我要預訂

咨詢電話：027-5111 9925 , 027-5111 9926手機：18971071887郵箱：Service@mingketang.com

【課程目標】

本課程專注于大數據建模課程，面向數據分析部等專門負責數據分析與建模的人士。主要內容包括數據建模的過程和步驟，以及建模涉及到的分析方法、分析模型，以及模型優化等。

本課程從實際的業務需求出發，對數據分析及數據挖掘技術進行了全面的介紹，通過大量的操作演練，幫助學員掌握數據分析和數據挖掘的思路、方法、工具，從大量的企業經營數據中進行分析，發現業務運作規律，進行客戶洞察，挖掘客戶行為特點，消費行為，實現精準營銷，幫助運營團隊深入理解業務運作，以達到提升學員的數據綜合分析能力，支撐運營決策的目的。

通過本課程的學習，達到如下目的：

1、掌握數據建模的基本過程和步驟。

2、掌握數據建模前的屬性篩選的系統方法，為建模打下基礎。

3、掌握常用的數值預測模型，包括回歸預測和時序預測，以及其適用場景。

4、掌握常用的分類預測模型，包括邏輯回歸、決策樹、神經網絡、判別分析等等，以及分類模型的優化。

5、掌握數據挖掘常用的專題模型。

【授課對象】

業務支撐、網絡中心、IT系統部、數據分析部等對業務數據分析有較高要求的相關專業人員。

【學員要求】

1、每個學員自備一臺便攜機(必須)。

2、便攜機中事先安裝好Office Excel 2013版本及以上。

3、便攜機中事先安裝好IBM SPSS Statistics v24版本以上軟件。

注：講師可以提供試用版本軟件及分析數據源。

【授課方式】

基礎知識精講 + 案例演練 + 實際業務問題分析 + SPSS實際操作

本課程突出數據挖掘的實際應用，結合行業的典型應用特點，從實際問題入手，引出相關知識，進行大數據的收集與處理；探索數據之間的規律及關聯性，幫助學員掌握系統的數據預處理方法；介紹常用的模型，訓練模型，并優化模型，以達到最優分析結果。

【課程大綱】

第一部分：數據建模基本過程

1、預測建模六步法

選擇模型：基于業務選擇恰當的數據模型

屬性篩選：選擇對目標變量有顯著影響的屬性來建模

訓練模型：采用合適的算法對模型進行訓練，尋找到最合適的模型參數

評估模型：進行評估模型的質量，判斷模型是否可用

優化模型：如果評估結果不理想，則需要對模型進行優化

應用模型：如果評估結果滿足要求，則可應用模型于業務場景

2、數據挖掘常用的模型

數值預測模型：回歸預測、時序預測等

分類預測模型：邏輯回歸、決策樹、神經網絡、支持向量機等

市場細分：聚類、RFM、PCA等

產品推薦：關聯分析、協同過濾等

產品優化：回歸、隨機效用等

產品定價：定價策略/最優定價等

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（決策樹使用）

4、模型評估

模型質量評估指標：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：過擬合評估

5、模型優化

優化模型：選擇新模型/修改模型

優化數據：新增顯著自變量

優化公式：采用新的計算公式

6、模型實現算法（暫略）

7、好模型是優化出來的

案例：通信客戶流失分析及預警模型

第二部分：屬性篩選方法

問題：如何選擇合適的屬性來進行建模預測？

比如：價格是否可用于產品銷量的預測？套餐的合理性是否會影響客戶流失？在欺詐風險中有哪些數據會有異常表現？

1、屬性篩選/變量降維的常用方法

基于變量本身特征來選擇屬性

基于數據間的相關性來選擇屬性

基于因子合并（如PCA分析）實現變量的合并

利用IV值篩選

基于信息增益來選擇屬性

2、相關分析（衡量變量間的線性相關性）

問題：這兩個屬性是否會相互影響？影響程度大嗎？

相關分析簡介

相關分析的三個種類

簡單相關分析

偏相關分析

距離相關分析

相關系數的三種計算公式

Pearson相關系數

Spearman相關系數

Kendall相關系數

相關分析的假設檢驗

相關分析的四個基本步驟

演練：體重與腰圍的關系

演練：營銷費用會影響銷售額嗎

演練：哪些因素與汽車銷量有相關性

演練：通信費用與開通月數的相關分析

偏相關分析

偏相關原理：排除不可控因素后的兩變量的相關性

偏相關系數的計算公式

偏相關分析的適用場景

距離相關分析

3、方差分析(衡量類別變量與數據變量的相關性)

問題：哪些才是影響銷量的關鍵因素？

方差分析的應用場景

方差分析的三個種類

單因素方差分析

多因素方差分析

協方差分析

方差分析的原理

方差分析的四個步驟

解讀方差分析結果的兩個要點

演練：終端擺放位置與終端銷量有關嗎

演練：開通月數對客戶流失的影響分析

演練：客戶學歷對消費水平的影響分析

演練：廣告和價格是影響終端銷量的關鍵因素嗎

演練：營業員的性別、技能級別對產品銷量有影響嗎

演練：尋找影響產品銷量的關鍵因素

多因素方差分析原理

多因素方差分析的作用

多因素方差結果的解讀

演練：廣告形式、地區對銷量的影響因素分析（多因素）

協方差分析原理

協方差分析的適用場景

演練：飼料對生豬體重的影響分析（協方差分析）

4、列聯分析/卡方檢驗（兩類別變量的相關性分析）

交叉表與列聯表

卡方檢驗的原理

卡方檢驗的幾個計算公式

列聯表分析的適用場景

案例：套餐類型對客戶流失的影響分析

案例：學歷對業務套餐偏好的影響分析

案例：行業/規模對風控的影響分析

5、相關性分析各種方法的適用場景

6、主成份分析（PCA）

因子分析的原理

因子個數如何選擇

如何解讀因子含義

案例：提取影響電信客戶流失的主成分分析

第三部分：回歸預測模型篇

問題：如何預測產品的銷量/銷售金額？如果產品跟隨季節性變動，該如何預測？新產品上市，如果評估銷量上限及銷售增速？

1、常用的數值預測模型

回歸預測

時序預測

2、回歸預測/回歸分析

問題：如何預測未來的銷售量（定量分析）？

回歸分析的基本原理和應用場景

回歸分析的種類（一元/多元、線性/曲線）

得到回歸方程的四種常用方法

Excel函數

散點圖+趨勢線

線性回歸工具

規范求解

線性回歸分析的五個步驟

回歸方程結果的解讀要點

評估回歸模型質量的常用指標

評估預測值的準確度的常用指標

演練：散點圖找推廣費用與銷售額的關系（一元線性回歸）

演練：推廣費用、辦公費用與銷售額的關系（多元線性回歸）

演練：讓你的營銷費用預算更準確

演練：如何選擇最佳的回歸預測模型（曲線回歸）

帶分類變量的回歸預測

演練：汽車季度銷量預測

演練：工齡、性別與終端銷量的關系

演練：如何評估銷售目標與資源配置（營業廳）

3、自動篩選不顯著自變量

第四部分：回歸預測模型優化篇

1、回歸分析的基本原理

三個基本概念：總變差、回歸變差、剩余變差

方程的顯著性檢驗：是否可以做回歸分析？

因素的顯著性檢驗：自變量是否可用？

擬合優度檢驗：回歸模型的質量評估？

理解標準誤差的含義：預測的準確性？

2、回歸模型優化思路：尋找最佳回歸擬合線

如何處理預測離群值（剔除離群值）

如何剔除非顯著因素（剔除不顯著因素）

如何進行非線性關系檢驗（增加非線性自變量）

如何進行相互作用檢驗（增加相互作用自變量）

如何進行多重共線性檢驗（剔除共線性自變量）

如何檢驗誤差項（修改因變量）

如何判斷模型過擬合（模型過擬合判斷）

案例：模型優化案例

3、規劃求解工具簡介

4、自定義回歸模型（如何利用規劃求解進行自定義模型）

案例：如何對餐廳客流量進行建模及模型優化

5、好模型都是優化出來的

第五部分：時序預測模型

問題：無法找到影響因素，無法回歸建模，怎么辦？隨著業務受季節性因素影響，未來的銷量如何預測？

1、時序序列簡介

2、時序分析的原理及應用場景

3、常見時序預測模型

1、評估預測值的準確度指標

平均絕對誤差MAD

均方差MSE/RMSE

平均誤差率MAPE

4、移動平均

應用場景及原理

移動平均種類

一次移動平均

二次移動平均

加權移動平均

移動平均比率法

移動平均關鍵問題

最佳期數N的選擇原則

最優權重系數的選取原則

演練：平板電腦銷量預測及評估

演練：快銷產品季節銷量預測及評估

5、指數平滑

應用場景及原理

最優平滑系數的選取原則

指數平滑種類

一次指數平滑

二次指數平滑（Brown線性、Holt線性、Holt指數、阻尼線性、阻尼指數）

三次指數平滑

演練：煤炭產量預測

演練：航空旅客量預測及評估

6、溫特期季節性預測模型

適用場景及原理

Holt-Winters加法模型

Holt-Winters乘法模型

演練：汽車銷量預測及評估

7、回歸季節預測模型

季節性回歸模型的參數

基于時期t的相加模型

基于時期t的相乘模型

怎樣解讀模型的含義

案例：美國航空旅客里程的季節性趨勢分析

8、新產品預測模型與S曲線

新產品累計銷量的S曲線模型

如何評估銷量增長的上限以及拐點

珀爾曲線與龔鉑茲曲線

案例：如何預測產品的銷售增長拐點，以及銷量上限

演戲：預測IPad產品的銷量

第六部分：分類預測模型

問題：如何評估客戶購買產品的可能性？或者說，影響客戶購買意向的產品關鍵特性是什么？

1、分類預測模型概述

2、常見分類預測模型

3、評估分類模型的常用指標

正確率、查全率/查準率、特異性等

4、邏輯回歸分析模型（LR）

問題：如果評估用戶是否購買產品的概率？

邏輯回歸模型原理及適用場景

邏輯回歸的種類

二項邏輯回歸

多項邏輯回歸

如何解讀邏輯回歸方程

帶分類自變量的邏輯回歸分析

多項邏輯回歸

案例：如何評估用戶是否會購買某產品（二項邏輯回歸）

案例：多品牌選擇模型分析（多項邏輯回歸）

5、決策樹分類（DT）

問題：如何提取客戶流失者、拖欠貨款者的特征？如何預測其流失的概率？

決策樹分類的原理

決策樹的三個關鍵問題

如何選擇最佳屬性來構建節點

如何分裂變量

如何修剪決策樹

選擇最優屬性

熵、基尼索引、分類錯誤

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（最優劃分點）

修剪決策樹

剪枝原則

預剪枝與后剪枝

構建決策樹的四個算法

C5.0、CHAID、CART、QUEST

各種算法的比較

如何選擇最優分類模型？

案例：識別銀行欠貨風險，提取欠貨者的特征

案例：客戶流失預警與客戶挽留模型

6、人工神經網絡（ANN）

神經網絡概述

神經網絡基本原理

神經網絡的結構

神經網絡的建立步驟

神經網絡的關鍵問題

BP反向傳播網絡（MLP）

徑向基網絡（RBF）

案例：評估銀行用戶拖欠貨款的概率

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學生錄取判別分析

案例：上市公司類別評估

8、最近鄰分類（KNN）

基本原理

關鍵問題

9、貝葉斯分類（NBN）

貝葉斯分類原理

計算類別屬性的條件概率

估計連續屬性的條件概率

貝葉斯網絡種類：TAN/馬爾科夫毯

預測分類概率（計算概率）

案例：評估銀行用戶拖欠貨款的概率

第七部分：分類模型優化篇（集成方法）

1、集成方法的基本原理：利用弱分類器構建強分類模型

選取多個數據集，構建多個弱分類器

多個弱分類器投票決定

2、集成方法/元算法的種類

Bagging算法

Boosting算法

3、Bagging原理

如何選擇數據集

如何進行投票

隨機森林

4、Boosting的原理

AdaBoost算法流程

樣本選擇權重計算公式

分類器投票權重計算公式

第八部分：銀行信用評分卡模型

1、信用評分卡模型簡介

2、評分卡的關鍵問題

3、信用評分卡建立過程

篩選重要屬性

數據集轉化

建立分類模型

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

連續屬性最優分段

計算屬性取值的WOE

6、建立分類模型

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K-S曲線

計算K-S值

獲取最優閾值

結束：課程總結與問題答疑。

傅老師

華為系大數據專家

計算機軟件與理論碩士研究生（研究方向：數據挖掘、搜索引擎）。在華為工作十年，五項國家專利，在華為工作期間獲得華為數項獎項，曾在英國、日本、荷蘭和比利時等海外市場做項目，對大數據有深入的研究。

傅老師專注于大數據分析與挖掘、機器學習等應用技術，以及大數據系統部署解決方案。旨在將大數據的數據分析、數據挖掘、數據建模應用于行業及商業領域，解決行業實際的問題。

1、讓決策更科學：將大數據應用于運營決策，用大數據探索領域發展規律和行業發展趨勢，有效分析用戶需求，并預測用戶行為，最終實現市場變化預測，提升企業科學決策能力。

2、讓管理更高效：將大數據應用于企業管理，用大數據呈現企業整體運營情況，診斷企業管理問題和風險，全面理解組織、產品、人員、營銷、財務等要素間的相關性，實現企業資源的最優化配置，提升企業管理效率。

3、讓營銷更精準：將大數據應用于市場營銷，解決營銷中的用戶群細分和品牌定位，客戶價值評估，產品設計優化，產品最優定價等實際問題，實現精準營銷和精準推薦，以最小的營銷成本實現最大化的營銷效果。

傅老師目前致力于將大數據技術應用于通信、金融、航空、電商、互聯網、政府等領域。傅老師的課程最大特色：實戰性強！“圍繞業務問題+搭建分析框架+運用分析方法+建立分析模型+熟悉分析工具+形成業務策略”。以商業問題為起點，基于實際的業務應用場景（明確目的），搭建全面系統的業務框架和分析維度（分析思路），選擇最合適的方法（分析方法），深入淺出的理論講解（分析模型），使用簡單實用的工具操作（分析工具），對分析結果進行有效的解讀（數據可視化），最終形成具體的業務建議，實現業務分析/數據分析的閉環。

應用類：

《大數據分析與數據挖掘綜合能力提升實戰》

《“數”說營銷----大數據營銷實戰與沙盤》

《市場營銷大數據分析實戰培訓》

《大數據建模與模型優化實戰培訓》

《大數據分析與挖掘之SPSS工具入門與提高》

《金融行業風險預測模型實戰培訓》

理論/認知/戰略類：

《大數據產業現狀及應用創新》

《大數據思維與應用創新》

《大數據時代的精準營銷》

技術類：

《Hadoop大數據解決方案開發技術基礎培訓》

《Python開發基礎實戰》

《大數據分析與挖掘之Python開發實戰》

《Python機器學習算法原理及優化實現》

服務客戶:

傅老師曾提供過培訓咨詢服務的客戶遍及通信、金融、交通、制造、政府等行業，包括華為、富士康、平安集團、中國銀行、招商銀行、光大銀行、中信銀行、交通銀行、廣電銀通、西部航空、海南航空、中國移動、中國聯通、中國電信、西部航空、安能物流、廣州地鐵、富維江森、東風日產、神南礦業、公交集團、廣州稅務、良品鋪子等單位和公司。

金融行業培訓客戶：

中國銀行：《大數據變革與商業模式創新》《大數據時代的精準營銷》

廣發銀行：《大數據下的精準營銷實戰》四期

中信銀行：《大數據分析與挖掘綜合能力提升實戰》叁期

交通銀行：《大數據時代的精準營銷》

安信證券：《大數據時代下的金融發展》

平安集團：《大數據思維與應用創新》

平安產險：《大數據分析綜合能力提升》

平安壽險：《大數據分析與應用實戰》

平安銀行：《大數據思維與應用創新》

農業銀行：《Python大數據分析與挖掘》叁期

建設銀行：《大數據思維與應用創新》兩期

光大銀行：《大數據分析與數據挖掘應用實戰》四期

招商銀行：《“數”說營銷----大數據營銷實戰與沙盤》四期

杭州銀貨通科技：《大數據產業發展及應用創新》

廣電銀通：《大數據綜合能力提升》

平安普惠金融：《Hadoop解決方案技術培訓》

浦發銀行：《大數據精準營銷》

金融壹帳通：《大數據分析與挖掘綜合能力提升實戰》

中金所：《大數據思維與應用創新》

……

通信行業培訓客戶：

聯通研究院：《大數據預測建模優化》

廣州電信：《大數據時代的精準營銷》兩期

北京電信：《大數據分析綜合能力提升》

香港電信：《大數據精準營銷實戰》

上海電信：《渠道大數據分析與挖掘思路及方法》兩期

河北電信：《數據化運營下的大數據分析綜合能力提升實戰》

南京電信：《大數據視圖支撐精準化營銷》

佛山電信：《數據挖掘技術及其應用培訓》

泉州電信：《大數據挖掘、信息分析及應用培訓》

湖北聯通：《大數據分析與商業智能》

廣東聯通：《數據分析與數據挖掘實戰培訓》兩期

江蘇聯通：《大數據分析綜合能力提升》

吉林聯通：《大數據分析綜合能力提升-中級》

烏魯木齊聯通：《大數據分析綜合能力提升》

上海移動：《大數據分析與挖掘、建模及優化》叁期

浙江移動：《大數據分析與數據挖掘應用實戰》

江蘇移動：《大數據精準營銷技能提升實戰》

深圳移動：《大數據分析綜合能力提升》

廣西移動：《大數據發展趨勢及在公司營銷領域的應用》

遼寧移動2期：《數據分析方法與經營分析技巧》

泉州移動3期：《數說營銷—市場營銷數據分析與挖掘應用》

德陽移動2期：《大數據挖掘與建模優化實戰培訓》

浙江移動：《大數據產品營銷能力提升》

四川移動：《大數據分析與挖掘綜合能力提升》

吉林移動：《數據分析與數據挖掘培訓》；

貴州移動：《“數”說營銷----大數據營銷實戰與沙盤》

海南移動：《基于大數據運營的用戶行為分析與精準定位》

山東移動：《大數據分析綜合能力提升》

深圳移動：《大數據在行業內外的應用》

中國移動終端公司：《大數據分析綜合能力提升培訓》

中山移動：《“數”說營銷----大數據營銷實戰與沙盤》

東莞移動：《“數”說營銷----大數據營銷實戰與沙盤》

成都移動：《數字化運營下的數據分析與數據挖掘》

眉山移動2期：《大數據分析綜合能力提升》

云浮移動：《大數據挖掘和信息提煉專項培訓》

陽江移動：《小數據·大運營--運營數據的分析與挖掘》

德陽移動：《電信運營商市場營銷數據挖掘應用典型案例》

陜西在線：《“數”說營銷----大數據營銷實戰與沙盤》

四川在線：《“數”說營銷----大數據營銷實戰與沙盤》

大連移動：《“數”說營銷----大數據營銷實戰與沙盤》

內蒙古移動：《大數據分析與Hadoop大數據解決方案》

貴州中移通信：《SPSS數據分析與數據挖掘應用實戰》

華為技術：《話務量預測與排班管理》

……

能源汽車交通行業培訓客戶：

一汽解放錫柴：《大數據思維與應用創新》

廣東郵政：《大數據分析綜合能力提升實戰》

深圳水務：《大數據思維與應用創新》

寧夏國電：《大數據思維與應用》兩期

柳州上汽五菱：《大數據下的精準營銷實戰》

東風商用：《數說營銷實戰》

東風日產：《大數據分析與數據挖掘應用實戰》兩期

富維江森（汽車）：《數字化運營下的數據分析與數據挖掘應用培訓》

廣州地鐵：《大數據分析與數據挖掘培訓》兩期

廣州地鐵：《數據分析與數據建模實戰》兩期

西部航空：《數字化運營下的數據分析與數據挖掘應用培訓》

海南航空：《利用大數據營銷提升航線收益》

南方航空：《大數據精準營銷實戰》兩期

北京機場貴賓公司：《市場營銷數據的分析》

深圳公交集團：《大數據與智慧交通》

延長殼牌：《大數據分析與挖掘綜合能力提升》

神南礦業：《大數據產業發展與應用創新》

寶雞國電：《大數據分析與挖掘》兩期

順豐快遞：《大數據分析綜合能力提升實戰》

……

其它行業培訓客戶：

嶺南集團：《大數據時代下的精準營銷》

ABB：《大數據分析實戰培訓》

頂新國際：《大數據思維與應用創新》

索菲亞：《大數據分析實戰培訓》

玫琳凱：《大數據思維與應用》叁期

西部數據：《大數據分析綜合能力提升》

無限極：《大數據分析綜合能力提升》兩期

雅圖仕：《大數據分析綜合能力提升》

施耐德：《大數據分析綜合能力提升》叁期

廣州稅務：《大數據分析與挖掘實戰》叁期

YKK吉田拉鏈：《大數據分析綜合能力提升培訓》

富士康：《數據分析綜合能力提升培訓》

貴州中煙：《互聯網+時代的大數據思維》

深圳欣盛商：《電商大數據分析》

安能物流：《大數據挖掘分析及應用實戰》

良品鋪子：《大數據分析綜合能力提升》兩期

新時代集團：《問題的挖掘、分析—數據分析技巧》兩期培訓

挑戰牧業：《大數據分析綜合能力提升》

易鑫集團：《大數據分析綜合能力提升》

贛州監獄：《大數據時代的營銷》共三期培訓

賀州學院：《大數據時代的人才培養》

……

【學員評價】

傅老師是我目前聽過的很少忽悠而多干貨的老師，能夠將理論講得深入淺出，將案例講深講透，將實戰講得易理解易操作。在課堂中，他能把枯燥的數據說得有生命，在課堂上，他能對學員關注和付出。我不是對數據很喜歡的人，但仍然在課堂中能夠感覺到數據的生命力。五天的課讓我進入到數據構成的多彩、多維的世界，值得！

——學員分享

某金融行業---《大數據變革與商業模式創新》

傅老師運用全面翔實的案例和不拘一格的語言，全方位剖析大數據發展以來在工具、思維和文化上帶來的變革，生動闡述數據分析過程六部曲、數據戰略七大思維等經典概述，立體呈現大數據時代企業所面臨的機遇與挑戰。結合當前關注焦點和時代熱點話題，傅老師現場分享了第一代傳統營銷、第二代互聯網營銷、第三代大數據營銷的進階升級和精準營銷實戰應用。在為學員呈現一場思維見識領域盛宴的同時，傅老師還與學員進行了積極互動和現場答疑，在相互交流中啟迪智慧、開拓思維，在思想碰撞中點燃大數據時代下的創新引擎，為全行在未來發展中進一步把握經濟大勢、開展前瞻預判、實施精準決策提供了重要思想指引。

吉林某企業——《數據分析與數據挖掘應用培訓》 學員：張經理

五天的培訓，讓我對數據分析與數據挖掘有了進一步的了解，也學到了技術。以前參加過培訓，兩天的培訓我都覺得有時很難，而這次連續五天的培訓，我聽課過程當中既然感覺到時間過得很快。

貴州某運營商——《“數”說營銷----大數據營銷實戰》 學員：劉經理

傅老師的課程，開拓了我營銷的思維，大數據營銷，重在利用數據為營銷服務。用戶細分、用戶特征提取、營銷費用預算、客戶流失預警，原來可以這樣利用大數據，以后不再需要“拍腦袋”了,呵呵。

遼寧某運營商——《數據分析與經營分析實戰培訓》學員：于經理

傅老師的課程全程高能，信息量巨大，我們已經建議公司安排后續高級課程，期待再次學習，點贊！

我要預訂

咨詢電話：027-5111 9925 , 027-5111 9926手機：18971071887郵箱：Service@mingketang.com