
3、梯度下降算法
梯度概念
梯度下降/上升算法
批量梯度/隨機梯度/小批量梯度
學習率的影響
早期停止法
4、牛頓法/擬牛頓法
泰勒公式(Taylor)
牛頓法(Newton)
擬牛頓法(Quasi-Newton)的優化
DFP/BFGS/L-BFGS
5、算法比較-優缺點

第六部分：回歸模型優化
6、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：是否可以做回歸分析？
因素的顯著性檢驗：自變量是否可用？
擬合優度檢驗：回歸模型的質量評估？
理解標準誤差的含義：預測的準確性？
7、欠擬合解決：多項式回歸
剔除離群值
剔除非顯著因素
非線性關系檢驗
相互作用檢驗
共線性檢驗
檢驗誤差項
案例：銷量預測模型優化示例
8、過擬合解決：正則項
嶺回歸（Ridge）
套索回歸（Lasso）
彈性網絡回歸（ElasticNet）
9、超參優化
手工遍歷cross_val_score
交叉驗證RidgeCV/LassCV/ElasticNetCV
網格搜索GridSearchCV
隨機搜索RandomizedSearchCV

第七部分：自定義模型
1、自定義回歸模型
2、模型參數最優法方法
全局優化/暴力破解brute
局部優化fmin
有約束優化minimize
3、好模型都是優化出來的
案例：餐廳客流量進行建模及模型優化
4、基于回歸季節模型
季節性回歸模型的參數
相加模型
相乘模型
模型解讀/模型含義
案例：美國航空旅客里程的季節性趨勢分析
5、新產品預測與S曲線
產品累計銷量的S曲線模型
如何評估銷量增長的上限以及拐點
珀爾曲線
龔鉑茲曲線
案例：預測IPAD的銷售增長拐點，以及銷量上限
第八部分：案例實戰
1、客戶消費金額預測模型
2、房價預測模型及優化

結束：課程總結與問題答疑。