【课程目标】
本课程为针对金融行业的大数据分析实战课程。
围绕金融行业常见的业务问题,利用大数据的思维方式,重塑解决业务问题的新思维和新方法。内容由浅入深,从数据统计到数据分析,再到数据挖掘;从描述性分析,到相关性分析,再到预测分析,实现对业务的过去、现在和未来的全面系统地分析与挖掘。
本课程覆盖了如下内容:
1、 数据分析的核心理念,数据分析的基础。
2、 数据分析过程,数据分析方法,数据分析思路。
3、 高级数据分析与挖掘模型(影响因素分析、数值预测、分类预测、市场细分、客户价值评估、精准推荐、产品设计、产品定价等)。
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、 了解数据分析基础知识,掌握数据分析的基本过程。
2、 学会数据分析的框架和思路,掌握常用数据分析方法来分析问题。
3、 熟悉数据分析的基本过程,掌握高级数据分析工具库操作。
4、 熟练掌握常用的数据挖掘方法,用来解决常见的业务问题(如市场细分、客户行为预测,交叉销售等等)
【授课时间】
2~6天时间,或根据客户需求选择。
内容 2天 4天 5-6天
核心理念 √ √ √
分析过程 √ √ √
统计分析 √ √ √
分析思路 √ √ √
影响因素 √ √ √
数值预测 √回归时序 √季节模型 √
回归优化 √ √
分类模型 √仅决策树 √ANN/SVM √
集成方法 √
市场细分 √ √
预处理 √ √
推荐模型 √
客户价值 √ √
定价策略 √
产品开发 √
【授课对象】
销售部门、营业厅、业务支撑、经营分析部、网管/网优中心、运营分析部、呼叫中心等对业务数据分析有要求的相关人员。
【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Excel 2010版本及以上。
3、 便携机中事先安装好IBMSPSSStatistics v19版本及以上。
4、 便携机中事先安装好IBMSPSS 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: 金融行业的大数据
1、 数据驱动成为银行发展的新动力
2、 大数据在银行业的应用
营销支持
风险管控
精细化管理
决策支持
3、 银行大数据应用案例
信贷风险控制
差异化产品营销
客户兴趣与客户细分
个人信用评估
4、 大数据在各银行的应用
中信银行,以客户为上帝
民生银行大数据战略
青岛银行提升运营能力
5、 大数据应用系统的四层结构
数据基础层
数据模型层
业务模型层
业务应用层
第二部分: 大数据的核心理念
问题:大数据的核心价值是什么?大数据是怎样用于业务决策?
1、 大数据时代:你缺的不是一堆方法,而是大数据思维
2、 大数据是探索事物发展和变化规律的工具
3、 一切不以解决业务问题为导向的大数据都是耍流氓
4、 大数据的核心能力
发现业务运行规律及问题
探索业务未来发展趋势
5、 从案例看大数据的核心本质
用趋势图来探索产品销量规律
从谷歌的GFT产品探索用户需求变化
从美国总统竞选看大数据对选民行为进行分析
从大数据炒股看大数据如何探索因素的相关性
6、 认识大数据分析
什么是数据分析
数据分析的三大作用
常用分析的三大类别
案例:喜欢赚“差价”的营业员(用数据管理来识别)
7、 数据分析需要什么样的能力
懂业务、懂管理、懂分析、懂工具、懂呈现
8、 大数据应用系统的四层结构
数据基础层、数据模型层、业务模型层、业务应用层
9、 大数据分析的两大核心理念
10、 大数据分析面临的常见问题
不知道分析什么(分析目的不明确)
不知道怎样分析(缺少分析方法)
不知道收集什么样的数据(业务理解不足)
不知道下一步怎么做(不了解分析过程)
看不懂数据表达的意思(数据解读能力差)
担心分析不够全面(分析思路不系统)
第三部分: 数据分析基本过程
1、 数据分析的六步曲
2、 步骤1:明确目的--理清思路
确定分析目的:要解决什么样的业务问题
确定分析思路:分解业务问题,构建分析框架
3、 步骤2:数据收集—理清思路
明确收集数据范围
确定收集来源
确定收集方法
4、 步骤3:数据预处理—寻找答案
数据质量评估
数据清洗、数据处理和变量处理
探索性分析
5、 步骤4:数据分析--寻找答案
选择合适的分析方法
构建合适的分析模型
选择合适的分析工具
6、 步骤5:数据展示--观点表达
选择恰当的图表
选择合适的可视化工具
7、 步骤6:报表撰写--观点表达
选择报告种类
完整的报告结构
8、 数据分析的三大误区
演练:如何用大数据来支撑产品精准营销项目
第四部分: 统计分析方法篇
问题:数据分析有什么方法可依?不同的方法适用解决什么样的问题?
1、 数据分析方法的层次
基本分析法(对比/分组/结构/趋势/…)
综合分析法(交叉/综合评价/杜邦/漏斗/…)
高级分析法(相关/方差/验证/回归/时序/…)
数据挖掘法(聚类/分类/关联/RFM模型/…)
2、 统计分析常用指标
计数、求和、百分比(增跌幅)
集中程度:均值、中位数、众数
离散程度:极差、方差/标准差
分布形态:偏度、峰度
3、 基本分析方法及其适用场景
对比分析(查看数据差距)
演练:评估不同类型客户的存款偏好
演练:如何找到消费能力强的用户
分组分析(查看数据分布)
演练:银行用户消费层次分析(银行)
演练:呼叫中心接听电话效率分析(呼叫中心)
演练:客服中心科学排班人数需求分析(客服中心)
结构分析(评估事物构成)
案例:银行用户市场占比结构分析
案例:用户构成分析、用户收入结构分析
案例:动态结构分析
趋势分析(发现变化规律)
案例:银行ATM柜员机现金管理分析(银行)
案例:理财产品销量的淡旺季分析
演练:发现产品销售的时间规律
交叉分析(多维数据分析)
演练:用户分布多维分析
演练:不同区域的理财产品偏好分析
演练:不同教育水平的理财产品偏好分析
4、 最合适的分析方法才是硬道理。
第五部分: 数据分析思路篇
问题:数据分析思路是怎样的?如何才能全面/系统地分析而不遗漏?
1、 数据分析的思路
从KPI指标开始
从营销/管理模型开始
2、 常用分析思路模型
3、 企业外部环境分析(PEST分析法)
案例:行业外部环境分析
4、 用户消费行为分析(5W2H分析法)
案例:用户购买行为分析(5W2H)
5、 公司整体经营情况分析(4p营销理论)
6、 业务问题专题分析(逻辑树分析法)
案例:用户增长缓慢分析
7、 用户使用行为研究(用户使用行为分析法)
案例:产品销售流程优化分析
第六部分: 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?
风险控制的关键因素有哪些?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/营销渠道方式是否会影响产品销量?
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)
什么是相关关系
相关系数:衡量相关程度的指标
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
相关分析应用场景
演练:营销费用会影响销售额吗?
演练:哪些因素与理财产品销量有相关性?
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/协方差分析
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:营销渠道与产品销量有关吗?
演练:客户学历对消费水平的影响分析
演练:广告形式和价格是影响产品销量的关键因素吗
演练:营业员的性别、技能级别对产品销量有影响吗?
演练:寻找导致产品销售额下降的关键因素
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、渠道对销量的影响因素分析(多因素)
演练:如何判断是否还有因素在影响销量?
协方差分析原理
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:业务类型对客户流失的影响分析
案例:学历对理财产品偏好的影响分析
案例:行业/规模对风控的影响分析
第七部分: 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,如何选择最佳回归模型)
演练:散点图找到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:产品季度销量预测
演练:工龄、性别与产品销量的关系
演练:如何评估销售目标与资源配置
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
自回归移动平均ARIMA模型
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:产品销量预测及评估
演练:上海证券交易所综合指数收益率序列分析
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
第八部分: 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
6、 自定义模型(如何利用规划求解进行自定义模型)
案例:如何对营业厅客流量进行建模及模型优化
第九部分: 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:客户流失预警与客户挽留模型
案例:识别拖欠银行货款者的特征,避免不良货款
5、 基于规则的分类
基于规则分类原理介绍
评估规则的质量
构建分类规则:顺序覆盖法
规则增长策略
6、 最近邻分类(KNN)
7、 贝叶斯分类(NBN)
贝叶斯分类原理
计算类别属性的条件概率
估计连续属性的条件概率
贝叶斯网络种类:TAN/马尔科夫毯
预测分类概率(计算概率)
案例:评估银行用户拖欠货款的概率
8、 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
9、 支持向量机(SVM)
SVM基本原理
线性可分问题:最大边界超平面
线性不可分问题:特征空间的转换
维空难与核函数
10、 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
第十部分: 分类模型优化(集成方法)
1、 集成方法的基本原理:利用弱分类器构建强分类模型
选取多个数据集,构建多个弱分类器
多个弱分类器投票决定
2、 集成方法/元算法的种类
Bagging算法
Boosting算法
3、 Bagging原理
如何选择数据集
如何进行投票
随机森林
4、 Boosting的原理
AdaBoost算法流程
样本选择权重计算公式
分类器投票权重计算公式
第十一部分: 市场细分模型篇
问题:我们的客户有几类?各类特征是什么?如何实现客户细分,开发符合细分市场的新产品?如何提取客户特征,从而对产品进行市场定位?
1、 市场细分的常用方法
有指导细分
无指导细分
2、 聚类分析
如何更好的了解客户群体和市场细分?
如何识别客户群体特征?
如何确定客户要分成多少适当的类别?
聚类方法原理介绍
聚类方法作用及其适用场景
聚类分析的种类
K均值聚类(快速聚类)
案例:移动三大品牌细分市场合适吗?
演练:宝洁公司如何选择新产品试销区域?
演练:如何评选优秀员工?
演练:中国各省份发达程度分析,让数据自动聚类
层次聚类(系统聚类):发现多个类别
R型聚类与Q型聚类的区别
案例:中移动如何实现客户细分及营销策略
演练:中国省市经济发展情况分析(Q型聚类)
演练:裁判评分的标准衡量,避免“黑哨”(R型聚类)
两步聚类
3、 RFM客户细分模型(详见客户价值评估部分)
4、 主成分分析
主成分分析方法介绍
主成分分析基本思想
主成分分析步骤
案例:如何评估产品购买者的客户细分市场
第十二部分: 数据预处理过程
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
第十三部分: 产品推荐模型篇
问题:购买A产品的顾客还常常要购买其他什么产品?应该给客户推荐什么产品最有可能被接受?
1、 常用产品推荐模型
2、 关联分析
如何制定套餐,实现交叉/捆绑销售
案例:啤酒与尿布、飓风与蛋挞
关联分析模型原理(Association)
关联规则的两个关键参数
支持度
置信度
关联分析的适用场景
案例:购物篮分析与产品捆绑销售/布局优化
案例:理财产品的交叉销售与产品推荐
如何提取关联规则(关联分析的算法)
Apriori算法
FP-Growth算法
3、 协同过滤
第十四部分: 客户价值分析
营销问题:如何评估客户的价值?不同的价值客户有何区别对待?
1、 如何评价客户生命周期的价值
贴现率与留存率
评估客户的真实价值
使用双向表衡量属性敏感度
变化的边际利润
案例:评估营销行为的合理性
2、 RFM模型(客户价值评估)
RFM模型,更深入了解你的客户价值
RFM模型与市场策略
RFM模型与活跃度分析
案例:客户价值评估与促销名单
案例:重购用户特征分析
第十五部分: 产品设计与优化
1、 联合分析法
如何指导产品开发?
如何确定产品的重要特性
2、 离散选择模型
如何评估客户购买产品的概率
竞争下的产品动态调价
如何评估产品的价格弹性
案例:产品开发应该重视哪些功能特性?
案例:品牌价值与价格敏感度分析
案例:纳什均衡价格
3、 品牌价值评估
4、 新产品市场占有率评估
第十六部分: 定价策略分析
营销问题:产品如何实现最优定价?套餐价格如何确定?采用哪些定价策略可达到利润最大化?
1、 常见的定价方法
2、 产品定价的理论依据
需求曲线与利润最大化
如何求解最优定价
案例:产品最优定价求解
3、 如何评估需求曲线
价格弹性
曲线方程(线性、乘幂)
4、 如何做产品组合定价
5、 如何做产品捆绑/套餐定价
最大收益定价(演进规划求解)
避免价格反转的套餐定价
案例:电信公司的宽带、IPTV、移动电话套餐定价
6、 非线性定价原理
要理解支付意愿曲线
支付意愿曲线与需求曲线的异同
案例:双重收费如何定价(如会费+按次计费)
7、 阶梯定价策略
案例:如何做阶梯定价
8、 数量折扣定价策略
案例:如何通过折扣来实现薄利多销
9、 定价策略的评估与选择
案例:公司如何选择最优定价策略
结束:课程总结与问题答疑。