【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