课程大纲：
大数据分析挖掘工具
【课程目标】
本课程为数据分析和挖掘的工具篇，本课程面向数据分析部等专门负责数据分析与挖掘的人士，专注大数据挖掘工具SPSS Statistics的培训。
IBM SPSS工具是面向非专业人士的高级的分析工具（挖掘工具），它提供大量的分析方法和分析模型，能够解决更复杂的业务问题，比如影响因素分析、客户行为预测/精准营销、客户群划分、产品交叉销售、产品销量预测等等。工具它封装了复杂难懂的算法实现，即使你没有深厚的技能能力，也能够胜任复杂的数据分析和挖掘。
本课程从实际的业务需求出发，对数据分析及数据挖掘技术进行了全面的介绍，将数据挖掘标准流程、分析思路、分析方法、分析模型，全部落地在SPSS工具中，通过大量的工具操作和演练，帮助学员熟练掌握SPSS工具的使用，并能够将SPSS工具在实际的业务数据分析中满地，实现“知行合一”。
通过本课程的学习，达到如下目的：
1、 了解大数据挖掘的标准过程和挖掘步骤
2、 掌握常用的统计分析方法，以及可视化
3、 掌握常用的影响因素分析方法，学会根因分析
4、 理解数据挖掘的常见模型，原理及适用场景。
5、 熟练掌握SPSS基本操作，能利用SPSS解决实际的商业问题。
【授课对象】
市场部、业务支撑部、数据分析部、运营分析部等对业务数据分析有较高要求的相关人员。
【课程大纲】
第一部分： 数据挖掘标准流程
1、 数据挖掘概述
2、 数据挖掘的标准流程（CRISP-DM）
-商业理解
-数据准备
-数据理解
-模型建立
-模型评估
-模型应用
案例：客户流失预测及客户挽留
3、 数据集概述
4、 SPSS工具介绍
5、 数据挖掘常用模型
第二部分： 数据预处理
如何整理数据，了解数据，对数据进行预处理？
1、 数据预处理的四大任务
-数据集成：多个数据集合并
-数据清洗：异常值的处理
-样本处理：样本筛选、样本抽样、样本平衡
-变量处理：变量变换、变量派生、变量精简
2、 数据集成（数据集合并）
-样本追加（添加数据行）：横向合并
-变量合并（添加变量列）：纵向合并
3、 数据清洗（异常数据处理）
-取值范围限定
-重复值处理
-无效值/错误值处理
-缺失值处理
-离群值/极端值处理
-数据质量评估
4、 样本处理：行处理
样本筛选：指定条件筛选指定样本集（减少样本数量）
样本抽样：随机抽取部分样本集（减少样本数量）
样本平衡：正反样本比例均衡
5、 变量处理：列处理
变量变换：原变量取值更新，比如标准化
变量派生：根据旧变量生成新的变量
变量精简：变量删除/降维，减少变量个数
类型转换：数据类型的相互转换
6、 变量精简/变量降维常用方法
-常用降维方法
-如何确定降维后变量个数
-特征选择：选择重要变量，剔除不重要变量
-基于变量本身特征来选择属性
-基于数据间的相关性来选择属性
-利用IV值筛选
-基于信息增益来选择属性
-因子合并：将多个变量进行合并
-PCA主成分分析
-判别分析
7、 类型转换
8、 因子合并/主成分分析
-因子分析的原因
-因子个数选择原则
-如何解读因子含义
案例：提取影响电信客户流失的主成分分析
9、 数据探索性分析
-常用统计指标分析
单变量：数值变量/分类变量
双变量：交叉分析/相关性分析
多变量：特征选择、因子分析
演练：描述性分析（频数、描述、探索、分类汇总）
第三部分： 数据可视化
1、 数据可视化的原则
2、 常用可视化工具
3、 常用可视化图形
-柱状图、条形图、饼图、折线图、箱图、散点图等
4、 图形的表达及适用场景
演练：各种图形绘制
第四部分： 影响因素分析篇
营销问题：哪些因素是影响业务目标的关键要素？比如，产品在货架上的位置是否对销量有影响？价格和广告开销是如何影响销量的？影响风控的关键因素有哪些？如何判断？
1、 影响因素分析的常见方法
2、 相关分析（衡量两数据型变量的线性相关性）
-相关分析简介
-相关分析的应用场景
-相关分析的种类
-简单相关分析
-偏相关分析
-距离相关分析
-相关系数的三种计算公式
-Pearson相关系数
-Spearman相关系数
-Kendall相关系数
-相关分析的假设检验
-相关分析的四个基本步骤
演练：营销费用会影响销售额吗？影响程度如何量化？
演练：哪些因素与汽车销量有相关性
演练：影响用户消费水平的因素会有哪些
-偏相关分析
-偏相关原理：排除不可控因素后的两变量的相关性
-偏相关系数的计算公式
-偏相关分析的适用场景
-距离相关分析
3、 方差分析（衡量类别变量与数值变量间的相关性）
-方差分析的应用场景
-方差分析的三个种类
-单因素方差分析
-多因素方差分析
-协方差分析
-单因素方差分析的原理
-方差分析的四个步骤
-解读方差分析结果的两个要点
演练：摆放位置与销量有关吗
演练：客户学历对消费水平的影响分析
演练：广告和价格是影响终端销量的关键因素吗
演练：营业员的性别、技能级别对产品销量有影响吗
演练：寻找影响产品销量的关键因素
-多因素方差分析原理
-多因素方差分析的作用
-多因素方差结果的解读
演练：广告形式、地区对销量的影响因素分析
-协方差分析原理
-协方差分析的适用场景
演练：排除产品价格，收入对销量有影响吗？
4、 列联分析/卡方检验（两类别变量的相关性分析）
-交叉表与列联表：计数值与期望值
-卡方检验的原理
-卡方检验的几个计算公式
-列联表分析的适用场景
案例：套餐类型对客户流失的影响分析
案例：学历对业务套餐偏好的影响分析
案例：行业/规模对风控的影响分析
5、 相关性分析方法总结
第五部分： 回归预测模型
营销问题：如何预测未来的产品销量/销售额？如果产品跟随季节性变动，该如何预测？
1、 回归分析简介和原理
2、 回归分析的种类
-一元回归/多元回归
-线性回归/非线性回归
3、 常用回归分析方法
-散点图+趋势线（一元）
-线性回归工具（多元线性）
-规划求解工具（非线性回归）
演练：散点图找营销费用与销售额的关系
4、 线性回归分析的五个步骤
演练：营销费用、办公费用与销售额的关系（线性回归）
5、 线性回归方程的解读技巧
-定性描述：正相关/负相关
-定量描述：自变量变化导致因变量的变化程度
6、 回归预测模型评估
-质量评估指标：判定系数R^2
-如何选择*回归模型
演练：如何选择*的回归预测模型（一元曲线回归）
7、 带分类自变量的回归预测
演练：汽车季度销量预测
演练：工龄、性别与终端销量的关系
演练：如何评估销售目标与资源*配置
第六部分： 回归模型优化
1、 回归分析的基本原理
-三个基本概念：总变差、回归变差、剩余变差
-方程的显著性检验：方程可用性
-因素的显著性检验：因素可用性
-方程拟合优度检验：质量好坏程度
-理解标准误差含义：预测准确性？
2、 回归模型优化措施：寻找*回归拟合线
-如何处理预测离群值（剔除离群值）
-如何剔除不显著因素（剔除不显著因素）
-如何进行非线性关系检验（增加非线性自变量）
-如何进行相互作用检验（增加相互作用自变量）
-如何进行多重共线性检验（剔除共线性自变量）
演练：模型优化演示
3、 好模型都是优化出来的
第七部分： 自定义回归模型
1、 回归建模的本质
2、 规划求解工具简介
3、 自定义回归模型
案例：如何对客流量进行建模预测及模型优化
4、 回归季节预测模型模型
-回归季节模型的原理及应用场景
-加法季节模型
-乘法季节模型
-模型解读
案例：*航空旅客里程的季节性趋势分析
5、 新产品累计销量的S曲线
-S曲线模型的应用场景（*累计销量及销量增长的拐点）
-珀尔曲线
-龚铂兹曲线
案例：如何预测产品的销售增长拐点，以及销量上限
演练：预测IPad产品的销量
第八部分： 回归模型质量评估
1、 定量预测模型的评估
-方程显著性评估
-因素显著性评估
-拟合优度的评估
-估计标准误差评估
-预测值准确度评估
2、 模型拟合度评估
-判定系数：
-调整判定系数：
3、 预测值准确度评估
-平均*误差：MAE
-根均方差：RMSE
-平均误差率：MAPE
4、 其它评估：残差检验、过拟合检验
第九部分： 时序预测模型
营销问题：像利率/*/GDP等按时序变化的指标如何预测？当销量随季节周期变动时该如何预测？
1、 回归预测vs时序预测
2、 因素分解思想
3、 时序预测常用模型
-趋势拟合
-季节拟合
-平均序列拟合
4、 评估预测值的准确度指标：MAD、RMSE、MAPE
5、 移动平均（MA）
-应用场景及原理
-移动平均种类
-一次移动平均
-二次移动平均
-加权移动平均
-移动平均比率法
-移动平均关键问题
-如何选取最优参数N
-如何确定最优权重系数
演练：平板电脑销量预测及评估
演练：快销产品季节销量预测及评估
6、 指数平滑（ES）
-应用场景及原理
-最优平滑系数的选取原则
-指数平滑种类
-一次指数平滑
-二次指数平滑（Brown线性、Holt线性、Holt指数、阻尼线性、阻尼指数）
-三次指数平滑
演练：煤炭产量预测
演练：航空旅客量预测及评估
7、 温特斯季节预测模型
-适用场景及原理
-Holt-Winters加法模型
-Holt-Winters乘法模型
演练：汽车销量预测及评估
8、 平稳序列模型（ARIMA）
-序列的平稳性检验
-平稳序列的拟合模型
-AR(p)自回归模型
-MA(q)移动模型
-ARMA(p,q)自回归移动模型
-模型的识别与定阶
-ACF图/PACF图
-最小信息准则
-序列平稳化处理
-变量变换
-k次差分
-d阶差分
-ARIMA(p,d,q)模型
演练：上海证券交易所综合指数收益率序列分析
演练：服装销售数据季节性趋势预测分析
-平稳序列的建模流程
第十部分： 分类预测模型篇
问题：如何评估客户购买产品的可能性？如何预测客户的购买行为？如何提取某类客户的典型特征？如何向客户精准推荐产品或业务？
1、 分类模型概述及其应用场景
2、 常见分类预测模型
3、 逻辑回归（LR）
-逻辑回归的适用场景
-逻辑回归的模型原理
-逻辑回归分类的几何意义
-逻辑回归的种类
-二项逻辑回归
-多项逻辑回归
-如何解读逻辑回归方程
-带分类自变量的逻辑回归分析
-多项逻辑回归/多分类逻辑回归
案例：如何评估用户是否会购买某产品（二项逻辑回归）
案例：多品牌选择模型分析（多项逻辑回归）
4、 分类决策树（DT）
问题：如何预测客户行为？如何识别潜在客户？
风控：如何识别欠贷者的特征，以及预测欠贷概率？
客户保有：如何识别流失客户特征，以及预测客户流失概率？
-决策树分类简介
案例：*零售商（Target）如何预测少女怀孕
演练：识别银行欠货风险，提取欠贷者的特征
-决策树分类的几何意义
-构建决策树的三个关键问题
-如何选择*属性来构建节点
-如何分裂变量
-修剪决策树
-选择最优属性生长
-熵、基尼索引、分类错误
-属性划分增益
-如何分裂变量
-多元划分与二元划分
-连续变量离散化（最优分割点）
-修剪决策树
-剪枝原则
-预剪枝与后剪枝
-构建决策树的四个算法
-C5.0、CHAID、CART、QUEST
-各种算法的比较
-如何选择最优分类模型？
案例：商场用户的典型特征提取
案例：客户流失预警与客户挽留
案例：识别拖欠银行货款者的特征，避免不良货款
案例：识别电信诈骗者嘴脸，让通信更安全
-多分类决策树
案例：不同套餐用户的典型特征
-决策树模型的保存与应用
5、 人工神经网络（ANN）
-神经网络概述
-神经网络基本原理
-神经网络的结构
-神经网络分类的几何意义
-神经网络的建立步骤
-神经网络的关键问题
-BP反向传播网络（MLP）
-径向基网络（RBF）
案例：评估银行用户拖欠货款的概率
6、 判别分析（DA）
-判别分析原理
-判别分析种类
-Fisher线性判别分析
案例：MBA学生录取判别分析
案例：上市公司类别评估
7、 最近邻分类（KNN）
-KNN模型的基本原理
-KNN分类的几何意义
-K近邻的关键问题
第十一部分： 市场细分模型
问题：我们的客户有几类？各类特征是什么？如何实现客户细分，开发符合细分市场的新产品？如何提取客户特征，从而对产品进行市场定位？
1、 市场细分的常用方法
-有指导细分
-无指导细分
2、 聚类分析
-如何更好的了解客户群体和市场细分？
-如何识别客户群体特征？
-如何确定客户要分成多少适当的类别？
-聚类方法原理介绍
-聚类方法作用及其适用场景
-聚类分析的种类
-K均值聚类
-层次聚类
-两步聚类
-K均值聚类（快速聚类）
案例：移动三大品牌细分市场合适吗？
演练：宝洁公司如何选择新产品试销区域？
演练：如何自动评选优秀员工？
演练：中国各省份发达程度分析，让数据自动聚类
-层次聚类（系统聚类）：发现多个类别
-R型聚类与Q型聚类的区别
案例：中移动如何实现客户细分及营销策略
演练：中国省市经济发展情况分析（Q型聚类）
演练：裁判评分的标准衡量，避免“黑哨”（R型聚类）
-两步聚类
3、 客户细分与PCA分析法
-PCA主成分分析的原理
-PCA分析法的适用场景
演练：利用PCA对汽车客户群进行细分
演练：如何针对汽车客户群设计汽车
第十二部分： 客户价值评估
营销问题：如何评估客户的价值？不同的价值客户有何区别对待？
1、 如何评价客户生命周期的价值
-贴现率与留存率
-评估客户的真实价值
-使用双向表衡量属性敏感度
-变化的边际利润
案例：评估营销行为的合理性
2、 RFM模型（客户价值评估）
RFM模型，更深入了解你的客户价值
RFM模型与市场策略
RFM模型与活跃度分析
演练：“双11”淘宝商家如何选择价值客户进行促销
演练：结合响应模型，宜家IKE实现*化营销利润
案例：重购用户特征分析
第十三部分： 假设检验
1、 参数检验分析（样本均值检验）
问题：如何验证营销效果的有效性？
-假设检验概述
-单样本T检验
-两独立样本T检验
-两配对样本T检验
-假设检验适用场景
电信行业
案例：电信运营商ARPU值评估分析（单样本）
案例：营销活动前后分析（两配对样本）
金融行业
案例：信用卡消费金额评估分析（单样本）
医疗行业
案例：吸烟与胆固醇升高的分析（两独立样本）
案例：减肥效果评估（两配对样本）
2、 非参数检验分析（样本分布检验）
问题：这些属性数据的分布情况如何？如何从数据分布中看出问题？
-非参数检验概述
-单样本检验
-两独立样本检验
-两相关样本检验
-两配对样本检验
-非参数检验适用场景
案例：产品合格率检验（单样本-二项分布）
案例：训练新方法有效性检验（两配对样本-符号/秩检验）
案例：促销方式效果检验(多相关样本-Friedman检验)
案例：客户满意度差异检验(多相关样本-Cochran Q检验)
结束：课程总结与问题答疑。
大数据分析挖掘工具
上一篇: 数说营销--大数据营销实战培训
下一篇: 猛将必发于卒伍，宰相必取于州郡-华为干部管理实践
其他相关公开课程:
其他相关公开课程:
其他相关公开课程:
|
|
||
|
联系电话：4000504030 |
 线上课程关注公众号 |
|
