【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