大數據挖掘工具:SPSS Modeler入門(mén)與提高

【培訓對象】
市場(chǎng)部、業(yè)務(wù)支撐部、數據分析部、運營(yíng)分析部等對業(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：數據挖掘標準流程
1、數據挖掘概述
2、數據挖掘的標準流程（CRISP-DM）
商業(yè)理解
數據準備
數據理解
模型建立
模型評估
模型應用
案例：客戶(hù)流失預測及客戶(hù)挽留
3、數據集的基本知識
a)存儲類(lèi)型
b)統計類(lèi)型
c)角度
4、SPSS工具簡(jiǎn)介

第二部分：數據預處理過(guò)程
1、數據預處理的基本步驟
數據讀取、數據理解、數據處理、變量處理、探索分析
2、數據預處理的主要任務(wù)
數據集成：多個(gè)數據集的合并
數據清理：異常值的處理
數據處理：數據篩選、數據精簡(jiǎn)、數據平衡
變量處理：變量變換、變量派生、變量精簡(jiǎn)
數據歸約：實(shí)現降維，避免維災難
3、數據集成
外部數據讀入：Txt/Excel/SPSS/Database
數據追加（添加數據）
變量合并（添加變量）
4、數據理解（異常數據處理）
取值范圍限定
重復值處理
無(wú)效值/錯誤值處理
缺失值處理
離群值/極端值處理
數據質(zhì)量評估
5、數據準備：數據處理
數據篩選：數據抽樣/選擇（減少樣本數量）
數據精簡(jiǎn)：數據分段/離散化（減少變量的取值個(gè)數）
數據平衡：正反樣本比例均衡
6、數據準備：變量處理
變量變換：原變量取值更新，比如標準化
變量派生：根據舊變量生成新的變量
變量精簡(jiǎn)：降維，減少變量個(gè)數
7、數據降維
常用降維方法
如何確定變量個(gè)數
特征選擇：選擇重要變量，剔除不重要的變量
從變量本身考慮
從輸入變量與目標變量的相關(guān)性考慮
對輸入變量進(jìn)行合并
因子分析（主成分分析）
因子分析的原理
因子個(gè)數如何選擇
如何解讀因子含義
案例：提取影響電信客戶(hù)流失的主成分分析
8、數據探索性分析
常用統計指標分析
單變量：數值變量/分類(lèi)變量
雙變量：交叉分析/相關(guān)性分析
多變量：特征選擇、因子分析
演練：描述性分析（頻數、描述、探索、分類(lèi)匯總）
第三部分：數據可視化篇
1、數據可視化的原則
2、常用可視化工具
3、常用可視化圖形
柱狀圖、條形圖、餅圖、折線(xiàn)圖、箱圖、散點(diǎn)圖等
4、圖形的表達及適用場(chǎng)景
演練：各種圖形繪制

第四部分：影響因素分析篇
問(wèn)題：如何判斷一個(gè)因素對另一個(gè)因素有影響？比如營(yíng)銷(xiāo)費用是否會(huì )影響銷(xiāo)售額？產(chǎn)品價(jià)格是否會(huì )影響銷(xiāo)量？產(chǎn)品的陳列位置是否會(huì )影響銷(xiāo)量？
風(fēng)險控制的關(guān)鍵因素有哪些？如何判斷？
1、影響因素分析的常見(jiàn)方法
2、相關(guān)分析（衡量變量間的的相關(guān)性）
問(wèn)題：這兩個(gè)屬性是否會(huì )相互影響？影響程度大嗎？營(yíng)銷(xiāo)費用會(huì )影響銷(xiāo)售額嗎？
什么是相關(guān)關(guān)系
相關(guān)系數：衡量相關(guān)程度的指標
相關(guān)系數的三個(gè)計算公式
相關(guān)分析的假設檢驗
相關(guān)分析的基本步驟
相關(guān)分析應用場(chǎng)景
演練：體重與腰圍的關(guān)系
演練：營(yíng)銷(xiāo)費用會(huì )影響銷(xiāo)售額嗎
演練：哪些因素與汽車(chē)銷(xiāo)量有相關(guān)性
演練：通信費用與開(kāi)通月數的相關(guān)分析
案例：酒樓生意好壞與報紙銷(xiāo)量的相關(guān)分析
3、方差分析
問(wèn)題：哪些才是影響銷(xiāo)量的關(guān)鍵因素？
方差分析解決什么問(wèn)題
方差分析種類(lèi)：?jiǎn)我蛩?雙因素可重復/雙因素無(wú)重復
方差分析的應用場(chǎng)景
方差分析的原理與步驟
如何解決方差分析結果
演練：終端擺放位置與終端銷(xiāo)量有關(guān)嗎？
演練：開(kāi)通月數驛客戶(hù)流失的影響分析
演練：客戶(hù)學(xué)歷對消費水平的影響分析
演練：廣告和價(jià)格是影響終端銷(xiāo)量的關(guān)鍵因素嗎
演練：營(yíng)業(yè)員的性別、技能級別產(chǎn)品銷(xiāo)量有影響嗎？
案例：2015年大學(xué)生工資與父母職業(yè)的關(guān)系
案例：醫生洗手與嬰兒存活率的關(guān)系
演練：尋找影響產(chǎn)品銷(xiāo)量的關(guān)鍵因素
4、列聯(lián)分析（兩類(lèi)別變量的相關(guān)性分析）
交叉表與列聯(lián)表
卡方檢驗的原理
卡方檢驗的幾個(gè)計算公式
列聯(lián)表分析的適用場(chǎng)景
案例：套餐類(lèi)型對客戶(hù)流失的影響分析
案例：學(xué)歷對業(yè)務(wù)套餐偏好的影響分析
案例：行業(yè)/規模對風(fēng)控的影響分析

第五部分：數據建模過(guò)程篇
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

第六部分：數值預測模型篇
問(wèn)題：如何預測產(chǎn)品的銷(xiāo)量/銷(xiāo)售金額？如果產(chǎn)品跟隨季節性變動(dòng)，該如何預測？新產(chǎn)品上市，如果評估銷(xiāo)量上限及銷(xiāo)售增速？
1、銷(xiāo)量預測與市場(chǎng)預測——讓你看得更遠
2、回歸預測/回歸分析
問(wèn)題：如何預測未來(lái)的銷(xiāo)售量（定量分析）？
回歸分析的基本原理和應用場(chǎng)景
回歸分析的種類(lèi)（一元/多元、線(xiàn)性/曲線(xiàn)）
得到回歸方程的幾種常用方法
回歸分析的五個(gè)步驟與結果解讀
回歸預測結果評估（如何評估預測質(zhì)量，如何選擇最佳回歸模型）
演練：散點(diǎn)圖找推廣費用與銷(xiāo)售額的關(guān)系（一元線(xiàn)性回歸）
演練：推廣費用、辦公費用與銷(xiāo)售額的關(guān)系（多元線(xiàn)性回歸）
演練：讓你的營(yíng)銷(xiāo)費用預算更準確
演練：如何選擇最佳的回歸預測模型（曲線(xiàn)回歸）
帶分類(lèi)變量的回歸預測
演練：汽車(chē)季度銷(xiāo)量預測
演練：工齡、性別與終端銷(xiāo)量的關(guān)系
演練：如何評估銷(xiāo)售目標與資源配置（營(yíng)業(yè)廳）
3、時(shí)序預測
問(wèn)題：隨著(zhù)時(shí)間變化，未來(lái)的銷(xiāo)量變化趨勢如何？
時(shí)序分析的應用場(chǎng)景（基于時(shí)間的變化規律）
移動(dòng)平均MA的預測原理
指數平滑ES的預測原理
自回歸移動(dòng)平均ARIMA模型
如何評估預測值的準確性？
案例：銷(xiāo)售額的時(shí)序預測及評估
演練：汽車(chē)銷(xiāo)量預測及評估
演練：電視機銷(xiāo)量預測分析
演練：上海證券交易所綜合指數收益率序列分析
演練：服裝銷(xiāo)售數據季節性趨勢預測分析
4、自定義模型（如何利用規劃求解進(jìn)行自定義模型）
案例：如何對餐廳客流量進(jìn)行建模及模型優(yōu)化

第七部分：分類(lèi)預測模型篇
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、評估分類(lèi)模型的常用指標
正確率、查全率/查準率、特異性等
4、邏輯回歸模型（LR）
邏輯回歸模型原理及適用場(chǎng)景
邏輯回歸種類(lèi)：二項/多項邏輯回歸
如何解讀邏輯回歸方程
案例：如何評估用戶(hù)是否會(huì )購買(mǎi)某產(chǎn)品（二項邏輯回歸）
消費者品牌選擇模型分析
案例：多品牌選擇模型分析（多項邏輯回歸）
5、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
如何評估分類(lèi)性能？
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：電信運營(yíng)商客戶(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
6、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
7、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
8、K近鄰分類(lèi)（KNN）
基本原理
關(guān)鍵問(wèn)題
9、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
10、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

第八部分：市場(chǎng)細分模型篇
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PCA分析
主成分分析原理
主成分分析基本步驟
主成分分析結果解讀
演練：PCA探索汽車(chē)購買(mǎi)者的細分市場(chǎng)
4、RFM模型客戶(hù)細分框架

第九部分：客戶(hù)價(jià)值評估
1、客戶(hù)價(jià)值評估與RFM模型
問(wèn)題：如何評估客戶(hù)的價(jià)值？如何針對不同客戶(hù)采取不同的營(yíng)銷(xiāo)策略？
RFM模型，更深入了解你的客戶(hù)價(jià)值
RFM的客戶(hù)細分框架理解
RFM模型與市場(chǎng)策略
RFM模型與活躍度
演練：“雙11”淘寶商家如何選擇客戶(hù)進(jìn)行促銷(xiāo)
演練：結合響應模型，宜家IKE實(shí)現最大化營(yíng)銷(xiāo)利潤
演練：重購用戶(hù)特征分析

第十部分：實(shí)戰-數據挖掘項目
實(shí)戰1：客戶(hù)流失預警與客戶(hù)挽留之真實(shí)數據分析實(shí)踐
實(shí)戰2：銀行信用風(fēng)險分析

結束：課程總結與問(wèn)題答疑。 

• 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  

  

• 大數據、物聯(lián)網(wǎng)、云計算行業(yè)應用及發(fā)展趨勢

   

  一、信息通信產(chǎn)業(yè)發(fā)展的背景和趨勢1、信息通信產(chǎn)業(yè)用戶(hù)現狀和發(fā)展趨勢2、國內外信息化發(fā)展戰略3、中國信息化發(fā)展現狀和趨勢4、信息通信網(wǎng)絡(luò )發(fā)展趨勢5、電信業(yè)轉型新趨勢二、ICT前沿技術(shù)(一)云計算1、云計算發(fā)展的商業(yè)動(dòng)力與技術(shù)趨勢1.1云計算基本概念1.2云計算的商業(yè)動(dòng)力：企業(yè)ICT轉型1.3云計算特點(diǎn)..

  ￥   元/ 天

  人氣：1258