《大数据分析与挖掘综合能力提升实战（高阶）》

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，对数据预测建模的过程进行了全面的介绍（从模型选择，到特征选择，再到训练模型，评估模型，以及优化模型和模型解读），通过大量的操作演练，帮助学员掌握数据建模的思路、方法、技巧，以提升学员的数据建模的能力，支撑运营决策的目的。
通过本课程的学习，达到如下目的：
1、熟悉数据挖掘的标准过程，熟悉每个步骤的具体操作。
2、掌握数据预处理的任务，熟练使用SPSS工具完成预处理。
3、熟练掌握常用的业务专题分析模型：
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新产品销量预测
d)熟悉产品定价策略，寻找产品最优定价
e)熟悉精准推荐策略，学会精准推荐产品
f)掌握信用评分卡的模型构建

【授课时间】2-3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：数据挖掘流程—挖掘步骤篇
1、数据挖掘概述
2、数据挖掘的标准流程（CRISP-DM）
商业理解
数据准备
数据理解
模型建立
模型评估
模型应用
案例：客户流失预测及客户挽留
3、数据集概述
4、SPSS工具介绍
5、数据挖掘常用模型

第二部分：数据挖掘流程—数据预处理
如何整理数据，了解数据，对数据进行预处理？
1、数据预处理的四大任务
数据集成：多个数据集合并
数据清洗：异常值的处理
样本处理：样本筛选、样本抽样、样本平衡
变量处理：变量变换、变量派生、变量精简
2、数据集成（数据集合并）
样本追加（添加数据行）：横向合并
变量合并（添加变量列）：纵向合并
3、数据清洗（异常数据处理）
取值范围限定
重复值处理
无效值/错误值处理
缺失值处理
离群值/极端值处理
数据质量评估
4、样本处理：行处理
样本筛选：指定条件筛选指定样本集（减少样本数量）
样本抽样：随机抽取部分样本集（减少样本数量）
样本平衡：正反样本比例均衡
5、变量处理：列处理
变量变换：原变量取值更新，比如标准化
变量派生：根据旧变量生成新的变量
变量精简：变量删除/降维，减少变量个数
类型转换：数据类型的相互转换
6、变量精简/变量降维常用方法
常用降维方法
如何确定降维后变量个数
特征选择：选择重要变量，剔除不重要变量
基于变量本身特征来选择属性
基于数据间的相关性来选择属性
利用IV值筛选
基于信息增益来选择属性
因子合并：将多个变量进行合并
PCA主成分分析
判别分析
7、类型转换
8、因子合并/主成分分析
因子分析的原因
因子个数选择原则
如何解读因子含义
案例：提取影响电信客户流失的主成分分析
9、数据探索性分析
演练：描述性分析（频数、描述、探索、分类汇总）
10、数据可视化
演练：各种图形绘制

第三部分：市场细分模型—聚类模型篇
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
有指导细分
无指导细分
2、聚类分析
如何更好的了解客户群体和市场细分？
如何识别客户群体特征？
如何确定客户要分成多少适当的类别？
聚类方法原理介绍
聚类方法作用及其适用场景
聚类分析的种类
K均值聚类
层次聚类
两步聚类
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：如何自动评选优秀员工？
演练：中国各省份发达程度分析，让数据自动聚类
层次聚类（系统聚类）：发现多个类别
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）
两步聚类
3、客户细分与PCA分析法
PCA主成分分析的原理
PCA分析法的适用场景
演练：利用PCA对汽车客户群进行细分
演练：如何针对汽车客户群设计汽车

第四部分：客户价值评估—RFM模型篇
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
贴现率与留存率
评估客户的真实价值
使用双向表衡量属性敏感度
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）
RFM模型，更深入了解你的客户价值
RFM模型与市场策略
RFM模型与活跃度分析
演练：“双11”淘宝商家如何选择价值客户进行促销
演练：结合响应模型，宜家IKE实现最大化营销利润
案例：重购用户特征分析

第五部分：产品设计优化—随机效用理论
1、产品专题分析主要任务
产品设计分析
市场占有分析
累计销量分析
定价策略分析
2、产品设计优化（联合分析法）
问题：如何设计最优的功能特征？
评估功能特征的重要性
评估功能特征的价值
案例：产品开发与设计分析
3、产品评估模型（随机效用理论）
属性重要性评估
市场占有率评估
产品价格弹性评估
评估产品的品牌价值
动态调价（纳会均衡价格）
案例：品牌价值与价格敏感度分析
案例：纳什均衡价格

第六部分：产品定价策略—最优定价篇
营销问题：产品如何实现最优定价？套餐价格如何确定？采用哪种定价策略可达到利润最大化？
1、常见的定价方法
2、产品定价的理论依据
需求曲线与利润最大化
如何求解最优定价
案例：产品最优定价求解
3、如何评估需求曲线
价格弹性
曲线方程（线性、乘幂）
4、如何做产品组合定价
5、如何做产品捆绑/套餐定价
最大收益定价（演进规划求解）
避免价格反转的套餐定价
案例：电信公司的宽带、IPTV、移动电话套餐定价
6、非线性定价原理
要理解支付意愿曲线
支付意愿曲线与需求曲线的异同
案例：双重收费如何定价（如会费+按次计费）
7、阶梯定价策略
案例：电力公司如何做阶梯定价
8、数量折扣定价策略
案例：如何通过折扣来实现薄利多销
9、定价策略的评估与选择
案例：零售公司如何选择最优定价策略
10、航空公司的收益管理
收益管理介绍
如何确定机票预订限制
如何确定机票超售数量
如何评估模型的收益
案例：FBN航空公司如何实现收益管理（预订/超售）

第七部分：产品推荐算法—推荐模型篇
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、从搜索引擎到推荐引擎
2、常用产品推荐模型及算法
3、基于流行度的推荐
基于排行榜的推荐，适用于刚注册的用户
优化思路：分群推荐
4、基于内容的推荐CBR
关键问题：如何计算物品的相似度
优缺点
优化：Rocchio算法、基于标签的推荐、基于兴趣度的推荐
5、基于用户的推荐
关键问题：如何对用户分类/计算用户的相似度
算法：按属性分类、RFM模型、PCA、聚类、按偏好分类、按地理位置
6、协同过滤的推荐
基于用户的协同过滤
基于物品的协同过滤
冷启动的问题
案例：计算用户相似度、计算物品相似度
7、基于关联分析的推荐
如何制定套餐，实现交叉/捆绑销售
案例：啤酒与尿布、飓风与蛋挞
关联分析模型原理（Association）
关联规则的两个关键参数
支持度
置信度
关联分析的适用场景
案例：购物篮分析与产品捆绑销售/布局优化
案例：通信产品的交叉销售与产品推荐
8、基于分类模型的推荐
9、其它推荐算法
LFM基于隐语义模型
按社交关系
基于时间上下文
10、多推荐引擎的协同工作

第八部分：银行信用评估—信用评分卡模型
1、信用评分卡模型简介
2、评分卡的关键问题
3、信用评分卡建立过程
筛选重要属性
数据集转化
建立分类模型
计算属性分值
确定审批阈值
4、筛选重要属性
属性分段
基本概念：WOE、IV
属性重要性评估
5、数据集转化
连续属性最优分段
计算属性取值的WOE
6、建立分类模型
训练逻辑回归模型
评估模型
得到字段系数
7、计算属性分值
计算补偿与刻度值
计算各字段得分
生成评分卡
8、确定审批阈值
画K-S曲线
计算K-S值
获取最优阈值
案例：构建银行小额贷款的用户信用模型

结束：课程总结与问题答疑。