课程大纲：

TTM卓越培训经理培训
课程背景：
随着企业的不断发展壮大，培训承担着人力资源发展“选育用留”中关键的“育”的角色，这部分工作已经越来越被认可和重视，越来越多的企业开始建立自己的企业大学，打造学习型组织文化。
作为培训管理者，承担着组织及人才发展的重担。但怎样做好这项工作，对中国的企业和培训管理者来说都还是一个摸索中的命题。在现今培训管理面临四大挑战当中，“培训管理者专业水平亟需提升”排在第一位。绝大部分的培训管理者没有接受系统培训就直接上岗，在工作中经常面临以下问题：
如何让培训工作与企业发展战略及业务更紧密结合，促进绩效目标达成？
如何提取分析企业培训需求？
如何开发有效实用的课程，建立课程体系？
如何搭建内训师队伍，后续又怎样培养和管理？
如何管理和评估培训项目，获得业务部门的认同与支持？……
调查表明，越来越多企业培训管理者对于工作有很多苦恼，渴望获得更多学习和交流的机会。本课程秉承“帮助培训管理者提升专业能力，促进企业绩效改进”的理念，从人员体系、课程体系、系统体系三大方面进行深入讲解，辅以日立、惠普、保洁、本田等500强经典人才发展案例，提供大量模型工具，全面提升学员培训项目管理、培训营销、学习设计、培训评估等各维度的专业能力。
培训目标：
了解培训管理的本质及未来趋势
掌握培训管理者能力模型及应用
掌握培训需求分析收集的工具方法
掌握课程体系设计、开发的工具方法
掌握*四级评估工具的运用
了解常见人才发展项目的设计与运营
课程大纲：
第一单元 组织学习与培训
一、培训的目的与定位
1．培训的四个目的
2．培训的五个定位
二、企业培训成熟度五级模型
1．兼职做培训
2．独立做培训
3．系统做培训
4．企业大学做培训
5．从培训到学习型组织
三、培训管理工作的发展趋势及挑战
1．学习方式及技术的变革
2．获取支持
3．以最少资源获得*效果
4．专业仍有很大提升空间
5．培训产品核心研发者为业务专家
6．更注重用户体验和效果评估
第二单元 培训体系三大支柱--人员篇
一、参与培训的三大角色
1．专业者
2．内训师
3．推动者
二、培训经理能力模型及应用
1．三项通用能力的定义与行为描述
2．五项核心能力的定义与行为描述
3．培训经理能力模型的应用
三、内训师团队建设六部曲
1．前期准备
2．建立机制
3．招募选拔
4．技能培训
5．授课展示
6．培养激励
案例分析：广汽本田、广日集团等企业内训师队伍建设
四、寻找培训推动者
1．谁是培训推动者？
2．影响力产生的六个原理
3．干系人影响策略
案例分析：培训营销策略
第三单元 培训体系三大支柱--课程篇
一、学习需求的平衡与界定
1．事务操作型
2．策略支持型
3．战略引领型
二、基于Goldstein模型的培训需求分析
1．组织分析
2．人员分析
3．任务分析
三、培训需求收集的八大方法
1．问卷法
2．访谈法
3．观察法
4．关键事件法
5．绩效分析法
6．压力点法
7．专项测评法
8．胜任力模型法
视频案例：特务迷城
PK练习：培训需求调研设计
四、课程体系设计
1．基于岗位序列的课程体系建设
．基于职级序列的课程体系建设
3．基于知识领域的课程体系建设
案例分析：惠普等企业的课程体系
PK练习：课程体系设计
五、基于绩效改进的课程开发模型
1．设计阶段
2．开发阶段
3．验证实施阶段
案例分析：卡宾、海大等企业的课程开发流程
六、基于业务结果的学习项目设计与管理
1．学习项目设计的九个步骤
2．学习项目实施的影响因素
3．项目干系人的参与和影响
案例分析：日立的学习项目管理
第四单元 培训体系三大支柱--系统篇
一、培训制度管理
1．新员工培训管理制度
2．内训师管理制度
3．外训管理制度
模型工具：常见培训管理制度范本
二、培训计划制定与执行
1．培训计划制定的四个原则
2．制定培训预算的四种方法
3．计划调整的要点
4、培训现场的管理
模型工具：常见培训计划范本（含培训手册）
三、*四级评估系统
1．“合伙人”模型--一切培训评估的前提
2．被“误解”的一级评估
3．“最难”的二级评估
4．“断层”的三级评估
5．“最容易”的四级评估
PK练习：培训评估设计
四、人才发展系统
1．新员工培养系统设计
2．管培生培养系统设计
3．中层人员、核心人员培养系统设计
4．领导力培养系统设计
案例分析：宝洁、碧桂园等企业人才培养案例
五、常见培训管理方式及系统
1．积分制管理
2．E-Learning
3．翻转课堂&微课
4．行动学习
5．导师制&OTJ在岗辅导
6．继任计划
案例分析：以上培训管理方式及系统实例
大数据分析培训公开课程班
【课程目标】
本课程为中级课程，需要在初级课程之后学习。面向所有应用型人员，包括业务部分，以及数据分析部门，系统开发人员也同样需要学习。
本课程核心内容为数据挖掘，预测模型，以及模型优化，帮助学员构建系统全面的业务分析思维，提升学员在数据分析综合能力。
本课程覆盖了如下内容：
1. 数据挖掘基础知识。
2. 常用数值预测模型。
3. 常用分类预测模型。
4. 数据预处理的基本过程。
本课程从实际的业务需求出发，结合行业的典型应用特点，围绕实际的商业问题，对数据分析及数据挖掘技术进行了全面的介绍（从数据收集与处理，到数据分析与挖掘，再到数据可视化和报告撰写），通过大量的操作演练，帮助学员掌握数据分析和数据挖掘的思路、方法、表达、工具，从大量的企业经营数据中进行分析，挖掘客户行为特点，帮助运营团队深入理解业务运作，以达到提升学员的数据综合分析能力，支撑运营决策的目的。
通过本课程的学习，达到如下目的：
1. 了解数据挖掘基础知识，以及数据挖掘标准过程。
2. 熟悉建模的一般过程，以及评估模型质量的关键指标。
3. 掌握建模前的影响因素分析，学会寻找影响业务的关键因素。
4. 熟练使用数值预测模型，掌握自定义模型以及优化步骤。
5. 熟练使用分类预测模型，掌握模型优化的思路。
6. 熟练掌握预处理的基本过程，并根据业务实际情况进行处理。
【授课时间】
2天时间
【授课对象】
销售部门、营业厅、呼叫中心、业务支撑、经营分析部、网管/网优中心、运营分析部、系统开发部等对业务数据分析有基本要求的相关人员。
【学员要求】
1. 每个学员自备一台便携机(必须)。
2. 便携机中事先安装好IBM SPSS Statistics v19版本及以上。
3. 便携机中事先安装好IBM SPSS Modeler v14版本及以上。
注：讲师可以提供试用版本软件及分析数据源。
【授课方式】
数据分析基础 + 方法讲解 + 实际业务问题分析 + 工具实践操作
采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中获得能力提升。
【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：客户匹配度建模—找到你的准客户
案例：客户流失预测及客户挽留
3. 数据集概述
4. 数据集的类型
5. 数据集属性的类型
. 标称
. 序数
. 度量
6. 数据质量三要素
. 准确性
. 完整性
. 一致性
第二部分：    影响因素分析篇
问题：如何判断一个因素对另一个因素有影响？比如营销费用是否会影响销售额？产品价格是否会影响销量？产品的陈列位置是否会影响销量？
风险控制的关键因素有哪些？
1. 影响因素分析的常见方法
2. 相关分析（衡量变量间的的相关性）
问题：这两个属性是否会相互影响？影响程度大吗？营销费用会影响销售额吗？
. 相关系数的三个计算公式
. 相关分析的假设检验
. 相关分析的基本步骤
演练：体重与腰围的关系
演练：营销费用会影响销售额吗
演练：哪些因素与汽车销量有相关性
演练：通信费用与开通月数的相关分析
案例：酒楼生意好坏与报纸销量的相关分析
. 偏相关分析
. 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
问题：哪些才是影响销量的关键因素？
. 方差分析解决什么问题
. 方差分析种类：单因素/双因素可重复/双因素无重复
. 方差分析的应用场景
. 方差分析的原理与步骤
. 如何解决方差分析结果
演练：终端摆放位置与终端销量有关吗？
演练：开通月数对客户流失的影响分析
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、技能级别产品销量有影响吗？
案例：2015年大学生工资与父母职业的关系
案例：医生洗手与婴儿存活率的关系
演练：寻找影响产品销量的关键因素
. 多因素方差分析原理
. 多因素方差结果的解读
演练：广告形式、地区对销量的影响因素分析（多因素）
. 协方差分析原理
演练：饲料对生猪体重的影响分析（协方差分析）
4. 列联分析（两类别变量的相关性分析）
. 交叉表与列联表
. 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
第三部分：    数值预测模型篇
问题：如何预测产品的销量/销售金额？
1. 销量预测与市场预测——让你看得更远
2. 回归预测/回归分析
问题：如何预测未来的销售量（定量分析）？
. 回归分析的基本原理和应用场景
. 回归分析的种类（一元/多元、线性/曲线）
. 得到回归方程的几种常用方法
. 回归分析的五个步骤与结果解读
. 回归预测结果评估（如何评估预测质量）
演练：散点图找推广费用与销售额的关系（一元线性回归）
演练：推广费用、办公费用与销售额的关系（多元线性回归）
演练：让你的营销费用预算更准确
演练：如何选择*的回归预测模型（曲线回归）
. 带分类变量的回归预测
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（营业厅）
3. 时序预测
问题：随着时间变化，未来的销量变化趋势如何？
. 时序分析的应用场景（基于时间的变化规律）
. 移动平均MA的预测原理
. 指数平滑ES的预测原理
. 如何评估预测值的准确性？
案例：销售额的时序预测及评估
演练：汽车销量预测及评估
演练：电视机销量预测分析
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
4. 季节性预测模型
. 季节性回归模型的参数
. 常用季节性预测模型（相加、相乘）
. 怎样解读模型的含义
案例：*航空旅客里程的季节性趋势分析
案例：产品销售季节性趋势预测分析
5. 新产品预测模型与S曲线
. 如何评估销量增长的拐点
. 珀尔曲线与龚铂兹曲线
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
演练：预测Facebook的用户增长情况
第四部分：    回归模型优化篇
1. 回归模型的基本原理
. 三个基本概念：总变差、回归变差、剩余变差
. 方程的显着性检验：是否可以做回归分析？
. 拟合优度检验：回归模型的质量评估？
. 因素的显着性检验：自变量是否可用？
. 理解标准误差的含义：预测的准确性？
2. 模型优化思路：寻找*回归拟合线
. 如何处理异常数据（残差与异常值排除）
. 如何剔除非显着因素（因素显着性检验）
. 如何进行非线性关系检验
. 如何进行相互作用检验
. 如何进行多重共线性检验
. 如何检验误差项
. 如何判断模型过拟合
案例：模型优化案例
演练：预测IPad的季度销量
6. 自定义模型（如何利用规划求解进行自定义模型）
案例：如何对餐厅客流量进行建模及模型优化
第五部分：    分类预测模型篇
问题：如何评估客户购买产品的可能性？或者说，影响客户购买意向的产品关键特性是什么？
1. 分类模型概述
2. 常见分类预测模型
3. 逻辑回归模型
. 逻辑回归模型原理及适用场景
. 逻辑回归种类：二元/多元逻辑回归
. 如何解读逻辑回归方程
案例：如何评估用户是否会购买某产品（二元逻辑）
. 消费者品牌选择模型分析
案例：品牌选择模型分析，你的品牌适合哪些人群？（多元逻辑）
4. 分类决策树
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
. 如何评估分类性能？
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
. 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
. 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（最优划分点）
. 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：商场酸奶购买用户特征提取
. 案例：电信运营商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
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
. 判别分析原理
. 距离判别法
. 典型判别法
. 贝叶斯判别法
案例：MBA学生录取判别分析
案例：上市公司类别评估
第六部分：    数据预处理篇（了解你的数据集）
1. 数据预处理的主要任务
. 数据集成：多个数据集的合并
. 数据清理：异常值的处理
. 数据处理：数据筛选、数据精简、数据平衡
. 变量处理：变量变换、变量派生、变量精简
. 数据归约：实现降维，避免维灾难
2. 数据集成
. 外部数据读入：Txt/Excel/SPSS/Database
. 数据追加（添加数据）
. 变量合并（添加变量）
3. 数据理解（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. 数据准备：数据处理
. 数据筛选：数据抽样/选择（减少样本数量）
. 数据精简：数据分段/离散化（减少变量的取值个数）
. 数据平衡：正反样本比例均衡
5. 数据准备：变量处理
. 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：降维，减少变量个数
6. 数据降维
. 常用降维的方法
. 如何确定变量个数
. 特征选择：选择重要变量，剔除不重要的变量
. 从变量本身考虑
. 从输入变量与目标变量的相关性考虑
. 对输入变量进行合并
. 因子分析（主成分分析）
. 因子分析的原理
. 因子个数如何选择
. 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
7. 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）
8. 数据可视化
. 数据可视化：柱状图、条形图、饼图、折线图、箱图、散点图等
. 图形的表达及适用场景
演练：各种图形绘制
结束：课程总结与问题答疑。
大数据分析培训公开课程班 TTM卓越培训经理培训