让天下没有难找的讲师,职业讲师,商业讲师,培训师,讲师库-北京昭智教育

傅一航:大数据分析与挖掘综合能力提升实战

[复制链接]
大数据分析与挖掘综合能力提升实战
【课程目标】
本课程为高级课程,培训的内容是继中级课程之后学习的,同时提供了更复杂的数据模型来解决实际工作中的商业决策问题。
本课程面向高级数据分析人员,以及系统开发人员。
本课程核心内容为数据挖掘,分类预测模型,以及专题模型分析,帮助学员构建系统全面的业务分析思维,提升学员的数据分析综合能力。
本课程覆盖了如下内容:
1、  数据建模过程
2、  分类预测模型
3、  分类模型优化思路
4、  市场专题分析模型

本系列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、  熟悉建模的一般过程,能够独立完成整个预测建模项目的实现。
2、  熟练使用各种分类预测模型,以及其应用场景。
3、  熟悉模型质量评估的关键指标,掌握模型优化的整体思路。
4、  熟练掌握常用市场专题分析模型:
a)        学会做市场客户细分,划分客户群
b)       学会实现客户价值评估
c)        学会产品功能设计与优化
d)       掌握产品精准推荐模型,学会推荐产品
e)        熟悉产品定价策略,寻找产品最优定价
【授课时间】
2-4天时间(每天6个小时)
【授课对象】
业务支撑部、运营分析部、数据分析部、大数据系统开发部等对业务数据分析有较高要求的相关人员。
【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Microsoft Office Excel 2013版本及以上。
3、  便携机中事先安装好IBM SPSS Statistics v24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:  数据建模过程
1、 预测建模六步法
Ø  选择模型:基于业务选择恰当的数据模型
Ø  属性筛选:选择对目标变量有显著影响的属性来建模
Ø  训练模型:采用合适的算法对模型进行训练,寻找到最合适的模型参数
Ø  评估模型:进行评估模型的质量,判断模型是否可用
Ø  优化模型:如果评估结果不理想,则需要对模型进行优化
Ø  应用模型:如果评估结果满足要求,则可应用模型于业务场景
2、 数据挖掘常用的模型
Ø  数值预测模型:回归预测、时序预测等
Ø  分类预测模型:逻辑回归、决策树、神经网络、支持向量机等
Ø  市场细分:聚类、RFM、PCA等
Ø  产品推荐:关联分析、协同过滤等
Ø  产品优化:回归、随机效用等
Ø  产品定价:定价策略/最优定价等
3、 属性筛选/特征选择/变量降维
Ø  基于变量本身特征
Ø  基于相关性判断
Ø  因子合并(PCA等)
Ø  IV值筛选(评分卡使用)
Ø  基于信息增益判断(决策树使用)
4、 模型评估
Ø  模型质量评估指标:R^2、正确率/查全率/查准率/特异性等
Ø  预测值评估指标:MAD、MSE/RMSE、MAPE、概率等
Ø  模型评估方法:留出法、K拆交叉验证、自助法等
Ø  其它评估:过拟合评估
5、 模型优化
Ø  优化模型:选择新模型/修改模型
Ø  优化数据:新增显著自变量
Ø  优化公式:采用新的计算公式
6、 模型实现算法(暂略)
7、 好模型是优化出来的
案例:通信客户流失分析及预警模型
第二部分:  分类预测模型
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(LR)
Ø  逻辑回归模型原理及适用场景
Ø  逻辑回归的种类
²  二项逻辑回归
²  多项逻辑回归
Ø  如何解读逻辑回归方程
Ø  带分类自变量的逻辑回归分析
Ø  多元逻辑回归
案例:如何评估用户是否会购买某产品(二元逻辑回归)
案例:多品牌选择模型分析(多元逻辑回归)
4、 分类决策树(DT)
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?
Ø  决策树分类简介
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
Ø  构建决策树的三个关键问题
²  如何选择最佳属性来构建节点
²  如何分裂变量
²  修剪决策树
Ø  选择最优属性
²  熵、基尼索引、分类错误
²  属性划分增益
Ø  如何分裂变量
²  多元划分与二元划分
²  连续变量离散化(最优划分点)
Ø  修剪决策树
²  剪枝原则
²  预剪枝与后剪枝
Ø  构建决策树的四个算法
²  C5.0、CHAID、CART、QUEST
²  各种算法的比较
Ø  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: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)
Ø  神经网络概述
Ø  神经网络基本原理
Ø  神经网络的结构
Ø  神经网络的建立步骤
Ø  神经网络的关键问题
Ø  BP反向传播网络(MLP)
Ø  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(DA)
Ø  判别分析原理
Ø  距离判别法
Ø  典型判别法
Ø  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
7、 最近邻分类(KNN)
Ø  基本原理
Ø  关键问题
8、 贝叶斯分类(NBN)
Ø  贝叶斯分类原理
Ø  计算类别属性的条件概率
Ø  估计连续属性的条件概率
Ø  贝叶斯网络种类:TAN/马尔科夫毯
Ø  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
9、 支持向量机(SVM)
Ø  SVM基本原理
Ø  线性可分问题:最大边界超平面
Ø  线性不可分问题:特征空间的转换
Ø  维空难与核函数
第三部分:  分类模型优化
1、 集成方法的基本原理:利用弱分类器构建强分类模型
Ø  选取多个数据集,构建多个弱分类器
Ø  多个弱分类器投票决定
2、 集成方法/元算法的种类
Ø  Bagging算法
Ø  Boosting算法
3、 Bagging原理
Ø  如何选择数据集
Ø  如何进行投票
Ø  随机森林
4、 Boosting的原理
Ø  AdaBoost算法流程
Ø  样本选择权重计算公式
Ø  分类器投票权重计算公式
第四部分:  市场细分模型
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
Ø  有指导细分
Ø  无指导细分
2、 聚类分析
Ø  如何更好的了解客户群体和市场细分?
Ø  如何识别客户群体特征?
Ø  如何确定客户要分成多少适当的类别?
Ø  聚类方法原理介绍
Ø  聚类方法作用及其适用场景
Ø  聚类分析的种类
Ø  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
Ø  层次聚类(系统聚类):发现多个类别
Ø  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)
Ø  两步聚类
3、 主成分分析
Ø  主成分分析方法介绍
Ø  主成分分析基本思想
Ø  主成分分析步骤
案例:如何评估汽车购买者的客户细分市场
第五部分:  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
Ø  贴现率与留存率
Ø  评估客户的真实价值
Ø  使用双向表衡量属性敏感度
Ø  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)
Ø  RFM模型,更深入了解你的客户价值
Ø  RFM模型与市场策略
Ø  RFM模型与活跃度分析
案例:淘宝客户价值评估与促销名单
案例:重购用户特征分析
第六部分:  产品推荐模型
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、 从搜索引擎到推荐引擎
2、 常用产品援藏模型及算法
3、 基于流行度的推荐
Ø  基于排行榜的推荐,适用于刚注册的用户
Ø  优化思路:分群推荐
4、 基于内容的推荐CBR
Ø  关键问题:如何计算物品的相似度
Ø  优缺点
Ø  优化:Rocchio算法、基于标签的推荐、基于兴趣度的推荐
5、 基于用户的推荐
Ø  关键问题:如何对用户分类/计算用户的相似度
Ø  算法:按属性分类、RFM模型、PCA、聚类、按偏好分类、按地理位置
6、 协同过滤的推荐
Ø  基于用户的协同过滤
Ø  基于物品的协同过滤
Ø  冷启动的问题
案例:计算用户相似度、计算物品相似度
7、 基于关联分析的推荐
Ø  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
Ø  关联分析模型原理(Association)
Ø  关联规则的两个关键参数
²  支持度
²  置信度
Ø  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:通信产品的交叉销售与产品推荐
8、 基于分类模型的推荐
9、 其它推荐算法
Ø  LFM基于隐语义模型
Ø  按社交关系
Ø  基于时间上下文
10、    多推荐引擎的协同工作
第七部分:  产品设计优化
1、 联合分析法
2、 离散选择模型
Ø  如何评估客户购买产品的概率
Ø  如何指导产品开发?如何确定产品的重要特性
Ø  竞争下的产品动态调价
Ø  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
3、 品牌价值评估
4、 新产品市场占有率评估
第八部分:  产品定价策略及产品最优定价
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
Ø  需求曲线与利润最大化
Ø  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
Ø  价格弹性
Ø  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
Ø  最大收益定价(演进规划求解)
Ø  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
Ø  要理解支付意愿曲线
Ø  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:电力公司如何做阶梯定价
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:零售公司如何选择最优定价策略
10、    航空公司的收益管理
Ø  收益管理介绍
Ø  如何确定机票预订限制
Ø  如何确定机票超售数量
Ø  如何评估模型的收益
案例:FBN航空公司如何实现收益管理(预订/超售)
第九部分:  信用评分卡模型
1、 信用评分卡模型简介
2、 评分卡的关键问题
3、 信用评分卡建立过程
Ø  筛选重要属性
Ø  数据集转化
Ø  建立分类模型
Ø  计算属性分值
Ø  确定审批阈值
4、 筛选重要属性
Ø  属性分段
Ø  基本概念:WOE、IV
Ø  属性重要性评估
5、 数据集转化
Ø  连续属性最优分段
Ø  计算属性取值的WOE
6、 建立分类模型
Ø  训练逻辑回归模型
Ø  评估模型
Ø  得到字段系数
7、 计算属性分值
Ø  计算补偿与刻度值
Ø  计算各字段得分
Ø  生成评分卡
8、 确定审批阈值
Ø  画K-S曲线
Ø  计算K-S值
Ø  获取最优阈值
第十部分:  实战篇
1、电信业客户流失预警和客户挽留模型实战
2、银行欠贷风险预测模型实战
3、银行信用卡评分模型实战
结束:课程总结与问题答疑。

使用道具

管理技能讲师|企业战略讲师|网络媒体讲师|营销服务讲师|职场技能讲师|人力资源讲师|党政爱国讲师|财税金融讲师|生产管理讲师|其他类讲师|内训课程|讲师列表|手机版|

讲师库 | 讲师列表 | 账号登录 | 立即注册 | 网站地图 | 京公网安备11010702002698 | 京ICP备2024062795号-1

返回顶部 返回列表