【课程目标】

这是一个互联的世界，点与点的数据的交换，线与线的信息的连接。如何理解你所看到的数据？如何探索数据的模式？如何寻找数据间的相关性？如何从你所有的数据中去挖掘商业机会？一切等待思考和解答……

本课程从实际的市场营销问题出发，构建数据分析与数据挖掘模型，以解决实际的商业问题。并对大数据分析与挖掘技术进行了全面的介绍，通过从大量的市场营销数据中分析潜在的客户特征，挖掘客户行为特点，实现精准营销，帮助市场营销团队深入理解业务运作，支持业务策略制定以及运营决策。

通过本课程的学习，达到如下目的：

1、 了解大数据营销内容，掌握大数据在营销中的应用。

2、 了解基本的营销理论，并学会基于营销理念来展开大数据分析。

3、 熟悉数据挖掘的标准过程，掌握常用的数据挖掘方法。

4、 熟悉Excel数据分析工具，能够利用Excel和SPSS软件解决实际的营销问题（比如定价/因素影响/预测/客户需求/客户价值/市场细分等）。

【授课时间】

2-4天时间，或者根据培训需求选择组合

内容 2天 4天

核心理念 √ √

分析过程 √ √

统计分析 √ √

分析思路 √ √

影响因素 √ √

销量预测 √回归时序 √季节模型

行为预测 √仅决策树 √ANN/SVM

市场细分 √

推荐模型 √

客户需求 √

客户价值 √

【授课对象】

系统支撑、市场营销部、运营分析部相关技术及应用人员。

本课程由浅入深，结合原理主讲软件工具应用，不需要太深的数学知识，但希望掌握数据分析的相关人员。

【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IBM SPSS Statistics v19版本及以上。

4、 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14天的试用版本软件及分析数据源。

【授课方式】

理论精讲 + 案例演练 + 实际业务问题分析 + Excel实践操作 + SPSS实践操作

本课程突出数据分析的实际应用，结合行业的典型应用特点，围绕实际的商业问题，进行大数据的分析与挖掘，介绍常用的模型，以及模型适用场景，通过演练操作，以达到提升学员对营销数据的分析以及对数据模型的深入理解。

【课程大纲】

第一部分： 大数据核心理念

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）

第二部分： 数据分析过程

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手机精准营销项目

第三部分： 大数据营销概述

1、 传统营销的困境与挑战

2、 营销理论的变革

 第一代：4P理论

 第二代：4C理论

 第三代：nPnC理论

3、 大数据引领传统营销

4、 大数据在营销中的典型应用

 市场定位与客户细分

 客户需求与产品设计

 精准广告与精准推荐

 ……

5、 大数据营销的基石：用户画像

6、 客户生存周期中的大数据应用

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/…）

 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、 基本分析方法及其适用场景

 对比分析（查看数据差距）

演练：按性别、省份、产品进行分类统计

演练：如何提升用户消费能力

 分组分析（查看数据分布）

案例：银行ATM柜员机现金管理分析（银行）

案例：排班后面隐藏的猫腻

案例：通信运营商的流量套餐的合理性评估（通信）

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）

演练：客户年龄分布分析

 结构分析（评估事物构成）

案例：用户市场占比结构分析

案例：物流费用占比结构分析（物流）

案例：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：破解零售店销售规律

案例：手机销量的淡旺季分析

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：用户性别+地域分布分析

演练：不同区域的产品偏好分析

演练：不同教育水平的业务套餐偏好分析

第五部分： 用户行为分析-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、 用户消费行为分析（5W2H分析法）

 WHY：原因

 WHAT：产品

 WHO：客户

 WHEN：时间 

 WHERE：区域/渠道

 HOW：支付方式

 HOW MUCH：价格

案例：用户购买行为分析（5W2H）

第六部分： 影响因素分析

营销问题：哪些是影响市场销量的关键因素？比如，产品在货架上的位置是否对销量有影响？价格和广告开销是如何影响销量的？

风险控制的关键因素有哪些？如何判断？

1、 相关分析（因素影响的相关性分析，相关程度计算）

 相关系数

 解读相关系数

案例：体重与腰围的相关分析

案例：推广费用与销售金额的相关分析

演练：家庭生活开支的相关分析

2、 方差分析（影响关键因素分析，影响因素组合分析）

 方差分析模型及适用场景

 单因素分析/多因素分析

案例：终端陈列位置对销量的影响分析

案例：广告形式、地区对销量的影响因素分析

3、 列联分析（影响关键因素分析）

 交叉表与列联表

 卡方检验的原理

案例：套餐类型与客户流失是否有关系？

第七部分： 销量预测分析

营销问题：如何预测未来的产品销量？如果产品跟随季节性变动，该如何预测？新产品上市，如果评估销量上限及销售增速？

1、 销量预测与市场预测模型介绍

 时序预测

 回归模型

 季节性预测（相加/相乘模型）

 产品预测（珀尔曲线/龚铂兹曲线）

2、 回归模型

 回归模型用于因素影响判断

 回归模型原理及适用场景

 解读回归方程的五步法

案例：营销费用预算分析（推广费用与销售额的回归分析）

3、 寻找最佳回归拟合线来判断和预测（模型优化思路）

 如何判断是否可以用回归分析来作预测

 如何判断线性回归的预测准确性

 如何判断自变量对目标变量是否有显著影响

 如何处理异常数据（残差与异常值排除）

 如何进行非线性关系检验

 如何进行相互作用检验

 如何检验误差项

案例：汽车销量预测分析

案例：工龄、性别与销量的回归分析

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）

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、 S曲线与新产品销量预测

 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

6、 自定义模型（如何利用规划求解进行自定义模型）

案例：如何对客流量进行建模及模型优化

第八部分： 客户行为预测

问题：如何评估客户购买产品的可能性？如何预测客户的购买行为？如何提取某类客户的典型特征？如何向客户精准推荐产品或业务？

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

案例：商场酸奶购买用户特征提取

案例：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

第九部分： 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、 客户价值评估与RFM模型

问题：如何评估客户的价值？如何针对不同客户采取不同的营销策略？

 RFM模型，更深入了解你的客户价值

 RFM的客户细分框架理解

 RFM模型与市场策略

 RFM模型与活跃度

演练：“双11”淘宝商家如何选择客户进行促销

演练：结合响应模型，宜家IKE实现最大化营销利润

第十部分： 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

第十一部分： 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

a) 支持度

b) 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

3、 协同过滤

第十二部分： 客户需求分析

营销问题：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、 逻辑回归模型

 逻辑回归模型原理及适用场景

 评估客户购买产品的概率

案例：杂志社订阅模型

 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？

2、 离散选择分析

 如何评估客户购买产品的概率

 如何指导产品开发？如何确定产品的重要特性

 如何评估品牌价值

 竞争下的产品动态调价

 如何评估产品的价格弹性

案例：产品开发与设计分析

案例：品牌价值与价格敏感度分析

案例：纳什均衡价格

第十三部分： 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？

3、 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

4、 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

案例：淘宝客户价值评估与促销名单

结束：课程总结与问题答疑。