課程目標(biāo)

隨著大數(shù)據(jù)分析的需求越來越旺盛，大數(shù)據(jù)分析工具也越來越琳瑯滿目，然而，絕大多數(shù)的分析工具都只具有單一用途，無法滿足企業(yè)的復(fù)雜的多樣化的全面的業(yè)務(wù)分析需求，因此分析工具的選擇成為了一個挑戰(zhàn)。

一個良好的分析工具必須滿足如下要求：

1） 易學(xué)易用易操作。

2） 分析效率要高。

3） 滿足業(yè)務(wù)分析需求。

如果要說前兩個要求，顯然類似于Excel/Power BI/Tableau等工具都是滿足要求的，但此類工具卻無法解決更復(fù)雜的業(yè)務(wù)問題，比如影響因素分析、客戶行為預(yù)測/精準(zhǔn)營銷、客戶群劃分、產(chǎn)品交叉銷售、產(chǎn)品銷量預(yù)測等等，這些需求用Excel/PBI等工具就難以勝任了，需要用到更高級的數(shù)據(jù)挖掘工具，比如IBM SPSS工具。IBM SPSS工具是面向非專業(yè)人士的高級的分析工具（挖掘工具），它提供大量的分析方法和分析模型，能夠解決的業(yè)務(wù)問題更豐富，提供了更加強(qiáng)大的業(yè)務(wù)數(shù)據(jù)分析功能，并且它封裝了具體的分析算法，即使你沒有深厚的技能能力，也能夠勝任復(fù)雜的數(shù)據(jù)分析和挖掘。

本課程面向數(shù)據(jù)分析部等專門負(fù)責(zé)數(shù)據(jù)分析與挖掘的人士，專注大數(shù)據(jù)挖掘工具SPSS Statistics的培訓(xùn)。

本課程從實(shí)際的業(yè)務(wù)需求出發(fā)，對數(shù)據(jù)分析及數(shù)據(jù)挖掘技術(shù)進(jìn)行了全面的介紹，將數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程、分析思路、分析方法、分析模型，全部落地在SPSS工具中，通過大量的工具操作和演練，幫助學(xué)員熟練掌握SPSS工具的使用，并能夠?qū)�SPSS工具在實(shí)際的業(yè)務(wù)數(shù)據(jù)分析中滿地，實(shí)現(xiàn)“知行合一”。

通過本課程的學(xué)習(xí)，達(dá)到如下目的：

1、 了解大數(shù)據(jù)挖掘的標(biāo)準(zhǔn)過程和挖掘步驟。

2、 掌握基本的統(tǒng)計(jì)分析，常用的影響因素分析。

3、 理解數(shù)據(jù)挖掘的常見模型，原理及適用場景。

4、 熟練掌握SPSS基本操作，能利用SPSS解決實(shí)際的商業(yè)問題。

授課時(shí)間

2~4天時(shí)間，或根據(jù)客戶需求選擇（每天6個小時(shí)）

知識點(diǎn)

【學(xué)員要求】

1、 每個學(xué)員自備一臺便攜機(jī)(必須)。

2、 便攜機(jī)中事先安裝好Microsoft Office Excel 2013版本及以上。

3、 便攜機(jī)中事先安裝好SPSS Statistics v24版本及以上。

注：講師可以提供試用版本軟件及分析數(shù)據(jù)源。

【授課方式】

基礎(chǔ)知識精講 + 案例演練 + 實(shí)際業(yè)務(wù)問題分析 + 工具實(shí)際操作

本課程突出數(shù)據(jù)挖掘的實(shí)際應(yīng)用，結(jié)合行業(yè)的典型應(yīng)用特點(diǎn)，從實(shí)際問題入手，引出相關(guān)知識，進(jìn)行大數(shù)據(jù)的收集與處理；引導(dǎo)學(xué)員思考，構(gòu)建分析模型，進(jìn)行數(shù)據(jù)分析與挖掘，以及數(shù)據(jù)呈現(xiàn)與解讀，全過程演練操作，以達(dá)到提升學(xué)員的數(shù)據(jù)綜合分析能力，支撐運(yùn)營決策的目的。

【課程大綱】

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）

Ø 商業(yè)理解

Ø 數(shù)據(jù)準(zhǔn)備

Ø 數(shù)據(jù)理解

Ø 模型建立

Ø 模型評估

Ø 模型應(yīng)用

案例：客戶流失預(yù)測及客戶挽留

3、 數(shù)據(jù)集的基本知識

a) 存儲類型

b) 統(tǒng)計(jì)類型

c) 角度

4、 SPSS工具簡介

第二部分： 數(shù)據(jù)預(yù)處理過程

1、 數(shù)據(jù)預(yù)處理的基本步驟

Ø 數(shù)據(jù)讀取、數(shù)據(jù)理解、數(shù)據(jù)處理、變量處理、探索分析

2、 數(shù)據(jù)預(yù)處理的主要任務(wù)

Ø 數(shù)據(jù)集成：多個數(shù)據(jù)集的合并

Ø 數(shù)據(jù)清理：異常值的處理

Ø 數(shù)據(jù)處理：數(shù)據(jù)篩選、數(shù)據(jù)精簡、數(shù)據(jù)平衡

Ø 變量處理：變量變換、變量派生、變量精簡

Ø 數(shù)據(jù)歸約：實(shí)現(xiàn)降維，避免維災(zāi)難

3、 數(shù)據(jù)集成

Ø 外部數(shù)據(jù)讀入：Txt/Excel/SPSS/Database

Ø 數(shù)據(jù)追加（添加數(shù)據(jù)）

Ø 變量合并（添加變量）

4、 數(shù)據(jù)理解（異常數(shù)據(jù)處理）

Ø 取值范圍限定

Ø 重復(fù)值處理

Ø 無效值/錯誤值處理

Ø 缺失值處理

Ø 離群值/極端值處理

Ø 數(shù)據(jù)質(zhì)量評估

5、 數(shù)據(jù)準(zhǔn)備：數(shù)據(jù)處理

Ø 數(shù)據(jù)篩選：數(shù)據(jù)抽樣/選擇（減少樣本數(shù)量）

Ø 數(shù)據(jù)精簡：數(shù)據(jù)分段/離散化（減少變量的取值個數(shù)）

Ø 數(shù)據(jù)平衡：正反樣本比例均衡

6、 數(shù)據(jù)準(zhǔn)備：變量處理

Ø 變量變換：原變量取值更新，比如標(biāo)準(zhǔn)化

Ø 變量派生：根據(jù)舊變量生成新的變量

Ø 變量精簡：降維，減少變量個數(shù)

7、 數(shù)據(jù)降維

Ø 常用降維方法

Ø 如何確定變量個數(shù)

Ø 特征選擇：選擇重要變量，剔除不重要的變量

² 從變量本身考慮

² 從輸入變量與目標(biāo)變量的相關(guān)性考慮

² 對輸入變量進(jìn)行合并

Ø 因子分析（主成分分析）

² 因子分析的原理

² 因子個數(shù)如何選擇

² 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

8、 數(shù)據(jù)探索性分析

Ø 常用統(tǒng)計(jì)指標(biāo)分析

Ø 單變量：數(shù)值變量/分類變量

Ø 雙變量：交叉分析/相關(guān)性分析

Ø 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)可視化篇

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

Ø 柱狀圖、條形圖、餅圖、折線圖、箱圖、散點(diǎn)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

問題：如何判斷一個因素對另一個因素有影響？比如營銷費(fèi)用是否會影響銷售額？產(chǎn)品價(jià)格是否會影響銷量？產(chǎn)品的陳列位置是否會影響銷量？

風(fēng)險(xiǎn)控制的關(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（衡量變量間的的相關(guān)性）

問題：這兩個屬性是否會相互影響？影響程度大嗎？營銷費(fèi)用會影響銷售額嗎？ 

Ø 什么是相關(guān)關(guān)系

Ø 相關(guān)系數(shù)：衡量相關(guān)程度的指標(biāo)

Ø 相關(guān)系數(shù)的三個計(jì)算公式

Ø 相關(guān)分析的假設(shè)檢驗(yàn)

Ø 相關(guān)分析的基本步驟

Ø 相關(guān)分析應(yīng)用場景

演練：體重與腰圍的關(guān)系

演練：營銷費(fèi)用會影響銷售額嗎

演練：哪些因素與汽車銷量有相關(guān)性

演練：通信費(fèi)用與開通月數(shù)的相關(guān)分析

案例：酒樓生意好壞與報(bào)紙銷量的相關(guān)分析

Ø 偏相關(guān)分析

Ø 距離相關(guān)分析

3、 方差分析

問題：哪些才是影響銷量的關(guān)鍵因素？

Ø 方差分析解決什么問題

Ø 方差分析種類：單因素/雙因素可重復(fù)/雙因素?zé)o重復(fù)

Ø 方差分析的應(yīng)用場景

Ø 方差分析的原理與步驟

Ø 如何解決方差分析結(jié)果

演練：終端擺放位置與終端銷量有關(guān)嗎？

演練：開通月數(shù)驛客戶流失的影響分析

演練：客戶學(xué)歷對消費(fèi)水平的影響分析

演練：廣告和價(jià)格是影響終端銷量的關(guān)鍵因素嗎

演練：營業(yè)員的性別、技能級別產(chǎn)品銷量有影響嗎？

案例：2015年大學(xué)生工資與父母職業(yè)的關(guān)系

案例：醫(yī)生洗手與嬰兒存活率的關(guān)系

演練：尋找影響產(chǎn)品銷量的關(guān)鍵因素

Ø 多因素方差分析原理

Ø 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（多因素）

Ø 協(xié)方差分析原理

演練：飼料對生豬體重的影響分析（協(xié)方差分析）

4、 列聯(lián)分析（兩類別變量的相關(guān)性分析）

Ø 交叉表與列聯(lián)表

Ø 卡方檢驗(yàn)的原理

Ø 卡方檢驗(yàn)的幾個計(jì)算公式

Ø 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

第五部分： 數(shù)據(jù)建模過程篇

1、 預(yù)測建模六步法

Ø 選擇模型：基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型

Ø 屬性篩選：選擇對目標(biāo)變量有顯著影響的屬性來建模

Ø 訓(xùn)練模型：采用合適的算法對模型進(jìn)行訓(xùn)練，尋找到最合適的模型參數(shù)

Ø 評估模型：進(jìn)行評估模型的質(zhì)量，判斷模型是否可用

Ø 優(yōu)化模型：如果評估結(jié)果不理想，則需要對模型進(jìn)行優(yōu)化

Ø 應(yīng)用模型：如果評估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場景

2、 數(shù)據(jù)挖掘常用的模型

Ø 數(shù)值預(yù)測模型：回歸預(yù)測、時(shí)序預(yù)測等

Ø 分類預(yù)測模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等

Ø 市場細(xì)分：聚類、RFM、PCA等

Ø 產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過濾等

Ø 產(chǎn)品優(yōu)化：回歸、隨機(jī)效用等

Ø 產(chǎn)品定價(jià)：定價(jià)策略/最優(yōu)定價(jià)等

3、 屬性篩選/特征選擇/變量降維

Ø 基于變量本身特征

Ø 基于相關(guān)性判斷

Ø 因子合并（PCA等）

Ø IV值篩選（評分卡使用）

Ø 基于信息增益判斷（決策樹使用）

4、 模型評估

Ø 模型質(zhì)量評估指標(biāo)：R^2、正確率/查全率/查準(zhǔn)率/特異性等

Ø 預(yù)測值評估指標(biāo)：MAD、MSE/RMSE、MAPE、概率等

Ø 模型評估方法：留出法、K拆交叉驗(yàn)證、自助法等

Ø 其它評估：過擬合評估

5、 模型優(yōu)化

Ø 優(yōu)化模型：選擇新模型/修改模型

Ø 優(yōu)化數(shù)據(jù)：新增顯著自變量

Ø 優(yōu)化公式：采用新的計(jì)算公式

6、 模型實(shí)現(xiàn)算法（暫略）

7、 好模型是優(yōu)化出來的

案例：通信客戶流失分析及預(yù)警模型

第六部分： 數(shù)值預(yù)測模型篇

問題：如何預(yù)測產(chǎn)品的銷量/銷售金額？如果產(chǎn)品跟隨季節(jié)性變動，該如何預(yù)測？新產(chǎn)品上市，如果評估銷量上限及銷售增速？

1、 銷量預(yù)測與市場預(yù)測——讓你看得更遠(yuǎn)

2、 回歸預(yù)測/回歸分析

問題：如何預(yù)測未來的銷售量（定量分析）？

Ø 回歸分析的基本原理和應(yīng)用場景

Ø 回歸分析的種類（一元/多元、線性/曲線）

Ø 得到回歸方程的幾種常用方法

Ø 回歸分析的五個步驟與結(jié)果解讀

Ø 回歸預(yù)測結(jié)果評估（如何評估預(yù)測質(zhì)量，如何選擇最佳回歸模型）

演練：散點(diǎn)圖找推廣費(fèi)用與銷售額的關(guān)系（一元線性回歸）

演練：推廣費(fèi)用、辦公費(fèi)用與銷售額的關(guān)系（多元線性回歸）

演練：讓你的營銷費(fèi)用預(yù)算更準(zhǔn)確

演練：如何選擇最佳的回歸預(yù)測模型（曲線回歸）

Ø 帶分類變量的回歸預(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)與資源配置（營業(yè)廳）

3、 時(shí)序預(yù)測

問題：隨著時(shí)間變化，未來的銷量變化趨勢如何？

Ø 時(shí)序分析的應(yīng)用場景（基于時(shí)間的變化規(guī)律）

Ø 移動平均MA的預(yù)測原理

Ø 指數(shù)平滑ES的預(yù)測原理

Ø 自回歸移動平均ARIMA模型

Ø 如何評估預(yù)測值的準(zhǔn)確性？

案例：銷售額的時(shí)序預(yù)測及評估

演練：汽車銷量預(yù)測及評估

演練：電視機(jī)銷量預(yù)測分析

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

4、 季節(jié)性預(yù)測模型

Ø 季節(jié)性回歸模型的參數(shù)

Ø 常用季節(jié)性預(yù)測模型（相加、相乘）

案例：美國航空旅客里程的季節(jié)性趨勢分析

案例：產(chǎn)品銷售季節(jié)性趨勢預(yù)測分析

5、 新產(chǎn)品預(yù)測模型與S曲線

Ø 如何評估銷量增長的拐點(diǎn)

Ø 珀?duì)柷�線與龔鉑茲曲線

案例：如何預(yù)測產(chǎn)品的銷售增長拐點(diǎn)，以及銷量上限

演戲：預(yù)測IPad產(chǎn)品的銷量

6、 自定義模型（如何利用規(guī)劃求解進(jìn)行自定義模型）

案例：如何對餐廳客流量進(jìn)行建模及模型優(yōu)化

第七部分： 回歸模型優(yōu)化篇

1、 回歸模型的基本原理

Ø 三個基本概念：總變差、回歸變差、剩余變差

Ø 方程的顯著性檢驗(yàn)：是否可以做回歸分析？

Ø 擬合優(yōu)度檢驗(yàn)：回歸模型的質(zhì)量評估？

Ø 因素的顯著性檢驗(yàn)：自變量是否可用？

Ø 理解標(biāo)準(zhǔn)誤差的含義：預(yù)測的準(zhǔn)確性？

2、 模型優(yōu)化思路：尋找最佳回歸擬合線

Ø 如何處理異常數(shù)據(jù)（殘差與異常值排除）

Ø 如何剔除非顯著因素（因素顯著性檢驗(yàn)）

Ø 如何進(jìn)行非線性關(guān)系檢驗(yàn)

Ø 如何進(jìn)行相互作用檢驗(yàn)

Ø 如何進(jìn)行多重共線性檢驗(yàn)

Ø 如何檢驗(yàn)誤差項(xiàng)

Ø 如何判斷模型過擬合

案例：模型優(yōu)化案例

第八部分： 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

2、 常見分類預(yù)測模型

3、 評估分類模型的常用指標(biāo)

Ø 正確率、查全率/查準(zhǔn)率、特異性等

4、 邏輯回歸模型（LR）

Ø 邏輯回歸模型原理及適用場景

Ø 邏輯回歸種類：二項(xiàng)/多項(xiàng)邏輯回歸

Ø 如何解讀邏輯回歸方程

案例：如何評估用戶是否會購買某產(chǎn)品（二項(xiàng)邏輯回歸）

Ø 消費(fèi)者品牌選擇模型分析

案例：多品牌選擇模型分析（多項(xiàng)邏輯回歸）

5、 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？

Ø 決策樹分類簡介

Ø 如何評估分類性能？

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(xiǎn)，提取欠貸者的特征

Ø 構(gòu)建決策樹的三個關(guān)鍵問題

² 如何選擇最佳屬性來構(gòu)建節(jié)點(diǎn)

² 如何分裂變量

² 修剪決策樹

Ø 選擇最優(yōu)屬性

² 熵、基尼索引、分類錯誤

² 屬性劃分增益

Ø 如何分裂變量

² 多元劃分與二元劃分

² 連續(xù)變量離散化（最優(yōu)劃分點(diǎn)）

Ø 修剪決策樹

² 剪枝原則

² 預(yù)剪枝與后剪枝

Ø 構(gòu)建決策樹的四個算法

² C5.0、CHAID、CART、QUEST

² 各種算法的比較

Ø 如何選擇最優(yōu)分類模型？

案例：商場酸奶購買用戶特征提取

案例：電信運(yùn)營商客戶流失預(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

6、 人工神經(jīng)網(wǎng)絡(luò)（ANN）

Ø 神經(jīng)網(wǎng)絡(luò)概述

Ø 神經(jīng)網(wǎng)絡(luò)基本原理

Ø 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

Ø 神經(jīng)網(wǎng)絡(luò)的建立步驟

Ø 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題

Ø BP反向傳播網(wǎng)絡(luò)（MLP）

Ø 徑向基網(wǎng)絡(luò)（RBF）

案例：評估銀行用戶拖欠貨款的概率

7、 判別分析（DA）

Ø 判別分析原理

Ø 距離判別法

Ø 典型判別法

Ø 貝葉斯判別法

案例：MBA學(xué)生錄取判別分析

案例：上市公司類別評估

8、 K近鄰分類（KNN）

Ø 基本原理

Ø 關(guān)鍵問題

9、 貝葉斯分類（NBN）

Ø 貝葉斯分類原理

Ø 計(jì)算類別屬性的條件概率

Ø 估計(jì)連續(xù)屬性的條件概率

Ø 貝葉斯網(wǎng)絡(luò)種類：TAN/馬爾科夫毯

Ø 預(yù)測分類概率（計(jì)算概率）

案例：評估銀行用戶拖欠貨款的概率

10、 支持向量機(jī)（SVM）

Ø SVM基本原理

Ø 線性可分問題：最大邊界超平面

Ø 線性不可分問題：特征空間的轉(zhuǎn)換

Ø 維空難與核函數(shù)

第九部分： 市場細(xì)分模型篇

問題：我們的客戶有幾類？各類特征是什么？如何實(shí)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

Ø 有指導(dǎo)細(xì)分

Ø 無指導(dǎo)細(xì)分

2、 聚類分析

Ø 如何更好的了解客戶群體和市場細(xì)分？

Ø 如何識別客戶群體特征？

Ø 如何確定客戶要分成多少適當(dāng)?shù)念悇e？

Ø 聚類方法原理介紹

Ø 聚類方法作用及其適用場景

Ø 聚類分析的種類

Ø 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

Ø 層次聚類（系統(tǒng)聚類）：發(fā)現(xiàn)多個類別

Ø R型聚類與Q型聚類的區(qū)別

案例：中移動如何實(shí)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）

Ø 兩步聚類

3、 主成分分析PCA分析

Ø 主成分分析原理

Ø 主成分分析基本步驟

Ø 主成分分析結(jié)果解讀

演練：PCA探索汽車購買者的細(xì)分市場

4、 RFM模型客戶細(xì)分框架

第十部分： 客戶價(jià)值評估

1、 客戶價(jià)值評估與RFM模型

問題：如何評估客戶的價(jià)值？如何針對不同客戶采取不同的營銷策略？

Ø RFM模型，更深入了解你的客戶價(jià)值

Ø RFM的客戶細(xì)分框架理解

Ø RFM模型與市場策略

Ø RFM模型與活躍度

演練：“雙11”淘寶商家如何選擇客戶進(jìn)行促銷

演練：結(jié)合響應(yīng)模型，宜家IKE實(shí)現(xiàn)最大化營銷利潤

演練：重購用戶特征分析

第十一部分： 假設(shè)檢驗(yàn)篇

1、 參數(shù)檢驗(yàn)分析（樣本均值檢驗(yàn)）

問題：如何驗(yàn)證營銷效果的有效性？

Ø 假設(shè)檢驗(yàn)概述

² 單樣本T檢驗(yàn)

² 兩獨(dú)立樣本T檢驗(yàn)

² 兩配對樣本T檢驗(yàn)

Ø 假設(shè)檢驗(yàn)適用場景

電信行業(yè)

案例：電信運(yùn)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(fèi)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(dú)立樣本）

案例：減肥效果評估（兩配對樣本）

2、 非參數(shù)檢驗(yàn)分析（樣本分布檢驗(yàn)）

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？

Ø 非參數(shù)檢驗(yàn)概述

² 單樣本檢驗(yàn)

² 兩獨(dú)立樣本檢驗(yàn)

² 兩相關(guān)樣本檢驗(yàn)

² 兩配對樣本檢驗(yàn)

Ø 非參數(shù)檢驗(yàn)適用場景

案例：產(chǎn)品合格率檢驗(yàn)（單樣本-二項(xiàng)分布）

案例：訓(xùn)練新方法有效性檢驗(yàn)（兩配對樣本-符號/秩檢驗(yàn)）

案例：促銷方式效果檢驗(yàn)(多相關(guān)樣本-Friedman檢驗(yàn))

案例：客戶滿意度差異檢驗(yàn)(多相關(guān)樣本-Cochran Q檢驗(yàn))

第十二部分： 實(shí)戰(zhàn)-數(shù)據(jù)挖掘項(xiàng)目

實(shí)戰(zhàn)1：客戶流失預(yù)警與客戶挽留之真實(shí)數(shù)據(jù)分析實(shí)踐

實(shí)戰(zhàn)2：銀行信用風(fēng)險(xiǎn)分析

結(jié)束：課程總結(jié)與問題答疑。