|
数说营销--大数据营销实战培训 【课程目标】 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、 熟悉数据分析/挖掘的基本过程，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/影响因素/行为预测/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（每天6个小时） 【授课对象】 市场营销部、运营分析部、业务支撑等偏业务人员。 本课程由浅入深，结合原理主讲分析方法和常规分析工具的应用，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Excel2013版本及以上（前两天用）。 3、 便携机中事先安装好IBMSPSS Statistics v24版本及以上（后两天用）。 注：讲师可以提供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，介绍常用的方法和模型，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： 数据核心理念—数据思维篇问题：什么是数据思维？大数据决策的底层逻辑以及决策依据是什么？ 1、 数字化五大技术战略：ABCDI战略 2、 大数据的本质 Ø 数据，是事物发展和变化过程中留下的痕迹 Ø 大数据不在于量大，而在于全（多维性） Ø 业务导向还是技术导向 3、 大数据决策的底层逻辑（即四大核心价值） Ø 探索业务规律，按规律来管理决策 案例：客流规律与排班及最佳营销时机 案例：致命交通事故发生的时间规律 Ø 发现运营变化，定短板来运营决策 案例：考核周期导致的员工月初懈怠 案例：工序信号异常监测设备故障 Ø 理清要素关系，找影响因素来决策 案例：情绪对于股市涨跌的影响 案例：为何升职反而会增加离职风险？ Ø 预测未来趋势，通过预判进行决策 案例：惠普预测员工离职风险及挽留 案例：保险公司的车险预测与个性化保费定价 4、 大数据决策的三个关键环节 Ø 业务数据化：将业务问题转化为数据问题 Ø 数据信息化：提取数据中的业务规律信息 Ø 信息策略化：基于规律形成业务应对策略 案例：用数据来识别喜欢赚“差价”的营业员 第二部分： 数据精准营销—分析过程篇问题：大数据实现精准营销的整个过程是什么？要经历哪些步骤？如何构建精准营销的数据支撑框架？需要采集哪些数据？ 1、 数据分析的六步曲 Ø 明确目标，确定分析思路 Ø 收集数据，寻找分析素材 Ø 整理数据，确保数据质量 Ø 分析数据，寻找业务答案 Ø 呈现数据，解读业务规律 Ø 撰写报告，形成业务策略 2、 精准营销的业务分析框架（6R准则） Ø 寻找正确的客户 Ø 匹配正确的产品 Ø 确定合理的价格 Ø 通过合适的渠道 Ø 采用合适的方式 Ø 设计恰当的信息 演练：如何构建一个良好的大数据精准营销分析框架 3、 精准营销项目的整个分析过程 演练：如何用大数据来支撑产品精准营销项目 第三部分： 用户行为分析—分析方法篇问题：数据分析方法的种类？分析方法的不同应用场景？ 1、 业务分析的三个阶段 Ø 现状分析：通过企业运营指标来发现规律及短板 Ø 原因分析：查找数据相关性，探寻目标影响因素 Ø 预测分析：合理配置资源，预判业务未来的趋势 2、 常用的数据分析方法种类 Ø 描述性分析法（对比/分组/结构/趋势/交叉…） Ø 相关性分析法（相关/方差/卡方…） Ø 预测性分析法（回归/时序/决策树/神经网络…） Ø 专题性分析法（聚类/关联/RFM模型/…） 3、 统计分析基础 Ø 统计分析两大关键要素（类别、指标） Ø 统计分析的操作模式（类别à指标） Ø 统计分析三个操作步骤（统计、画图、解读） Ø 透视表的三个组成部分 4、 常用的描述性指标 Ø 集中程度：均值、中位数、众数 Ø 离散程度：极差、方差/标准差、IQR Ø 分布形态：偏度、峰度 5、 基本分析方法及其适用场景 Ø 对比分析（查看数据差距，发现事物变化） 演练：寻找用户的地域分布特征 演练：分析产品受欢迎情况及贡献大小 演练：用数据来探索增量不增收困境的解决方案 Ø 分布分析（查看数据分布，探索业务层次） 演练：银行用户的消费水平和消费层次分析 演练：客户年龄分布/收入分布分析 案例：通信运营商的流量套餐划分合理性的评估 演练：呼叫中心接听电话效率分析（呼叫中心） Ø 结构分析（查看指标构成，评估结构合理性） 案例：增值业务收入结构分析（通信） 案例：物流费用成本结构分析（物流） 案例：中移动用户群动态结构分析 演练：财务领域的结构瀑布图、财务收支的变化瀑布图 Ø 趋势分析（发现事物随时间的变化规律） 案例：破解零售店销售规律 案例：手机销量的淡旺季分析 案例：微信用户的活跃时间规律 演练：发现客流量的时间规律 Ø 交叉分析（从多个维度的数据指标分析） 演练：用户性别+地域分布分析 演练：不同客户的产品偏好分析 演练：不同学历用户的套餐偏好分析 演练：银行用户的违约影响因素分析 第四部分： 用户行为分析—分析框架篇问题：如何才能全面/系统地分析而不遗漏？如何分解和细化业务问题？ 1、 业务分析思路和分析框架来源于业务模型 2、 常用的业务模型 Ø 外部环境分析：PEST Ø 业务专题分析：5W2H Ø 竞品/竞争分析：SWOT、波特五力 Ø 营销市场专题分析：4P/4C等 3、 用户行为分析（5W2H分析思路和框架） Ø WHY：原因（用户需求、产品亮点、竞品优劣势） Ø WHAT：产品（产品喜好、产品贡献、产品功能、产品结构） Ø WHO：客户（基本特征、消费能力、产品偏好） Ø WHEN：时间（淡旺季、活跃时间、重购周期） Ø WHERE：区域/渠道（区域喜好、渠道偏好） Ø HOW：支付/促销（支付方式、促销方式有效性评估等） Ø HOW MUCH：价格（费用、成本、利润、收入结构、价格偏好等） 案例讨论：结合公司情况，搭建用户消费习惯的分析框架（5W2H） 4、 数据分析策略 第五部分： 影响因素分析—原因分析篇营销问题：哪些因素是影响业务目标的关键要素？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？影响风控的关键因素有哪些？如何判断？ 1、 影响因素分析的常见方法 2、 相关分析（衡量两数据型变量的线性相关性） Ø 相关分析简介 Ø 相关分析的应用场景 Ø 相关分析的种类 ² 简单相关分析 ² 偏相关分析 ² 距离相关分析 Ø 相关系数的三种计算公式 ² Pearson相关系数 ² Spearman相关系数 ² Kendall相关系数 Ø 相关分析的假设检验 Ø 相关分析的四个基本步骤 演练：营销费用会影响销售额吗？影响程度如何量化？ 演练：哪些因素与汽车销量有相关性 演练：影响用户消费水平的因素会有哪些 Ø 偏相关分析 ² 偏相关原理：排除不可控因素后的两变量的相关性 ² 偏相关系数的计算公式 ² 偏相关分析的适用场景 Ø 距离相关分析 3、 方差分析（衡量类别变量与数值变量间的相关性） Ø 方差分析的应用场景 Ø 方差分析的三个种类 ² 单因素方差分析 ² 多因素方差分析 ² 协方差分析 Ø 单因素方差分析的原理 Ø 方差分析的四个步骤 Ø 解读方差分析结果的两个要点 演练：摆放位置与销量有关吗 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、技能级别对产品销量有影响吗 演练：寻找影响产品销量的关键因素 Ø 多因素方差分析原理 Ø 多因素方差分析的作用 Ø 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 Ø 协方差分析原理 Ø 协方差分析的适用场景 演练：排除产品价格，收入对销量有影响吗？ 4、 列联分析/卡方检验（两类别变量的相关性分析） Ø 交叉表与列联表：计数值与期望值 Ø 卡方检验的原理 Ø 卡方检验的几个计算公式 Ø 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 5、 相关性分析方法总结 第六部分： 产品销量预测—回归预测篇营销问题：如何预测未来的产品销量/销售额？如果产品跟随季节性变动，该如何预测？ 1、 回归分析简介和原理 2、 回归分析的种类 Ø 一元回归/多元回归 Ø 线性回归/非线性回归 3、 常用回归分析方法 Ø 散点图+趋势线（一元） Ø 线性回归工具（多元线性） Ø 规划求解工具（非线性回归） 演练：散点图找营销费用与销售额的关系 4、 线性回归分析的五个步骤 演练：营销费用、办公费用与销售额的关系（线性回归） 5、 线性回归方程的解读技巧 Ø 定性描述：正相关/负相关 Ø 定量描述：自变量变化导致因变量的变化程度 6、 回归预测模型评估 Ø 质量评估指标：判定系数R^2 Ø 如何选择最佳回归模型 演练：如何选择最佳的回归预测模型（一元曲线回归） 7、 带分类自变量的回归预测 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最佳配置 8、 回归分析的基本原理 Ø 三个基本概念：总变差、回归变差、剩余变差 Ø 方程的显著性检验：方程可用性 Ø 因素的显著性检验：因素可用性 Ø 方程拟合优度检验：质量好坏程度 Ø 理解标准误差含义：预测准确性？ 9、 回归模型优化措施：寻找最佳回归拟合线 Ø 如何处理预测离群值（剔除离群值） Ø 如何剔除不显著因素（剔除不显著因素） Ø 如何进行非线性关系检验（增加非线性自变量） Ø 如何进行相互作用检验（增加相互作用自变量） Ø 如何进行多重共线性检验（剔除共线性自变量） 演练：模型优化演示 10、 好模型都是优化出来的 第七部分： 客流预测模型—自定义回归篇1、 回归建模的本质 2、 规划求解工具简介 3、 自定义回归模型 案例：如何对客流量进行建模预测及模型优化 4、 季节性预测模型 Ø 回归季节模型的原理及应用场景 Ø 加法季节模型 Ø 乘法季节模型 Ø 模型解读 案例：美国航空旅客里程的季节性趋势分析 5、 新产品累计销量的S曲线 Ø S曲线模型的应用场景（最大累计销量及销量增长的拐点） Ø 珀尔曲线 Ø 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： 产品销量预测—时序预测篇营销问题：像利率/CPI/GDP等按时序变化的指标如何预测？当销量随季节周期变动时该如何预测？ 1、 回归预测vs时序预测 2、 因素分解思想 3、 时序预测常用模型 Ø 趋势拟合 Ø 季节拟合 Ø 平均序列拟合 4、 评估预测值的准确度指标：MAD、RMSE、MAPE 5、 移动平均（MA） Ø 应用场景及原理 Ø 移动平均种类 ² 一次移动平均 ² 二次移动平均 ² 加权移动平均 ² 移动平均比率法 Ø 移动平均关键问题 ² 如何选取最优参数N ² 如何确定最优权重系数 演练：平板电脑销量预测及评估 演练：快销产品季节销量预测及评估 6、 指数平滑（ES） Ø 应用场景及原理 Ø 最优平滑系数的选取原则 Ø 指数平滑种类 ² 一次指数平滑 ² 二次指数平滑（Brown线性、Holt线性、Holt指数、阻尼线性、阻尼指数） ² 三次指数平滑 演练：煤炭产量预测 演练：航空旅客量预测及评估 7、 温特斯季节预测模型 Ø 适用场景及原理 Ø Holt-Winters加法模型 Ø Holt-Winters乘法模型 演练：汽车销量预测及评估 8、 平稳序列模型（ARIMA） Ø 序列的平稳性检验 Ø 平稳序列的拟合模型 ² AR(p)自回归模型 ² MA(q)移动模型 ² ARMA(p,q)自回归移动模型 Ø 模型的识别与定阶 ² ACF图/PACF图 ² 最小信息准则 Ø 序列平稳化处理 ² 变量变换 ² k次差分 ² d阶差分 Ø ARIMA(p,d,q)模型 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 Ø 平稳序列的建模流程 第九部分： 客户行为预测—分类预测篇问题：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、 分类模型概述及其应用场景 2、 常见分类预测模型 3、 逻辑回归（LR） Ø 逻辑回归的适用场景 Ø 逻辑回归的模型原理 Ø 逻辑回归分类的几何意义 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 多项逻辑回归/多分类逻辑回归 案例：如何评估用户是否会购买某产品（二项逻辑回归） 案例：多品牌选择模型分析（多项逻辑回归） 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 决策树分类的几何意义 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 选择最优属性生长 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（最优分割点） 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：商场用户的典型特征提取 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 Ø 多分类决策树 案例：不同套餐用户的典型特征 Ø 决策树模型的保存与应用 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 神经网络分类的几何意义 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 判别分析种类 Ø Fisher线性判别分析 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 KNN模型的基本原理 Ø KNN分类的几何意义 Ø K近邻的关键问题 8、 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 维灾难与核函数 9、 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 预测分类概率（计算概率） Ø 拉普拉斯修正 案例：评估银行用户拖欠货款的概率 第十部分： 市场细分模型—聚类模型篇问题：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 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 ² K均值聚类 ² 层次聚类 ² 两步聚类 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：如何自动评选优秀员工？ 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、 客户细分与PCA分析法 Ø PCA主成分分析的原理 Ø PCA分析法的适用场景 演练：利用PCA对汽车客户群进行细分 演练：如何针对汽车客户群设计汽车 第十一部分： 客户价值评估—RFM模型篇营销问题：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 演练：“双11”淘宝商家如何选择价值客户进行促销 演练：结合响应模型，宜家IKE实现最大化营销利润 案例：重购用户特征分析 第十二部分： 产品推荐算法—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、 从搜索引擎到推荐引擎 2、 常用产品推荐模型及算法 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 第十三部分： 产品定价策略—最优定价篇营销问题：产品如何实现最优定价？套餐价格如何确定？采用哪种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） 第十四部分： 实战篇(客户行为预测)1、电信业客户流失预警与客户挽留模型 2、银行欠贷风险预测模型 结束：课程总结与问题答疑。
| 
