【课程目标】
本数据分析与挖掘系列课程包括三个等级的课程：
1、 基础课程，专注于经营数据的统计与数据分析，适合于一般业务部门要求的数据统计与分析，内容系统且全面，由浅入深，使用工具为Excel 2010版本以上。
2、 中级课程，专注于行业数据分析与数据挖掘，适合于数据分析部、业务支撑部等对数据分析与挖掘要求较高的部门，使用专业数据分析与挖掘工具SPSS v19版本以上。
3、 高级课程，专注于较深入的数据挖掘技术，包括挖掘模型原理介绍，数据建模，挖掘算法，适合于大数据系统开发及数据分析专业人士，需要有一定的数学基础（统计与概率），使用数据流挖掘工具Modeler 14.1版本以上。
本课程为高级课程，面向数据分析部等专门负责数据分析与挖掘的人士。
本课程培训覆盖以下内容：
1、数据挖掘标准流程。
2、数据挖掘探索性分析。
3、数据挖掘模型原理。
本课程从实际的电信运营商的业务需求出发，对数据分析及数据挖掘技术进行了全面的介绍，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、工具，从大量的企业经营数据中进行分析，发现业务运作规律，进行客户洞察，挖掘客户行为特点，消费行为，实现精准营销，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、 掌握数据挖掘的基本过程和步骤。
2、 掌握数据挖掘的预处理方法，探索数据间的相关性，为建模打下基础。
3、 理解数据挖掘的常见模型，原理及适用场景。
4、 熟练掌握Modeler基本操作，能利用Modeler进行数据挖掘。
【授课时间】
2天时间
【授课对象】
业务支撑、网络中心、IT系统部、数据分析部等对业务数据分析有较高要求的相关专业人员。
【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SPSS modeler v14.1版本以上软件。
注：讲师可以提供试用版本软件及分析数据源。
【授课方式】
基础知识精讲 + 案例演练 + 实际业务问题分析 + SPSS实际操作
本课程突出数据挖掘的实际应用，结合行业的典型应用特点，从实际问题入手，引出相关知识，进行大数据的收集与处理；探索数据之间的规律及关联性，帮助学员掌握系统的数据预处理方法；介绍常用的模型，训练模型，并优化模型，以达到最优分析结果。
【课程大纲】
IBM SPPS Modeler是一个数据流处理工具，适用于数据探索与数据挖掘，包括数据预处理、数据探索、数据可视化、数据建模、数据模型优化。
第一部分：数据挖掘基础知识（基础，决定你的高度）
1、 数据挖掘工具简介
Ø EXCEL规划求解（数据建模工具）
Ø SAS统计分析系统
Ø SPSS统计产品与服务解决方案
2、 数据挖掘概述
案例：宜家IKE如何通过数据挖掘来降低营销成本提升利润？
3、 数据挖掘的标准流程（CRISP-DM）
Ø 商业理解
Ø 数据准备
Ø 数据理解
Ø 模型建立
Ø 模型评估
Ø 模型应用
案例：通信客户流失分析及预警模型
4、 数据建模示例
案例：客户匹配度建模—找到你的准客户
第二部分：数据理解与数据准备（Modeler实操）
1、 数据挖掘处理的一般过程
Ø 数据源数据理解数据准备探索分析数据建模模型评估
2、 数据读入
Ø 读入文本文件
Ø 读入Excel电子表格
Ø 读入SPSS格式文件
Ø 读入数据库数据
3、 数据集成
Ø 变量合并（增加变量）
Ø 数据追加（添加记录）
4、 数据理解
Ø 取值范围限定
Ø 重复数据处理
Ø 缺失值处理
Ø 无效值处理
Ø 离群点和极端值的修正
Ø 数据质量评估
5、 数据准备：数据处理
Ø 数据筛选：数据抽样/选择（减少样本数量）
Ø 数据精简：数据分段/离散化（减少变量的取值）
Ø 数据平衡：正反样本比例均衡
Ø 其它：排序、分类汇总
6、 数据准备：变量处理
Ø 变量变换：原变量值更新
Ø 变量派生：生成新的变量
Ø 变量精简：降维，减少变量个数
7、 基本分析
Ø 单变量：数据基本描述分析
Ø 双变量：相关性分析
Ø 变量精简：特征选择、因子分析
8、 特征选择
Ø 特征选择方法：选择重要变量，剔除不重要的变量
Ø 从变量本身考虑
Ø 从输入变量与目标变量的相关性考虑
9、 因子分析（主成分分析）
Ø 因子分析的原理
Ø 因子个数如何选择
Ø 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
第三部分：因素影响分析（特征重要性分析）
问题：如何判断一个因素对另一个因素有影响？
比如营销费用是否会影响销售额？产品价格是否会影响销量？产品的陈列位置是否会影响销量？
1、 常用特征重要性分析的方法
Ø 特征选择（减少变量个数）：相关分析、方差分析、卡方检验
Ø 因子分析（减少变量个数）：主成分分析
Ø 确定变量个数参考表
2、 相关分析（数值+数值，相关程度计算）
问题：这两个属性是否会相互影响？影响程度大吗？
Ø 相关分析概述
Ø 相关系数计算公式
Ø 相关性假设检验
案例：通信基本费用与开通月数的相关分析
3、 方差分析（分类+数值，影响因素分析）
问题：哪些才是影响销量的关键因素？
Ø 方差分析原理
Ø 方差分析的步骤
Ø 方差分析适用场景
案例：开通月数对客户流失的影响分析
4、 列联分析（分类+分类，影响因素分析）
Ø 列联表的原理
Ø 卡方检验的步骤
Ø 列联表分析的适用场景
案例：套餐类型对对客户流失的影响分析
第四部分：分类预测模型分析
1、 分类概述
Ø 分类的基本过程
Ø 常见分类预测模型
2、 逻辑回归分析模型
问题：如果评估用户是否购买产品的概率？
Ø 逻辑回归分析
Ø 逻辑回归的原理
案例：客户购买预测分析（二元逻辑回归）
3、 决策树分类
问题：如何提取客户流失者、拖欠货款者的特征？如何预测其流失的概率？
Ø 决策树分类的原理
Ø 决策树的三个关键问题
Ø 决策树算法
Ø 如何评估分类模型的性能（查准率、查全率）
案例：识别银行欠货风险，提取欠货者的特征
案例：客户流失预警与客户挽留模型
4、 神经网络
Ø 神经网络概述
Ø 神经元工作原理
Ø 神经网络的建立步骤
Ø B-P反向传播网络（MLP）
Ø 径向基函数网络（RBF）
5、 支持向量机
Ø SVM基本原理
Ø 维灾难与核函数
6、 朴素贝叶斯分类
Ø 条件概率
Ø 朴素贝叶斯
Ø TAN贝叶斯网络
Ø 马尔科夫毯网络
第五部分：市场细分与客户细分
1、 客户细分常用方法
2、 聚类分析（Clustering）
问题：如何对市场进行细分？如何提取客户特征，从而对产品进行市场定位？
Ø 聚类方法原理介绍
Ø 聚类方法适用场景
Ø 如何细分客户群，并提取出客户群的特征？
Ø K均值聚类（快速聚类）
Ø 两步聚类
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？
3、 RFM模型分析
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
案例：淘宝客户价值评估与促销名单
第六部分：其他市场营销分析方法
1、 关联分析（Association）
问题：购买面包的人是否也会购买牛奶？他们同时购买哪些产品？
Ø 关联规则原理介绍
Ø 关联规则适用场景：交叉销售、捆绑营销、产品布局
案例：超市商品交叉销售与布局优化（关联分析）
结束：课程总结与问题答疑。
李真顺
贺克斌
梅生伟
周远祥
赵华林
曾毓群
朱共山
王国玮
毛宗强