【培訓對象】
業務支撐、網絡中心、IT系統部、數據分析部等對業務數據分析有較高要求的相關專業人員。

【培訓收益】

第一部分：數據建模流程
1、預測建模六步法
選擇模型：基于業務選擇恰當的數據模型
特征工程：選擇對目標變量有顯著影響的屬性來建模
訓練模型：采用合適的算法對模型進行訓練，尋找到最優參數
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
定量預測模型：回歸預測、時序預測等
定性預測模型：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、特征工程/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、模型評估
模型質量評估指標：R^2、正確率/查全率/查準率/特異性等
預測值評估指標：MAD、MSE/RMSE、MAPE、概率等
模型評估方法：留出法、K拆交叉驗證、自助法等
其它評估：過擬合評估、殘差檢驗
5、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
集成思想：Bagging/Boosting/Stacking
6、常用預測模型介紹
時序預測模型
回歸預測模型
分類預測模型
第二部分：建模特征工程
問題：如何選擇合適的屬性/特征來建模呢？選擇的依據是什么？比如價格是否可用于產品銷量預測？
1、數據預處理vs特征工程
2、特征工程處理內容
變量變換
變量派生
變量精簡（特征選擇、因子合并）
類型轉換
3、特征選擇常用方法
相關分析、方差分析、卡方檢驗
4、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
5、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？
6、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
第三部分：線性回歸模型
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
8、自動篩選不顯著因素（自變量）
第四部分：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
第五部分：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

第六部分：定量模型評估
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
第七部分：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
第八部分：分類預測模型
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
8、支持向量機（SVM）
SVM基本原理
線性可分問題：最大邊界超平面
線性不可分問題：特征空間的轉換
維災難與核函數
9、貝葉斯分類（NBN）
貝葉斯分類原理
計算類別屬性的條件概率
估計連續屬性的條件概率
預測分類概率（計算概率）
拉普拉斯修正
案例：評估銀行用戶拖欠貨款的概率
第九部分：定性模型評估
1、模型的評估指標
兩大矩陣：混淆矩陣，代價矩陣
六大指標：Acc,P,R,Spec,F1,lift
三條曲線：
ROC曲線和AUC
PR曲線和BEP
KS曲線和KS值
2、模型的評估方法
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）
第十部分：模型集成優化
1、模型的優化思路
2、集成算法基本原理
單獨構建多個弱分類器
多個弱分類器組合投票，決定預測結果
3、集成方法的種類
Bagging
Boosting
Stacking
4、Bagging集成
數據/屬性重抽樣
決策依據：少數服從多數
典型模型：隨機森林RF
5、Boosting集成
基于誤分數據建模
樣本選擇權重更新公式
決策依據：加權投票
典型模型：AdaBoost模型
6、其它高級集成算法：GBDT，XGBoost等
結束：課程總結與問題答疑。 

• 低成本智能自動化技能實戰培訓

   

  課程特色全面：從無動力到有動力裝置的LCIA，從基礎到精細化LCIA再到手元化等高級LCIA；治具類、操作類、搬運類、品質類等等，一應俱全；實操：學員在道場內親自設計、動手制作，全情體驗（拉線、自重、杠桿等原理的巧妙設計）；案例：各種類型LCIA的視頻案例，如何建設LCIA道場LCIA模擬，茅塞頓開；系統：從單個LCIA“點&..

  ￥   元/ 天

  人氣：806  

  

• 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：891  

  

• 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：716  

  

• 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：1224  

  

• 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：1548  

  

• 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