【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。