【培訓(xùn)對象】
市場部、業(yè)務(wù)支撐部、數(shù)據(jù)分析部、運營分析部等對業(yè)務(wù)數(shù)據(jù)分析有較高要求的相關(guān)人員。

【培訓(xùn)收益】

第一部分：數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程
1、數(shù)據(jù)挖掘概述
2、數(shù)據(jù)挖掘的標(biāo)準(zhǔn)流程（CRISP-DM）
商業(yè)理解
數(shù)據(jù)準(zhǔn)備
數(shù)據(jù)理解
模型建立
模型評估
模型應(yīng)用
案例：客戶流失預(yù)測及客戶挽留
3、數(shù)據(jù)集概述
4、SPSS工具介紹
5、數(shù)據(jù)挖掘常用模型
第二部分：數(shù)據(jù)預(yù)處理
如何整理數(shù)據(jù)，了解數(shù)據(jù)，對數(shù)據(jù)進(jìn)行預(yù)處理？
1、數(shù)據(jù)預(yù)處理的四大任務(wù)
數(shù)據(jù)集成：多個數(shù)據(jù)集合并
數(shù)據(jù)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(shù)據(jù)集成（數(shù)據(jù)集合并）
樣本追加（添加數(shù)據(jù)行）：橫向合并
變量合并（添加變量列）：縱向合并
3、數(shù)據(jù)清洗（異常數(shù)據(jù)處理）
取值范圍限定
重復(fù)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(shù)據(jù)質(zhì)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(shù)量）
樣本抽樣：隨機(jī)抽取部分樣本集（減少樣本數(shù)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(biāo)準(zhǔn)化
變量派生：根據(jù)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(shù)
類型轉(zhuǎn)換：數(shù)據(jù)類型的相互轉(zhuǎn)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(shù)
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(shù)據(jù)間的相關(guān)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(jìn)行合并
PCA主成分分析
判別分析
7、類型轉(zhuǎn)換
8、因子合并/主成分分析
因子分析的原因
因子個數(shù)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(shù)據(jù)探索性分析
常用統(tǒng)計指標(biāo)分析
單變量：數(shù)值變量/分類變量
雙變量：交叉分析/相關(guān)性分析
多變量：特征選擇、因子分析
演練：描述性分析（頻數(shù)、描述、探索、分類匯總）
第三部分：數(shù)據(jù)可視化
1、數(shù)據(jù)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(dá)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(yè)務(wù)目標(biāo)的關(guān)鍵要素？比如，產(chǎn)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(fēng)控的關(guān)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(guān)分析（衡量兩數(shù)據(jù)型變量的線性相關(guān)性）
相關(guān)分析簡介
相關(guān)分析的應(yīng)用場景
相關(guān)分析的種類
簡單相關(guān)分析
偏相關(guān)分析
距離相關(guān)分析
相關(guān)系數(shù)的三種計算公式
Pearson相關(guān)系數(shù)
Spearman相關(guān)系數(shù)
Kendall相關(guān)系數(shù)
相關(guān)分析的假設(shè)檢驗
相關(guān)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(guān)性
演練：影響用戶消費水平的因素會有哪些
偏相關(guān)分析
偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性
偏相關(guān)系數(shù)的計算公式
偏相關(guān)分析的適用場景
距離相關(guān)分析
3、方差分析（衡量類別變量與數(shù)值變量間的相關(guān)性）
方差分析的應(yīng)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(xié)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(jié)果的兩個要點
演練：擺放位置與銷量有關(guān)嗎
演練：客戶學(xué)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(guān)鍵因素嗎
演練：營業(yè)員的性別、技能級別對產(chǎn)品銷量有影響嗎
演練：尋找影響產(chǎn)品銷量的關(guān)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(jié)果的解讀
演練：廣告形式、地區(qū)對銷量的影響因素分析
協(xié)方差分析原理
協(xié)方差分析的適用場景
演練：排除產(chǎn)品價格，收入對銷量有影響嗎？
4、列聯(lián)分析/卡方檢驗（兩類別變量的相關(guān)性分析）
交叉表與列聯(lián)表：計數(shù)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(lián)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(xué)歷對業(yè)務(wù)套餐偏好的影響分析
案例：行業(yè)/規(guī)模對風(fēng)控的影響分析
5、相關(guān)性分析方法總結(jié)
第五部分：回歸預(yù)測模型
營銷問題：如何預(yù)測未來的產(chǎn)品銷量/銷售額？如果產(chǎn)品跟隨季節(jié)性變動，該如何預(yù)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(guī)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(guān)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(guān)系（線性回歸）
5、線性回歸方程的解讀技巧
定性描述：正相關(guān)/負(fù)相關(guān)
定量描述：自變量變化導(dǎo)致因變量的變化程度
6、回歸預(yù)測模型評估
質(zhì)量評估指標(biāo)：判定系數(shù)R^2
如何選擇最佳回歸模型
演練：如何選擇最佳的回歸預(yù)測模型（一元曲線回歸）
7、帶分類自變量的回歸預(yù)測
演練：汽車季度銷量預(yù)測
演練：工齡、性別與終端銷量的關(guān)系
演練：如何評估銷售目標(biāo)與資源最佳配置
第六部分：回歸模型優(yōu)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(yōu)度檢驗：質(zhì)量好壞程度
理解標(biāo)準(zhǔn)誤差含義：預(yù)測準(zhǔn)確性？
2、回歸模型優(yōu)化措施：尋找最佳回歸擬合線
如何處理預(yù)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(jìn)行非線性關(guān)系檢驗（增加非線性自變量）
如何進(jìn)行相互作用檢驗（增加相互作用自變量）
如何進(jìn)行多重共線性檢驗（剔除共線性自變量）
演練：模型優(yōu)化演示
3、好模型都是優(yōu)化出來的
第七部分：自定義回歸模型
1、回歸建模的本質(zhì)
2、規(guī)劃求解工具簡介
3、自定義回歸模型
案例：如何對客流量進(jìn)行建模預(yù)測及模型優(yōu)化
4、回歸季節(jié)預(yù)測模型模型
回歸季節(jié)模型的原理及應(yīng)用場景
加法季節(jié)模型
乘法季節(jié)模型
模型解讀
案例：美國航空旅客里程的季節(jié)性趨勢分析
5、新產(chǎn)品累計銷量的S曲線
S曲線模型的應(yīng)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(yù)測產(chǎn)品的銷售增長拐點，以及銷量上限
演練：預(yù)測IPad產(chǎn)品的銷量
第八部分：回歸模型質(zhì)量評估
1、定量預(yù)測模型的評估
方程顯著性評估
因素顯著性評估
擬合優(yōu)度的評估
估計標(biāo)準(zhǔn)誤差評估
預(yù)測值準(zhǔn)確度評估
2、模型擬合度評估
判定系數(shù)：
調(diào)整判定系數(shù)：
3、預(yù)測值準(zhǔn)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(yù)測模型
營銷問題：像利率/CPI/GDP等按時序變化的指標(biāo)如何預(yù)測？當(dāng)銷量隨季節(jié)周期變動時該如何預(yù)測？
1、回歸預(yù)測vs時序預(yù)測
2、因素分解思想
3、時序預(yù)測常用模型
趨勢擬合
季節(jié)擬合
平均序列擬合
4、評估預(yù)測值的準(zhǔn)確度指標(biāo)：MAD、RMSE、MAPE
5、移動平均（MA）
應(yīng)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(quán)移動平均
移動平均比率法
移動平均關(guān)鍵問題
如何選取最優(yōu)參數(shù)N
如何確定最優(yōu)權(quán)重系數(shù)
演練：平板電腦銷量預(yù)測及評估
演練：快銷產(chǎn)品季節(jié)銷量預(yù)測及評估
6、指數(shù)平滑（ES）
應(yīng)用場景及原理
最優(yōu)平滑系數(shù)的選取原則
指數(shù)平滑種類
一次指數(shù)平滑
二次指數(shù)平滑（Brown線性、Holt線性、Holt指數(shù)、阻尼線性、阻尼指數(shù)）
三次指數(shù)平滑
演練：煤炭產(chǎn)量預(yù)測
演練：航空旅客量預(yù)測及評估
7、溫特斯季節(jié)預(yù)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(yù)測及評估
8、平穩(wěn)序列模型（ARIMA）
序列的平穩(wěn)性檢驗
平穩(wěn)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(zhǔn)則
序列平穩(wěn)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(shù)收益率序列分析
演練：服裝銷售數(shù)據(jù)季節(jié)性趨勢預(yù)測分析
平穩(wěn)序列的建模流程
第十部分：分類預(yù)測模型篇
問題：如何評估客戶購買產(chǎn)品的可能性？如何預(yù)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(zhǔn)推薦產(chǎn)品或業(yè)務(wù)？
1、分類模型概述及其應(yīng)用場景
2、常見分類預(yù)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(chǎn)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(yù)測客戶行為？如何識別潛在客戶？
風(fēng)控：如何識別欠貸者的特征，以及預(yù)測欠貸概率？
客戶保有：如何識別流失客戶特征，以及預(yù)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(yù)測少女懷孕
演練：識別銀行欠貨風(fēng)險，提取欠貸者的特征
決策樹分類的幾何意義
構(gòu)建決策樹的三個關(guān)鍵問題
如何選擇最佳屬性來構(gòu)建節(jié)點
如何分裂變量
修剪決策樹
選擇最優(yōu)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(xù)變量離散化（最優(yōu)分割點）
修剪決策樹
剪枝原則
預(yù)剪枝與后剪枝
構(gòu)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(yōu)分類模型？
案例：商場用戶的典型特征提取
案例：客戶流失預(yù)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(yīng)用
5、人工神經(jīng)網(wǎng)絡(luò)（ANN）
神經(jīng)網(wǎng)絡(luò)概述
神經(jīng)網(wǎng)絡(luò)基本原理
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
神經(jīng)網(wǎng)絡(luò)分類的幾何意義
神經(jīng)網(wǎng)絡(luò)的建立步驟
神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題
BP反向傳播網(wǎng)絡(luò)（MLP）
徑向基網(wǎng)絡(luò)（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(xué)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(guān)鍵問題
第十一部分：市場細(xì)分模型
問題：我們的客戶有幾類？各類特征是什么？如何實現(xiàn)客戶細(xì)分，開發(fā)符合細(xì)分市場的新產(chǎn)品？如何提取客戶特征，從而對產(chǎn)品進(jìn)行市場定位？
1、市場細(xì)分的常用方法
有指導(dǎo)細(xì)分
無指導(dǎo)細(xì)分
2、聚類分析
如何更好的了解客戶群體和市場細(xì)分？
如何識別客戶群體特征？
如何確定客戶要分成多少適當(dāng)?shù)念悇e？
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(xì)分市場合適嗎？
演練：寶潔公司如何選擇新產(chǎn)品試銷區(qū)域？
演練：如何自動評選優(yōu)秀員工？
演練：中國各省份發(fā)達(dá)程度分析，讓數(shù)據(jù)自動聚類
層次聚類（系統(tǒng)聚類）：發(fā)現(xiàn)多個類別
R型聚類與Q型聚類的區(qū)別
案例：中移動如何實現(xiàn)客戶細(xì)分及營銷策略
演練：中國省市經(jīng)濟(jì)發(fā)展情況分析（Q型聚類）
演練：裁判評分的標(biāo)準(zhǔn)衡量，避免“黑哨”（R型聚類）
兩步聚類
3、客戶細(xì)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(jìn)行細(xì)分
演練：如何針對汽車客戶群設(shè)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(qū)別對待？
1、如何評價客戶生命周期的價值
貼現(xiàn)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(jìn)行促銷
演練：結(jié)合響應(yīng)模型，宜家IKE實現(xiàn)最大化營銷利潤
案例：重購用戶特征分析
第十三部分：假設(shè)檢驗
1、參數(shù)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(shè)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(shè)檢驗適用場景
電信行業(yè)
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(yè)
案例：信用卡消費金額評估分析（單樣本）

醫(yī)療行業(yè)
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(shù)檢驗分析（樣本分布檢驗）
問題：這些屬性數(shù)據(jù)的分布情況如何？如何從數(shù)據(jù)分布中看出問題？
非參數(shù)檢驗概述
單樣本檢驗
兩獨立樣本檢驗
兩相關(guān)樣本檢驗
兩配對樣本檢驗
非參數(shù)檢驗適用場景
案例：產(chǎn)品合格率檢驗（單樣本-二項分布）
案例：訓(xùn)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(guān)樣本-Friedman檢驗)
案例：客戶滿意度差異檢驗(多相關(guān)樣本-Cochran Q檢驗)

結(jié)束：課程總結(jié)與問題答疑。 

• 大數(shù)據(jù)及人工智能背景下消費和小微信貸線上獲客、產(chǎn)品設(shè)計、風(fēng)控應(yīng)對策略

   

  第一部分：金融科技發(fā)展?fàn)顩r的介紹一、金融科技的現(xiàn)狀與發(fā)展趨勢（一）宏觀背景1、金融科技（支付寶人臉識別技術(shù)、APPLEPAY、虹膜技術(shù)、二維碼支付技術(shù)）2、利率市場化3、金融脫媒（二）移動互聯(lián)技術(shù)的發(fā)展使互聯(lián)網(wǎng)金融成為可能1、移動互聯(lián)網(wǎng)技術(shù)2、移動支付技術(shù)3、H5、APP（三）互聯(lián)網(wǎng)金融對傳統(tǒng)銀行資產(chǎn)業(yè)務(wù)的顛覆和沖..

  ￥   元/ 天

  人氣：1004  

  

• 大數(shù)據(jù)時代——提升患者管理，構(gòu)建專業(yè)藥房

   

  【課程導(dǎo)言】：移動互聯(lián)時代下，實體門店面臨巨大的挑戰(zhàn)，同時也是一種機(jī)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(jìn)行創(chuàng)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(lián)網(wǎng)環(huán)境對我們的實體店挑戰(zhàn)和我們面臨的消費者消費習(xí)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(chuàng)優(yōu)品的..

  ￥   元/ 天

  人氣：794  

  

• 電商互聯(lián)網(wǎng)大數(shù)據(jù)營銷之落地實踐鐵律

   

  課程背景：未來人貨場一切數(shù)字化，數(shù)據(jù)將成為一種資源，沒有數(shù)據(jù)沒有未來，企業(yè)如何構(gòu)建自己的大數(shù)據(jù)未來？人工智能已經(jīng)來臨，人工智能在營銷板塊的應(yīng)用本質(zhì)就是大數(shù)據(jù)營銷！企業(yè)的ERP、CRM、報表等等僅僅是零散的死數(shù)據(jù)，如何激活流動產(chǎn)生閉環(huán)，產(chǎn)生效益？經(jīng)驗將成為負(fù)債，未來將利用數(shù)據(jù)產(chǎn)品規(guī)劃、定位、策劃、人群分析、活動策劃，數(shù)據(jù)成為商業(yè)的起點！人為..

  ￥19,100   元/ 天

  人氣：1417  

  

• 電商互聯(lián)網(wǎng)智能商業(yè)：大數(shù)據(jù)營銷分析與落地實踐

   

  課程背景：數(shù)據(jù)是未來企業(yè)唯一資源，大數(shù)據(jù)營銷意味著高效、精準(zhǔn)、成本低、全自動化，讓企業(yè)從人海戰(zhàn)、廣告戰(zhàn)、渠道戰(zhàn)的泥潭中拔出來為什么搜索廣告效果差了？為什么團(tuán)購效果也差了？為什么傳統(tǒng)的用戶細(xì)分、STP在大數(shù)據(jù)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(yè)未來如何搭建科學(xué)的大數(shù)據(jù)營銷隊伍，建立科學(xué)的數(shù)字營銷體！通過互動獲取數(shù)據(jù)，..

  ￥19,100   元/ 天

  人氣：1702  

  

• 大數(shù)據(jù)基礎(chǔ)原理與應(yīng)用

   

  一、運營商網(wǎng)絡(luò)架構(gòu)和技術(shù)選擇1.運營商網(wǎng)絡(luò)架構(gòu)2.運營商業(yè)務(wù)類型3.接入網(wǎng)技術(shù)選擇4.不同業(yè)務(wù)的技術(shù)實現(xiàn)二、全業(yè)務(wù)運營技術(shù)實現(xiàn)1.集團(tuán)業(yè)務(wù)分類及特點2.集團(tuán)高等級業(yè)務(wù)特點及業(yè)務(wù)場景3.集團(tuán)低等級業(yè)務(wù)特點及業(yè)務(wù)場景4.集團(tuán)高、低等級業(yè)務(wù)要求及技術(shù)選擇5.數(shù)據(jù)專線業(yè)務(wù)及技術(shù)實現(xiàn)6.互聯(lián)網(wǎng)專線業(yè)務(wù)及技術(shù)實現(xiàn)7.集..

  ￥   元/ 天

  人氣：1157  

  

• 大數(shù)據(jù)、物聯(lián)網(wǎng)、云計算行業(yè)應(yīng)用及發(fā)展趨勢

   

  一、信息通信產(chǎn)業(yè)發(fā)展的背景和趨勢1、信息通信產(chǎn)業(yè)用戶現(xiàn)狀和發(fā)展趨勢2、國內(nèi)外信息化發(fā)展戰(zhàn)略3、中國信息化發(fā)展現(xiàn)狀和趨勢4、信息通信網(wǎng)絡(luò)發(fā)展趨勢5、電信業(yè)轉(zhuǎn)型新趨勢二、ICT前沿技術(shù)(一)云計算1、云計算發(fā)展的商業(yè)動力與技術(shù)趨勢1.1云計算基本概念1.2云計算的商業(yè)動力：企業(yè)ICT轉(zhuǎn)型1.3云計算特點..

  ￥   元/ 天

  人氣：1232