专题课程
【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，使用工具为Excel 2013版本。
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。
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人士，需要有数学基础（统计与概率）。
本课程为中级课程，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、 数据挖掘模型原理。
3、 数据挖掘方法及应用。
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、 了解大数据基础知识，理解大数据思维方式。
2、 了解数据分析与数据挖掘的基本知识（统计、分布、概率等）。
3、 掌握数据挖掘的基本过程和步骤，掌握数据挖掘的方法。
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。
【培训对象】
市场部、业务支撑、网络中心、运营分析部等对业务数据分析有较高要求的相关人员。
【学员要求】
每个学员自备一台便携机(必须)。
便携机中事先安装好SPSS v19软件。
注：讲师可以提供试用版本软件及分析数据源。
【授课方式】
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；引导学员思考，构建分析模型，进行数据分析与挖掘，以及数据呈现与解读，全过程演练操作，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。
【培训时长】
2天
【课程大纲】
第一部分：数据挖掘基础知识（基础，决定你的高度）
数据统计分析软件简介
EXCEL表格处理与数据分析工具库
SAS统计分析系统
SPSS统计产品与服务解决方案
数据挖掘概述
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：4G终端营销项目挖掘过程分析
常用数据统计指标
集中程度：均值、中位数、众数
离开程度：方差、标准差、极差
分布趋势：偏度、峰度
理解分布：正态分布、T分布、F分布
SPSS基本操作（预处理）
数据导入
数据排序（排序个案）
重复数据处理（标识重复个案）
缺失值处理（替换缺失值）
生成新变量（计算变量、重新编码）
数据分组（分类汇总）
数据合并（合并文件）
数据描述性统计
连续变量统计描述
分类变量统计描述
第二部分：数据挖掘实战篇
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）
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)
相关分析（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？
相关分析概述
案例：家庭生活开支的相关分析
案例：营销费用与销售额的相关分析
案例：哪些因素与汽车销量有相关性
方差分析（影响因素分析）
问题：哪些才是影响销量的关键因素？
方差分析原理
方差分析的步骤
方差分析适用场景
案例：陈列位置对终端销量的影响分析（单因素）
案例：广告形式、地区对销量的影响因素分析（多因素）
案例：2015年大学生工资与父母职业的关系
回归分析（预测分析）
问题：如何预测未来的销售量（定量分析）？
回归分析概述及适用场景
回归分析的检验过程
如何选择较优回归模型
解读回归分析结果
案例：推广费用、办公费用与销售额的关系（线性回归）
案例：人均现金消费支出对人均食品消费支出的影响（曲线回归）
带分类变量的回归分析
如何预测随着季节性变化的销量情况
案例：员工工龄、性别与终端销售的关系分析
案例：产品销量的季节性变化预测
问题：如果评估用户是否购买产品的概率？
逻辑回归分析
逻辑回归的原理
案例：客户购买预测分析（二元逻辑回归）
案例：品牌选择预测分析（多项逻辑回归）
时间序列分析（预测分析）
问题：随着时间变化，未来的销量变化趋势如何？
时序分析概述
移动平均MA模型
指数平滑ES模型
自回归滑动平均ARIMA模型
季节分解模型
时序分析适用场景
案例：汽车销量预测分析（指数平滑）
案例：上交所指数收益率预测分析（ARIMA）
案例：服装销售数据季节性趋势预测分析（季节分解）
第三部分：高级数据挖掘方法
聚类分析（Clustering）
问题：我们的客户有几类？各类特征是什么？
聚类方法原理介绍
聚类方法适用场景
系统聚类（层次聚类）
案例：小康指数划分（Q型聚类）
案例：裁判标准一致性分析（R型聚类）
K均值聚类（快速聚类）
案例：移动三大品牌细分市场合适吗？
案例：如何评选优秀员工（固定聚类中心）
演练：如何选择新产品试销地点？
决策树分类分析（Classification）
问题：这类客户有什么特征？有什么潜在销售机会？
决策树原理介绍
分类适用场景
案例：银行低信用客户特征分析（决策树分类）
关联分析（Association）
问题：购买A产品的顾客还常常要购买其他什么产品？
关联规则原理介绍
关联规则适用场景
案例：超市商品交叉销售与布局优化（关联分析）
客户价值评估RFM模型
问题：如何评估客户的价值？不同价值客户的营销策略有什么区别？
RFM模型介绍
RFM模型适用场景
RFM与客户活跃度分析
案例：客户用户价值评估（RFM分析）
案例：重购用户特征分析（决策树分析）
第四部分：统计图表篇（看图说话）
柱状图/线图/饼图/高低图/箱图/散点图/直方图
图形的表达及适用场景
案例：各种图形绘制
实战1：客户流失预警与客户挽留之真实数据分析实践
实战2：银行信用风险分析
结束：课程总结与问题答疑。
