大數據分析與挖掘綜合能力提升實(shí)戰

【培訓對象】
業(yè)務(wù)支撐部、運營(yíng)分析部、數據分析部、大數據系統開(kāi)發(fā)部等對業(yè)務(wù)數據分析有較高要求的相關(guān)人員。

【培訓收益】

第一部分：數據建模過(guò)程
1、預測建模六步法
選擇模型：基于業(yè)務(wù)選擇恰當的數據模型
屬性篩選：選擇對目標變量有顯著(zhù)影響的屬性來(lái)建模
訓練模型：采用合適的算法對模型進(jìn)行訓練，尋找到最合適的模型參數
評估模型：進(jìn)行評估模型的質(zhì)量，判斷模型是否可用
優(yōu)化模型：如果評估結果不理想，則需要對模型進(jìn)行優(yōu)化
應用模型：如果評估結果滿(mǎn)足要求，則可應用模型于業(yè)務(wù)場(chǎng)景
2、數據挖掘常用的模型
數值預測模型：回歸預測、時(shí)序預測等
分類(lèi)預測模型：邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò )、支持向量機等
市場(chǎng)細分：聚類(lèi)、RFM、PCA等
產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過(guò)濾等
產(chǎn)品優(yōu)化：回歸、隨機效用等
產(chǎn)品定價(jià)：定價(jià)策略/最優(yōu)定價(jià)等
3、屬性篩選/特征選擇/變量降維
基于變量本身特征
基于相關(guān)性判斷
因子合并（PCA等）
IV值篩選（評分卡使用）
基于信息增益判斷（決策樹(shù)使用）
4、模型評估
模型質(zhì)量評估指標：R^2、正確率/查全率/查準率/特異性等
預測值評估指標：MAD、MSE/RMSE、MAPE、概率等
模型評估方法：留出法、K拆交叉驗證、自助法等
其它評估：過(guò)擬合評估
5、模型優(yōu)化
優(yōu)化模型：選擇新模型/修改模型
優(yōu)化數據：新增顯著(zhù)自變量
優(yōu)化公式：采用新的計算公式
6、模型實(shí)現算法（暫略）
7、好模型是優(yōu)化出來(lái)的
案例：通信客戶(hù)流失分析及預警模型

第二部分：分類(lèi)預測模型
問(wèn)題：如何評估客戶(hù)購買(mǎi)產(chǎn)品的可能性？如何預測客戶(hù)的購買(mǎi)行為？如何提取某類(lèi)客戶(hù)的典型特征？如何向客戶(hù)精準推薦產(chǎn)品或業(yè)務(wù)？
1、分類(lèi)模型概述
2、常見(jiàn)分類(lèi)預測模型
3、邏輯回歸模型
邏輯回歸模型原理及適用場(chǎng)景
邏輯回歸的種類(lèi)
二項邏輯回歸
多項邏輯回歸
如何解讀邏輯回歸方程
帶分類(lèi)自變量的邏輯回歸分析
多元邏輯回歸
案例：如何評估用戶(hù)是否會(huì )購買(mǎi)某產(chǎn)品（二元邏輯回歸）
案例：多品牌選擇模型分析（多元邏輯回歸）
4、分類(lèi)決策樹(shù)（DT）
問(wèn)題：如何預測客戶(hù)行為？如何識別潛在客戶(hù)？
風(fēng)控：如何識別欠貸者的特征，以及預測欠貸概率？
客戶(hù)保有：如何識別流失客戶(hù)特征，以及預測客戶(hù)流失概率？
決策樹(shù)分類(lèi)簡(jiǎn)介
案例：美國零售商（Target）如何預測少女懷孕
演練：識別銀行欠貨風(fēng)險，提取欠貸者的特征
構建決策樹(shù)的三個(gè)關(guān)鍵問(wèn)題
如何選擇最佳屬性來(lái)構建節點(diǎn)
如何分裂變量
修剪決策樹(shù)
選擇最優(yōu)屬性
熵、基尼索引、分類(lèi)錯誤
屬性劃分增益
如何分裂變量
多元劃分與二元劃分
連續變量離散化（最優(yōu)劃分點(diǎn)）
修剪決策樹(shù)
剪枝原則
預剪枝與后剪枝
構建決策樹(shù)的四個(gè)算法
C5.0、CHAID、CART、QUEST
各種算法的比較
如何選擇最優(yōu)分類(lèi)模型？
案例：商場(chǎng)酸奶購買(mǎi)用戶(hù)特征提取
案例：客戶(hù)流失預警與客戶(hù)挽留
案例：識別拖欠銀行貨款者的特征，避免不良貨款
案例：識別電信詐騙者嘴臉，讓通信更安全
5、人工神經(jīng)網(wǎng)絡(luò )（ANN）
神經(jīng)網(wǎng)絡(luò )概述
神經(jīng)網(wǎng)絡(luò )基本原理
神經(jīng)網(wǎng)絡(luò )的結構
神經(jīng)網(wǎng)絡(luò )的建立步驟
神經(jīng)網(wǎng)絡(luò )的關(guān)鍵問(wèn)題
BP反向傳播網(wǎng)絡(luò )（MLP）
徑向基網(wǎng)絡(luò )（RBF）
案例：評估銀行用戶(hù)拖欠貨款的概率
6、判別分析（DA）
判別分析原理
距離判別法
典型判別法
貝葉斯判別法
案例：MBA學(xué)生錄取判別分析
案例：上市公司類(lèi)別評估
7、最近鄰分類(lèi)（KNN）
基本原理
關(guān)鍵問(wèn)題
8、貝葉斯分類(lèi)（NBN）
貝葉斯分類(lèi)原理
計算類(lèi)別屬性的條件概率
估計連續屬性的條件概率
貝葉斯網(wǎng)絡(luò )種類(lèi)：TAN/馬爾科夫毯
預測分類(lèi)概率（計算概率）
案例：評估銀行用戶(hù)拖欠貨款的概率
9、支持向量機（SVM）
SVM基本原理
線(xiàn)性可分問(wèn)題：最大邊界超平面
線(xiàn)性不可分問(wèn)題：特征空間的轉換
維空難與核函數
第三部分：分類(lèi)模型優(yōu)化
1、集成方法的基本原理：利用弱分類(lèi)器構建強分類(lèi)模型
選取多個(gè)數據集，構建多個(gè)弱分類(lèi)器
多個(gè)弱分類(lèi)器投票決定
2、集成方法/元算法的種類(lèi)
Bagging算法
Boosting算法
3、Bagging原理
如何選擇數據集
如何進(jìn)行投票
隨機森林
4、Boosting的原理
AdaBoost算法流程
樣本選擇權重計算公式
分類(lèi)器投票權重計算公式

第四部分：市場(chǎng)細分模型
問(wèn)題：我們的客戶(hù)有幾類(lèi)？各類(lèi)特征是什么？如何實(shí)現客戶(hù)細分，開(kāi)發(fā)符合細分市場(chǎng)的新產(chǎn)品？如何提取客戶(hù)特征，從而對產(chǎn)品進(jìn)行市場(chǎng)定位？
1、市場(chǎng)細分的常用方法
有指導細分
無(wú)指導細分
2、聚類(lèi)分析
如何更好的了解客戶(hù)群體和市場(chǎng)細分？
如何識別客戶(hù)群體特征？
如何確定客戶(hù)要分成多少適當的類(lèi)別？
聚類(lèi)方法原理介紹
聚類(lèi)方法作用及其適用場(chǎng)景
聚類(lèi)分析的種類(lèi)
K均值聚類(lèi)（快速聚類(lèi)）
案例：移動(dòng)三大品牌細分市場(chǎng)合適嗎？
演練：寶潔公司如何選擇新產(chǎn)品試銷(xiāo)區域？
演練：如何評選優(yōu)秀員工？
演練：中國各省份發(fā)達程度分析，讓數據自動(dòng)聚類(lèi)
層次聚類(lèi)（系統聚類(lèi)）：發(fā)現多個(gè)類(lèi)別
R型聚類(lèi)與Q型聚類(lèi)的區別
案例：中移動(dòng)如何實(shí)現客戶(hù)細分及營(yíng)銷(xiāo)策略
演練：中國省市經(jīng)濟發(fā)展情況分析（Q型聚類(lèi)）
演練：裁判評分的標準衡量，避免“黑哨”（R型聚類(lèi)）
兩步聚類(lèi)
3、主成分分析
主成分分析方法介紹
主成分分析基本思想
主成分分析步驟
案例：如何評估汽車(chē)購買(mǎi)者的客戶(hù)細分市場(chǎng)

第五部分：客戶(hù)價(jià)值分析
營(yíng)銷(xiāo)問(wèn)題：如何評估客戶(hù)的價(jià)值？不同的價(jià)值客戶(hù)有何區別對待？
1、如何評價(jià)客戶(hù)生命周期的價(jià)值
貼現率與留存率
評估客戶(hù)的真實(shí)價(jià)值
使用雙向表衡量屬性敏感度
變化的邊際利潤
案例：評估營(yíng)銷(xiāo)行為的合理性
2、RFM模型（客戶(hù)價(jià)值評估）
RFM模型，更深入了解你的客戶(hù)價(jià)值
RFM模型與市場(chǎng)策略
RFM模型與活躍度分析
案例：淘寶客戶(hù)價(jià)值評估與促銷(xiāo)名單
案例：重購用戶(hù)特征分析

第六部分：產(chǎn)品推薦模型
問(wèn)題：購買(mǎi)A產(chǎn)品的顧客還常常要購買(mǎi)其他什么產(chǎn)品？應該給客戶(hù)推薦什么產(chǎn)品最有可能被接受？
1、常用產(chǎn)品推薦模型
2、關(guān)聯(lián)分析
如何制定套餐，實(shí)現交叉/捆綁銷(xiāo)售
案例：啤酒與尿布、颶風(fēng)與蛋撻
關(guān)聯(lián)分析模型原理（Association）
關(guān)聯(lián)規則的兩個(gè)關(guān)鍵參數
支持度
置信度
關(guān)聯(lián)分析的適用場(chǎng)景
案例：購物籃分析與產(chǎn)品捆綁銷(xiāo)售/布局優(yōu)化
案例：通信產(chǎn)品的交叉銷(xiāo)售與產(chǎn)品推薦
3、協(xié)同過(guò)濾

第七部分：產(chǎn)品設計優(yōu)化
1、聯(lián)合分析法
2、離散選擇模型
如何評估客戶(hù)購買(mǎi)產(chǎn)品的概率
如何指導產(chǎn)品開(kāi)發(fā)？如何確定產(chǎn)品的重要特性
競爭下的產(chǎn)品動(dòng)態(tài)調價(jià)
如何評估產(chǎn)品的價(jià)格彈性
案例：產(chǎn)品開(kāi)發(fā)與設計分析
案例：品牌價(jià)值與價(jià)格敏感度分析
案例：納什均衡價(jià)格
3、品牌價(jià)值評估
4、新產(chǎn)品市場(chǎng)占有率評估

第八部分：產(chǎn)品定價(jià)策略及產(chǎn)品最優(yōu)定價(jià)
營(yíng)銷(xiāo)問(wèn)題：產(chǎn)品如何實(shí)現最估定價(jià)？套餐價(jià)格如何確定？采用哪些定價(jià)策略可達到利潤最大化？
1、常見(jiàn)的定價(jià)方法
2、產(chǎn)品定價(jià)的理論依據
需求曲線(xiàn)與利潤最大化
如何求解最優(yōu)定價(jià)
案例：產(chǎn)品最優(yōu)定價(jià)求解
3、如何評估需求曲線(xiàn)
價(jià)格彈性
曲線(xiàn)方程（線(xiàn)性、乘冪）
4、如何做產(chǎn)品組合定價(jià)
5、如何做產(chǎn)品捆綁/套餐定價(jià)
最大收益定價(jià)（演進(jìn)規劃求解）
避免價(jià)格反轉的套餐定價(jià)
案例：電信公司的寬帶、IPTV、移動(dòng)電話(huà)套餐定價(jià)
6、非線(xiàn)性定價(jià)原理
要理解支付意愿曲線(xiàn)
支付意愿曲線(xiàn)與需求曲線(xiàn)的異同
案例：雙重收費如何定價(jià)（如會(huì )費+按次計費）
7、階梯定價(jià)策略
案例：電力公司如何做階梯定價(jià)
8、數量折扣定價(jià)策略
案例：如何通過(guò)折扣來(lái)實(shí)現薄利多銷(xiāo)
9、定價(jià)策略的評估與選擇
案例：零售公司如何選擇最優(yōu)定價(jià)策略
10、航空公司的收益管理
收益管理介紹
如何確定機票預訂限制
如何確定機票超售數量
如何評估模型的收益
案例：FBN航空公司如何實(shí)現收益管理（預訂/超售）
第九部分：信用評分卡模型
1、信用評分卡模型簡(jiǎn)介
2、評分卡的關(guān)鍵問(wèn)題
3、信用評分卡建立過(guò)程
篩選重要屬性
數據集轉化
建立分類(lèi)模型
計算屬性分值
確定審批閾值
4、篩選重要屬性
屬性分段
基本概念：WOE、IV
屬性重要性評估
5、數據集轉化
連續屬性最優(yōu)分段
計算屬性取值的WOE
6、建立分類(lèi)模型
訓練邏輯回歸模型
評估模型
得到字段系數
7、計算屬性分值
計算補償與刻度值
計算各字段得分
生成評分卡
8、確定審批閾值
畫(huà)K-S曲線(xiàn)
計算K-S值
獲取最優(yōu)閾值

第十部分：實(shí)戰篇
1、電信業(yè)客戶(hù)流失預警和客戶(hù)挽留模型實(shí)戰
2、銀行欠貸風(fēng)險預測模型實(shí)戰
3、銀行信用卡評分模型實(shí)戰

結束：課程總結與問(wèn)題答疑。 

• 贏(yíng)在開(kāi)門(mén)紅——養老金、教育金銷(xiāo)售技能提升實(shí)戰訓練

   

  第一講：后疫情時(shí)期的保險業(yè)更值得期待一、我國保險行業(yè)發(fā)展的趨勢1.未來(lái)更好：我國保險行業(yè)歷年發(fā)展的大趨勢1）19年前的發(fā)展趨勢2）今年的迅速恢復2.未來(lái)更強：保險深度和密度增長(cháng)的大空間3.未來(lái)更穩：監管守護行業(yè)可持續發(fā)展二、后疫情時(shí)期保險發(fā)展的機遇（一）經(jīng)濟大形勢的變化1.國際形式2.政府工作報告解讀3.回歸理..

  ￥   元/ 天

  人氣：1348  

  

• 大數據及人工智能背景下消費和小微信貸線(xiàn)上獲客、產(chǎn)品設計、風(fēng)控應對策略

   

  第一部分：金融科技發(fā)展狀況的介紹一、金融科技的現狀與發(fā)展趨勢（一）宏觀(guān)背景1、金融科技（支付寶人臉識別技術(shù)、APPLEPAY、虹膜技術(shù)、二維碼支付技術(shù)）2、利率市場(chǎng)化3、金融脫媒（二）移動(dòng)互聯(lián)技術(shù)的發(fā)展使互聯(lián)網(wǎng)金融成為可能1、移動(dòng)互聯(lián)網(wǎng)技術(shù)2、移動(dòng)支付技術(shù)3、H5、APP（三）互聯(lián)網(wǎng)金融對傳統銀行資產(chǎn)業(yè)務(wù)的顛覆和沖..

  ￥   元/ 天

  人氣：1030  

  

• 大數據時(shí)代——提升患者管理，構建專(zhuān)業(yè)藥房

   

  【課程導言】：移動(dòng)互聯(lián)時(shí)代下，實(shí)體門(mén)店面臨巨大的挑戰，同時(shí)也是一種機會(huì )。馬云說(shuō)：不是實(shí)體門(mén)店不行了，而是你的實(shí)體門(mén)店不行了。面臨新的沖擊實(shí)體店如何進(jìn)行創(chuàng )新，如何守住老陣地，如何利用新武器，這是所有實(shí)體連鎖共同面臨的問(wèn)題。課程從互聯(lián)網(wǎng)環(huán)境對我們的實(shí)體店挑戰和我們面臨的消費者消費習慣和方式的的變化入手，通過(guò)分析新零售良品鋪子，海瀾之家，名創(chuàng )優(yōu)品的..

  ￥   元/ 天

  人氣：816  

  

• 電商互聯(lián)網(wǎng)大數據營(yíng)銷(xiāo)之落地實(shí)踐鐵律

   

  課程背景：未來(lái)人貨場(chǎng)一切數字化，數據將成為一種資源，沒(méi)有數據沒(méi)有未來(lái)，企業(yè)如何構建自己的大數據未來(lái)？人工智能已經(jīng)來(lái)臨，人工智能在營(yíng)銷(xiāo)板塊的應用本質(zhì)就是大數據營(yíng)銷(xiāo)！企業(yè)的ERP、CRM、報表等等僅僅是零散的死數據，如何激活流動(dòng)產(chǎn)生閉環(huán)，產(chǎn)生效益？經(jīng)驗將成為負債，未來(lái)將利用數據產(chǎn)品規劃、定位、策劃、人群分析、活動(dòng)策劃，數據成為商業(yè)的起點(diǎn)！人為..

  ￥19,100   元/ 天

  人氣：1446  

  

• 電商互聯(lián)網(wǎng)智能商業(yè)：大數據營(yíng)銷(xiāo)分析與落地實(shí)踐

   

  課程背景：數據是未來(lái)企業(yè)唯一資源，大數據營(yíng)銷(xiāo)意味著(zhù)高效、精準、成本低、全自動(dòng)化，讓企業(yè)從人海戰、廣告戰、渠道戰的泥潭中拔出來(lái)為什么搜索廣告效果差了？為什么團購效果也差了？為什么傳統的用戶(hù)細分、STP在大數據提出的用戶(hù)畫(huà)像面前蒼白了？為什么獨角獸全靠增長(cháng)黑客模式崛起？企業(yè)未來(lái)如何搭建科學(xué)的大數據營(yíng)銷(xiāo)隊伍，建立科學(xué)的數字營(yíng)銷(xiāo)體！通過(guò)互動(dòng)獲取數據，..

  ￥19,100   元/ 天

  人氣：1728  

  

• 大數據基礎原理與應用

   

  一、運營(yíng)商網(wǎng)絡(luò )架構和技術(shù)選擇1.運營(yíng)商網(wǎng)絡(luò )架構2.運營(yíng)商業(yè)務(wù)類(lèi)型3.接入網(wǎng)技術(shù)選擇4.不同業(yè)務(wù)的技術(shù)實(shí)現二、全業(yè)務(wù)運營(yíng)技術(shù)實(shí)現1.集團業(yè)務(wù)分類(lèi)及特點(diǎn)2.集團高等級業(yè)務(wù)特點(diǎn)及業(yè)務(wù)場(chǎng)景3.集團低等級業(yè)務(wù)特點(diǎn)及業(yè)務(wù)場(chǎng)景4.集團高、低等級業(yè)務(wù)要求及技術(shù)選擇5.數據專(zhuān)線(xiàn)業(yè)務(wù)及技術(shù)實(shí)現6.互聯(lián)網(wǎng)專(zhuān)線(xiàn)業(yè)務(wù)及技術(shù)實(shí)現7.集..

  ￥   元/ 天

  人氣：1171