【培訓對象】
業務支撐部、運營分析部、數據分析部、IT系統部、大數據系統開發部等相關技術人員。

【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、評估模型
評估指標
評估方法
殘差評估
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
模型保存/加載
模型應用/預測
8、好模型是優化出來的

第二部分：時序模型評估
1、評估指標
判定系數：和
平均誤差：MAE
根均方差：RMSE
平均誤差率：MAPE
2、信息準則指標
赤池信息準則（Akaike Information Criterion，AIC）
貝葉斯信息準則（Bayesian Information Criterion，BIC）
HQIC（Hannan-Quinn Information Criterion，HQIC）
3、評估方法
滾動交叉驗證法（cross validation）
4、其它評估
殘差評估：白噪聲評估

第三部分：趨勢預測模型
問題：無法找到影響因素，無法回歸建模，怎么辦？隨著業務受季節性因素影響，未來的銷量如何預測？
1、時間序列簡介
2、時序預測的原理及應用場景
3、常見時序預測模型
趨勢類預測模型
季節類預測模型
平穩時序預測模型
其它高級模型
4、移動平均
應用場景及原理
理解滑動窗口
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
最佳期數N的選擇原則
最優權重系數的選取原則
演練：銷售額預測模型及評估
演練：快銷產品季節銷量預測及評估
5、指數平滑
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）
三次指數平滑
演練：煤炭產量預測
6、Holt趨勢模型（亦稱二次指數平滑）
Holt線性模型
Holt指數模型
阻尼線性趨勢
阻尼指數趨勢
第四部分：季節預測模型
1、因素分解思想
2、時間序列的四個構成要素
長期趨勢Trend
季節變動Seasonality
循環變動Circle
不規則變動Irregular
案例：時間序列的季節分解
3、Holt-Winters季節模型
三個組成部分
三個平滑因子
4、HW加法模型
適用場景
計算公式
超參優化
模型解讀
5、HW乘法模型
6、HW指數模型
案例：航空飛行里程預測模型
案例：汽車銷量預測模型
案例：沃爾瑪收益預測模型
7、基于回歸的季節模型
相加模型
相乘模型
模型訓練及優化
模型解讀
第五部分：平穩序列模型
1、平穩序列預測模型簡介
2、序列平穩性概念
恒定的均值
恒定的標準差
與位置無關的協方差
3、序列平穩性檢驗
折線圖法
ACF/PACF圖
ADF檢測法
4、特殊平穩序列：白噪聲
案例：序列平穩性檢驗
案例：白噪聲檢驗
5、平穩序列常用擬合模型
AR(p)自回歸模型
MA(q)移動平均模型
ARMA(p,q)自回歸移動平均模型
6、模型識別
ACF圖
PACF圖
7、模型定階
圖形定階（ACF/PACF）
最小信息準則定階
8、非平穩序列處理
平滑法
變量變換
差分運算：k步差分與d階差分
9、ARIMA(p,d,q)建模流程
案例：上海證券交易所收盤價建模
10、SARIMA(p,d,q)(P,D,Q,S)模型
圖形確定階數
遍歷確定階數
11、時序模型總結

第六部分：模型質量評估篇
1、回歸模型的評估指標
三個基本概念:SSR/SST/SSE
兩個判定系數:R^2,調整R^2
三個誤差指標:MAE/MAPE/RMSE
平均絕對誤差MAE
均方差MSE/RMSE
平均誤差率MAPE
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）
3、時間序列的滾動交叉驗證

第七部分：高級時序模型
1、Prophet模型介紹
趨勢擬合
季節性預測
節假日和特殊事件的影響
離群值分析
案例：銷售額時序預測模型
2、LSTM模型簡介
數據集構造
形狀構造
滾動預測

第八部分：廣告點擊量時序建模

結束：課程總結與問題答疑。