上海艾纵企业管理咨询有限公司 - 公开课 - 公开课


您好!欢迎来到上海艾纵企业管理咨询有限公司!

加入收藏

登录注册

400-676-1955

公开课

大数据模型与数据挖掘应用实战

编辑日期 2018-06-04  阅读次数:733 次

培训地点

北京

上海

深圳

培训时间

5

18-19

7

15-16

9

2-3

本课程全国常年开班,如部分地区课程已结束或有其他培训时间要求,请致电:400-676-1955咨询近期培训信息!此课程也可以供企业做内训,欢迎咨询!

【课程目标

本数据分析与挖掘系列课程包括三个等级的课程:

1、 基础课程,专注于经营数据的统计与数据分析,适合于一般业务部门要求的数据统计与分析,内容系统且全面,由浅入深,使用工具为Excel 2010版本以上。

2、 中级课程,专注于行业数据分析与数据挖掘,适合于数据分析部、业务支撑部等对数据分析与挖掘要求较高的部门,使用专业数据分析与挖掘工具SPSS v19版本以上。

3、 高级课程,专注于较深入的数据挖掘技术,包括挖掘模型原理介绍,数据建模,挖掘算法,适合于大数据系统开发及数据分析专业人士,需要有一定的数学基础(统计与概率),使用数据流挖掘工具Modeler 14.1版本以上。

本课程为高级课程,面向数据分析部等专门负责数据分析与挖掘的人士。

本课程培训覆盖以下内容:

1、 数据挖掘标准流程。

2、 数据挖掘探索性分析。

3、 数据挖掘模型原理。


本课程从实际的电信运营商的业务需求出发,对数据分析及数据挖掘技术进行了全面的介绍,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、工具,从大量的企业经营数据中进行分析,发现业务运作规律,进行客户洞察,挖掘客户行为特点,消费行为,实现精准营销,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、 掌握数据挖掘的基本过程和步骤。

2、 掌握数据挖掘的预处理方法,探索数据间的相关性,为建模打下基础。

3、 理解数据挖掘的常见模型,原理及适用场景。

4、 熟练掌握Modeler基本操作,能利用Modeler进行数据挖掘。

【培训特色

基础知识精讲 + 案例演练 + 实际业务问题分析 + SPSS实际操作

本课程突出数据挖掘的实际应用,结合行业的典型应用特点,从实际问题入手,引出相关知识,进行大数据的收集与处理;探索数据之间的规律及关联性,帮助学员掌握系统的数据预处理方法;介绍常用的模型,训练模型,并优化模型,以达到更好的分析结果。

【培训对象】

业务支撑、网络中心、IT系统部、数据分析部等对业务数据分析有较高要求的相关专业人员。

【课程时长】

系统学习2天

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SPSS modeler v14.1版本以上软件。

注:讲师可以提供试用版本软件及分析数据源。

课程费用及证书

费用:5800元/人,包含:培训费、教材费、场地费、证书费、午餐茶点、税费等。

证书:培训后授发个人培训证书。

【课程大纲】

第一部分:数据挖掘基础知识(基础,决定你的高度)

1、 数据挖掘工具简介

Ø EXCEL规划求解(数据建模工具)

Ø SAS统计分析系统

Ø SPSS统计产品与服务解决方案

2、 数据挖掘概述

案例:宜家IKE如何通过数据挖掘来降低营销成本提升利润?

3、 数据挖掘的标准流程(CRISP-DM)

Ø 商业理解

Ø 数据准备

Ø 数据理解

Ø 模型建立

Ø 模型评估

Ø 模型应用

案例:通信客户流失分析及预警模型

4、 数据建模示例

案例:客户匹配度建模—找到你的准客户

第二部分:数据理解与数据准备(Modeler实操)

1、 数据挖掘处理的一般过程

Ø 数据源à数据理解à数据准备à探索分析à数据建模à模型评估

2、 数据读入

Ø 读入文本文件

Ø 读入Excel电子表格

Ø 读入SPSS格式文件

Ø 读入数据库数据

3、 数据集成

Ø 变量合并(增加变量)

Ø 数据追加(添加记录)

4、 数据理解

Ø 取值范围限定

Ø 重复数据处理

Ø 缺失值处理

Ø 无效值处理

Ø 离群点和极端值的修正

Ø 数据质量评估

5、 数据准备:数据处理

Ø 数据筛选:数据抽样/选择(减少样本数量)

Ø 数据精简:数据分段/离散化(减少变量的取值)

Ø 数据平衡:正反样本比例均衡

Ø 其它:排序、分类汇总

6、 数据准备:变量处理

Ø 变量变换:原变量值更新

Ø 变量派生:生成新的变量

Ø 变量精简:降维,减少变量个数

7、 基本分析

Ø 单变量:数据基本描述分析

Ø 双变量:相关性分析

Ø 变量精简:特征选择、因子分析

8、 特征选择

Ø 特征选择方法:选择重要变量,剔除不重要的变量

Ø 从变量本身考虑

Ø 从输入变量与目标变量的相关性考虑

9、 因子分析(主成分分析)

Ø 因子分析的原理

Ø 因子个数如何选择

Ø 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

第三部分:因素影响分析(特征重要性分析)

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?

1、 常用特征重要性分析的方法

Ø 特征选择(减少变量个数):相关分析、方差分析、卡方检验

Ø 因子分析(减少变量个数):主成分分析

Ø 确定变量个数参考表

2、 相关分析(数值+数值,相关程度计算)

问题:这两个属性是否会相互影响?影响程度大吗?

Ø 相关分析概述

Ø 相关系数计算公式

Ø 相关性假设检验

案例:通信基本费用与开通月数的相关分析

3、 方差分析(分类+数值,影响因素分析)

问题:哪些才是影响销量的关键因素?

Ø 方差分析原理

Ø 方差分析的步骤

Ø 方差分析适用场景

案例:开通月数对客户流失的影响分析

4、 列联分析(分类+分类,影响因素分析)

Ø 列联表的原理

Ø 卡方检验的步骤

Ø 列联表分析的适用场景

案例:套餐类型对对客户流失的影响分析

第四部分:分类预测模型分析

1、 分类概述

Ø 分类的基本过程

Ø 常见分类预测模型

2、 逻辑回归分析模型

问题:如果评估用户是否购买产品的概率?

Ø 逻辑回归分析

Ø 逻辑回归的原理

案例:客户购买预测分析(二元逻辑回归)

3、 决策树分类

问题:如何提取客户流失者、拖欠货款者的特征?如何预测其流失的概率?

Ø 决策树分类的原理

Ø 决策树的三个关键问题

Ø 决策树算法

Ø 如何评估分类模型的性能(查准率、查全率)

案例:识别银行欠货风险,提取欠货者的特征

案例:客户流失预警与客户挽留模型

4、 神经网络

Ø 神经网络概述

Ø 神经元工作原理

Ø 神经网络的建立步骤

Ø B-P反向传播网络(MLP)

Ø 径向基函数网络(RBF)

5、 支持向量机

Ø SVM基本原理

Ø 维灾难与核函数

6、 朴素贝叶斯分类

Ø 条件概率

Ø 朴素贝叶斯

Ø TAN贝叶斯网络

Ø 马尔科夫毯网络

第五部分:市场细分与客户细分

1、 客户细分常用方法

2、 聚类分析(Clustering)

问题:如何对市场进行细分?如何提取客户特征,从而对产品进行市场定位? 

Ø 聚类方法原理介绍

Ø 聚类方法适用场景

Ø 如何细分客户群,并提取出客户群的特征?

Ø K均值聚类(快速聚类)

Ø 两步聚类

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?

3、 RFM模型分析

Ø RFM模型,更深入了解你的客户价值

Ø RFM模型与市场策略

Ø RFM模型与活跃度

案例:淘宝客户价值评估与促销名单

第六部分:其他市场营销分析方法

1、 关联分析(Association)

问题:购买面包的人是否也会购买牛奶?他们同时购买哪些产品?

Ø 关联规则原理介绍

Ø 关联规则适用场景:交叉销售、捆绑营销、产品布局

案例:超市商品交叉销售与布局优化(关联分析)

结束:课程总结与问题答疑。

讲师简介

老师

华为系大数据巨匠计算机软件与理论硕士研究生(研究方向:数据挖掘、搜索引擎)。在华为工作十年,数篇国家专利,曾在英国、日本、荷兰等国做项目,对欧洲、日本的电信市场有比较深的了解。

傅老师专注于大数据分析与挖掘等应用技术,以及大数据系统部署解决方案。旨在将大数据的数据分析、数据挖掘、数据建模应用于行业及商业领域,解决行业实际的问题。将大数据应用于运营决策,帮助企业提升运营决策能力;应用于市场营销,通过大数据营销,解决营销中的用户群细分,产品定位,精准营销,精准促销等实际问题,提升营销效果,节省营销费用,以及市场预测、用户行为预测等。

傅老师目前致力于将大数据技术应用于通信、金融、航空、电商、互联网等领域。傅老师的课程特色是实战性强!实现“业务问题+分析思路+分析方法/分析模型+分析工具+结果应用”融为一体。即,结合清晰的业务场景(明确目的),分解为具体的数据问题(分析思路),选择最合适的方法(分析方法),深入浅出的理论讲解(分析模型),使用简单实用的工具操作(分析工具),实现分析结果到业务策略的落地。