隨著大數(shù)據(jù)分析的需求越來(lái)越旺盛，大數(shù)據(jù)分析工具也越來(lái)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(wú)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(gè)挑戰(zhàn)。
一個(gè)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(shuō)前兩個(gè)要求，顯然類(lèi)似于Excel/Power BI/Tableau等工具都是滿足要求的，但此類(lèi)工具卻無(wú)法解決更復(fù)雜的業(yè)務(wù)問(wèn)題，比如影響因素分析、客戶行為預(yù)測(cè)/精準(zhǔn)營(yíng)銷(xiāo)、客戶群劃分、產(chǎn)品交叉銷(xiāo)售、產(chǎn)品銷(xiāo)量預(yù)測(cè)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(jí)的數(shù)據(jù)挖掘工具，比如IBM SPSS工具。IBM SPSS工具是面向非專(zhuān)業(yè)人士的高級(jí)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(wèn)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(méi)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(zhuān)門(mén)負(fù)責(zé)數(shù)據(jù)分析與挖掘的人士，專(zhuān)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(duì)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(guò)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)PSS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(guò)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(guò)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(jiàn)模型，原理及適用場(chǎng)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(wèn)題。
2~4天時(shí)間，或根據(jù)客戶需求選擇（每天6個(gè)小時(shí)）
知識(shí)點(diǎn)
知識(shí)點(diǎn) | 2天 | 4天 |
數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程 | √ | √ |
數(shù)據(jù)流預(yù)處理 | √ | √ |
數(shù)據(jù)可視化 | √ | √ |
影響因素分析 | √ | √ |
數(shù)值預(yù)測(cè)模型 | √回歸時(shí)序 | √季節(jié)模型 |
回歸模型優(yōu)化 | √ | |
分類(lèi)預(yù)測(cè)模型 | √僅決策樹(shù) | √ANN/SVM/… |
市場(chǎng)客戶劃分 | √ | |
客戶價(jià)值評(píng)估 | √ | |
假設(shè)檢驗(yàn) | √ | |
實(shí)戰(zhàn) | √ |
【學(xué)員要求】
1、 每個(gè)學(xué)員自備一臺(tái)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(shí)精講 + 案例演練 + 實(shí)際業(yè)務(wù)問(wèn)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(wèn)題入手，引出相關(guān)知識(shí)，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(guò)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(yíng)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(píng)估
Ø 模型應(yīng)用
案例：客戶流失預(yù)測(cè)及客戶挽留
3、 數(shù)據(jù)集的基本知識(shí)
a) 存儲(chǔ)類(lèi)型
b) 統(tǒng)計(jì)類(lèi)型
c) 角度
4、 SPSS工具簡(jiǎn)介
第二部分： 數(shù)據(jù)預(yù)處理過(guò)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(gè)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(jiǎn)、數(shù)據(jù)平衡
Ø 變量處理：變量變換、變量派生、變量精簡(jiǎn)
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(wú)效值/錯(cuò)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(píng)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(jiǎn)：數(shù)據(jù)分段/離散化（減少變量的取值個(gè)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(jiǎn)：降維，減少變量個(gè)數(shù)
7、 數(shù)據(jù)降維
Ø 常用降維方法
Ø 如何確定變量個(gè)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(duì)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(gè)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(lèi)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(lèi)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(chǎng)景
演練：各種圖形繪制
第四部分： 影響因素分析篇
問(wèn)題：如何判斷一個(gè)因素對(duì)另一個(gè)因素有影響？比如營(yíng)銷(xiāo)費(fèi)用是否會(huì)影響銷(xiāo)售額？產(chǎn)品價(jià)格是否會(huì)影響銷(xiāo)量？產(chǎn)品的陳列位置是否會(huì)影響銷(xiāo)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(jiàn)方法
2、 相關(guān)分析（衡量變量間的的相關(guān)性）
問(wèn)題：這兩個(gè)屬性是否會(huì)相互影響？影響程度大嗎？營(yíng)銷(xiāo)費(fèi)用會(huì)影響銷(xiāo)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(gè)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(chǎng)景
演練：體重與腰圍的關(guān)系
演練：營(yíng)銷(xiāo)費(fèi)用會(huì)影響銷(xiāo)售額嗎
演練：哪些因素與汽車(chē)銷(xiāo)量有相關(guān)性
演練：通信費(fèi)用與開(kāi)通月數(shù)的相關(guān)分析
案例：酒樓生意好壞與報(bào)紙銷(xiāo)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(wèn)題：哪些才是影響銷(xiāo)量的關(guān)鍵因素？
Ø 方差分析解決什么問(wèn)題
Ø 方差分析種類(lèi)：?jiǎn)我蛩?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(chǎng)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(xiāo)量有關(guān)嗎？
演練：開(kāi)通月數(shù)驛客戶流失的影響分析
演練：客戶學(xué)歷對(duì)消費(fèi)水平的影響分析
演練：廣告和價(jià)格是影響終端銷(xiāo)量的關(guān)鍵因素嗎
演練：營(yíng)業(yè)員的性別、技能級(jí)別產(chǎn)品銷(xiāo)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(xiāo)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(duì)銷(xiāo)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(duì)生豬體重的影響分析（協(xié)方差分析）
4、 列聯(lián)分析（兩類(lèi)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(gè)計(jì)算公式
Ø 列聯(lián)表分析的適用場(chǎng)景
案例：套餐類(lèi)型對(duì)客戶流失的影響分析
案例：學(xué)歷對(duì)業(yè)務(wù)套餐偏好的影響分析
案例：行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析
第五部分： 數(shù)據(jù)建模過(guò)程篇
1、 預(yù)測(cè)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(duì)目標(biāo)變量有顯著影響的屬性來(lái)建模
Ø 訓(xùn)練模型：采用合適的算法對(duì)模型進(jìn)行訓(xùn)練，尋找到最合適的模型參數(shù)
Ø 評(píng)估模型：進(jìn)行評(píng)估模型的質(zhì)量，判斷模型是否可用
Ø 優(yōu)化模型：如果評(píng)估結(jié)果不理想，則需要對(duì)模型進(jìn)行優(yōu)化
Ø 應(yīng)用模型：如果評(píng)估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場(chǎng)景
2、 數(shù)據(jù)挖掘常用的模型
Ø 數(shù)值預(yù)測(cè)模型：回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等
Ø 分類(lèi)預(yù)測(cè)模型：邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等
Ø 市場(chǎng)細(xì)分：聚類(lèi)、RFM、PCA等
Ø 產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過(guò)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(píng)分卡使用）
Ø 基于信息增益判斷（決策樹(shù)使用）
4、 模型評(píng)估
Ø 模型質(zhì)量評(píng)估指標(biāo)：R^2、正確率/查全率/查準(zhǔn)率/特異性等
Ø 預(yù)測(cè)值評(píng)估指標(biāo)：MAD、MSE/RMSE、MAPE、概率等
Ø 模型評(píng)估方法：留出法、K拆交叉驗(yàn)證、自助法等
Ø 其它評(píng)估：過(guò)擬合評(píng)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(lái)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(cè)模型篇
問(wèn)題：如何預(yù)測(cè)產(chǎn)品的銷(xiāo)量/銷(xiāo)售金額？如果產(chǎn)品跟隨季節(jié)性變動(dòng)，該如何預(yù)測(cè)？新產(chǎn)品上市，如果評(píng)估銷(xiāo)量上限及銷(xiāo)售增速？
1、 銷(xiāo)量預(yù)測(cè)與市場(chǎng)預(yù)測(cè)——讓你看得更遠(yuǎn)
2、 回歸預(yù)測(cè)/回歸分析
問(wèn)題：如何預(yù)測(cè)未來(lái)的銷(xiāo)售量（定量分析）？
Ø 回歸分析的基本原理和應(yīng)用場(chǎng)景
Ø 回歸分析的種類(lèi)（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(gè)步驟與結(jié)果解讀
Ø 回歸預(yù)測(cè)結(jié)果評(píng)估（如何評(píng)估預(yù)測(cè)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(xiāo)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(xiāo)售額的關(guān)系（多元線性回歸）
演練：讓你的營(yíng)銷(xiāo)費(fèi)用預(yù)算更準(zhǔn)確
演練：如何選擇最佳的回歸預(yù)測(cè)模型（曲線回歸）
Ø 帶分類(lèi)變量的回歸預(yù)測(cè)
演練：汽車(chē)季度銷(xiāo)量預(yù)測(cè)
演練：工齡、性別與終端銷(xiāo)量的關(guān)系
演練：如何評(píng)估銷(xiāo)售目標(biāo)與資源配置（營(yíng)業(yè)廳）
3、 時(shí)序預(yù)測(cè)
問(wèn)題：隨著時(shí)間變化，未來(lái)的銷(xiāo)量變化趨勢(shì)如何？
Ø 時(shí)序分析的應(yīng)用場(chǎng)景（基于時(shí)間的變化規(guī)律）
Ø 移動(dòng)平均MA的預(yù)測(cè)原理
Ø 指數(shù)平滑ES的預(yù)測(cè)原理
Ø 自回歸移動(dòng)平均ARIMA模型
Ø 如何評(píng)估預(yù)測(cè)值的準(zhǔn)確性？
案例：銷(xiāo)售額的時(shí)序預(yù)測(cè)及評(píng)估
演練：汽車(chē)銷(xiāo)量預(yù)測(cè)及評(píng)估
演練：電視機(jī)銷(xiāo)量預(yù)測(cè)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(xiāo)售數(shù)據(jù)季節(jié)性趨勢(shì)預(yù)測(cè)分析
4、 季節(jié)性預(yù)測(cè)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(cè)模型（相加、相乘）
案例：美國(guó)航空旅客里程的季節(jié)性趨勢(shì)分析
案例：產(chǎn)品銷(xiāo)售季節(jié)性趨勢(shì)預(yù)測(cè)分析
5、 新產(chǎn)品預(yù)測(cè)模型與S曲線
Ø 如何評(píng)估銷(xiāo)量增長(zhǎng)的拐點(diǎn)
Ø 珀?duì)柷�與龔鉑茲曲線
案例：如何預(yù)測(cè)產(chǎn)品的銷(xiāo)售增長(zhǎng)拐點(diǎn)，以及銷(xiāo)量上限
演戲：預(yù)測(cè)IPad產(chǎn)品的銷(xiāo)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(duì)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(gè)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(píng)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(cè)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(guò)擬合
案例：模型優(yōu)化案例
第八部分： 分類(lèi)預(yù)測(cè)模型篇
問(wèn)題：如何評(píng)估客戶購(gòu)買(mǎi)產(chǎn)品的可能性？如何預(yù)測(cè)客戶的購(gòu)買(mǎi)行為？如何提取某類(lèi)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(lèi)模型概述
2、 常見(jiàn)分類(lèi)預(yù)測(cè)模型
3、 評(píng)估分類(lèi)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(chǎng)景
Ø 邏輯回歸種類(lèi)：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(píng)估用戶是否會(huì)購(gòu)買(mǎi)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(lèi)決策樹(shù)（DT）
問(wèn)題：如何預(yù)測(cè)客戶行為？如何識(shí)別潛在客戶？
風(fēng)控：如何識(shí)別欠貸者的特征，以及預(yù)測(cè)欠貸概率？
客戶保有：如何識(shí)別流失客戶特征，以及預(yù)測(cè)客戶流失概率？
Ø 決策樹(shù)分類(lèi)簡(jiǎn)介
Ø 如何評(píng)估分類(lèi)性能？
案例：美國(guó)零售商（Target）如何預(yù)測(cè)少女懷孕
演練：識(shí)別銀行欠貨風(fēng)險(xiǎn)，提取欠貸者的特征
Ø 構(gòu)建決策樹(shù)的三個(gè)關(guān)鍵問(wèn)題
² 如何選擇最佳屬性來(lái)構(gòu)建節(jié)點(diǎn)
² 如何分裂變量
² 修剪決策樹(shù)
Ø 選擇最優(yōu)屬性
² 熵、基尼索引、分類(lèi)錯(cuò)誤
² 屬性劃分增益
Ø 如何分裂變量
² 多元?jiǎng)澐峙c二元?jiǎng)澐?/p>
² 連續(xù)變量離散化（最優(yōu)劃分點(diǎn)）
Ø 修剪決策樹(shù)
² 剪枝原則
² 預(yù)剪枝與后剪枝
Ø 構(gòu)建決策樹(shù)的四個(gè)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(lèi)模型？
案例：商場(chǎng)酸奶購(gòu)買(mǎi)用戶特征提取
案例：電信運(yùn)營(yíng)商客戶流失預(yù)警與客戶挽留
案例：識(shí)別拖欠銀行貨款者的特征，避免不良貨款
案例：識(shí)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(wèn)題
Ø BP反向傳播網(wǎng)絡(luò)（MLP）
Ø 徑向基網(wǎng)絡(luò)（RBF）
案例：評(píng)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(lèi)別評(píng)估
8、 K近鄰分類(lèi)（KNN）
Ø 基本原理
Ø 關(guān)鍵問(wèn)題
9、 貝葉斯分類(lèi)（NBN）
Ø 貝葉斯分類(lèi)原理
Ø 計(jì)算類(lèi)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(lèi)：TAN/馬爾科夫毯
Ø 預(yù)測(cè)分類(lèi)概率（計(jì)算概率）
案例：評(píng)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(wèn)題：最大邊界超平面
Ø 線性不可分問(wèn)題：特征空間的轉(zhuǎn)換
Ø 維空難與核函數(shù)
第九部分： 市場(chǎng)細(xì)分模型篇
問(wèn)題：我們的客戶有幾類(lèi)？各類(lèi)特征是什么？如何實(shí)現(xiàn)客戶細(xì)分，開(kāi)發(fā)符合細(xì)分市場(chǎng)的新產(chǎn)品？如何提取客戶特征，從而對(duì)產(chǎn)品進(jìn)行市場(chǎng)定位？
1、 市場(chǎng)細(xì)分的常用方法
Ø 有指導(dǎo)細(xì)分
Ø 無(wú)指導(dǎo)細(xì)分
2、 聚類(lèi)分析
Ø 如何更好的了解客戶群體和市場(chǎng)細(xì)分？
Ø 如何識(shí)別客戶群體特征？
Ø 如何確定客戶要分成多少適當(dāng)?shù)念?lèi)別？
Ø 聚類(lèi)方法原理介紹
Ø 聚類(lèi)方法作用及其適用場(chǎng)景
Ø 聚類(lèi)分析的種類(lèi)
Ø K均值聚類(lèi)（快速聚類(lèi)）
案例：移動(dòng)三大品牌細(xì)分市場(chǎng)合適嗎？
演練：寶潔公司如何選擇新產(chǎn)品試銷(xiāo)區(qū)域？
演練：如何評(píng)選優(yōu)秀員工？
演練：中國(guó)各省份發(fā)達(dá)程度分析，讓數(shù)據(jù)自動(dòng)聚類(lèi)
Ø 層次聚類(lèi)（系統(tǒng)聚類(lèi)）：發(fā)現(xiàn)多個(gè)類(lèi)別
Ø R型聚類(lèi)與Q型聚類(lèi)的區(qū)別
案例：中移動(dòng)如何實(shí)現(xiàn)客戶細(xì)分及營(yíng)銷(xiāo)策略
演練：中國(guó)省市經(jīng)濟(jì)發(fā)展情況分析（Q型聚類(lèi)）
演練：裁判評(píng)分的標(biāo)準(zhǔn)衡量，避免“黑哨”（R型聚類(lèi)）
Ø 兩步聚類(lèi)
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(chē)購(gòu)買(mǎi)者的細(xì)分市場(chǎng)
4、 RFM模型客戶細(xì)分框架
第十部分： 客戶價(jià)值評(píng)估
1、 客戶價(jià)值評(píng)估與RFM模型
問(wèn)題：如何評(píng)估客戶的價(jià)值？如何針對(duì)不同客戶采取不同的營(yíng)銷(xiāo)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(chǎng)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(xiāo)
演練：結(jié)合響應(yīng)模型，宜家IKE實(shí)現(xiàn)最大化營(yíng)銷(xiāo)利潤(rùn)
演練：重購(gòu)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(wèn)題：如何驗(yàn)證營(yíng)銷(xiāo)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(duì)樣本T檢驗(yàn)
Ø 假設(shè)檢驗(yàn)適用場(chǎng)景
電信行業(yè)
案例：電信運(yùn)營(yíng)商ARPU值評(píng)估分析（單樣本）
案例：營(yíng)銷(xiāo)活動(dòng)前后分析（兩配對(duì)樣本）
金融行業(yè)
案例：信用卡消費(fèi)金額評(píng)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(píng)估（兩配對(duì)樣本）
2、 非參數(shù)檢驗(yàn)分析（樣本分布檢驗(yàn)）
問(wèn)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(wèn)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(duì)樣本檢驗(yàn)
Ø 非參數(shù)檢驗(yàn)適用場(chǎng)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(duì)樣本-符號(hào)/秩檢驗(yàn)）
案例：促銷(xiāo)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(wèn)題答疑。
市場(chǎng)部、業(yè)務(wù)支撐部、數(shù)據(jù)分析部、運(yùn)營(yíng)分析部等對(duì)業(yè)務(wù)數(shù)據(jù)分析有較高要求的相關(guān)人員。