【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:如何选择最佳的回归预测模型(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:美国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
方程的显著性检验:是否可以做回归分析?
拟合优度检验:回归模型的质量评估?
因素的显著性检验: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:寻找最佳回归拟合线
如何处理异常数据(残差与异常值排除)
如何剔除非显著因素(因素显著性检验)
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:美国零售商(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
如何选择最佳属性来构建节点
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。