1.點(diǎn)擊下面按鈕復(fù)制微信號(hào)
點(diǎn)擊復(fù)制微信號(hào)
上海威才企業(yè)管理咨詢(xún)有限公司
微信咨詢(xún)&報(bào)名
本課程為高階課程，面向所有業(yè)務(wù)支撐部門(mén)及數(shù)據(jù)分析部門(mén)。
本課程具體內(nèi)容包括：
1、 數(shù)據(jù)挖掘流程，數(shù)據(jù)預(yù)處理
2、 用戶(hù)專(zhuān)題分析：用戶(hù)群劃分/客戶(hù)價(jià)值評(píng)估/客戶(hù)偏好分析/用戶(hù)行為預(yù)測(cè)
3、 產(chǎn)品專(zhuān)題分析：產(chǎn)品設(shè)計(jì)優(yōu)化、產(chǎn)品功能評(píng)估、產(chǎn)品最優(yōu)定價(jià)策略
4、 精準(zhǔn)推薦算法：協(xié)同過(guò)濾、關(guān)聯(lián)分析、基于內(nèi)容/用戶(hù)的推薦(CBR/UBR)
5、 金融風(fēng)險(xiǎn)評(píng)估：信用評(píng)分卡模型、風(fēng)險(xiǎn)預(yù)測(cè)模型
本系列課程從實(shí)際的業(yè)務(wù)需求出發(fā)，結(jié)合行業(yè)的典型應(yīng)用特點(diǎn)，圍繞實(shí)際的商業(yè)問(wèn)題，對(duì)數(shù)據(jù)預(yù)測(cè)建模的過(guò)程進(jìn)行了全面的介紹（從模型選擇，到特征選擇，再到訓(xùn)練模型，評(píng)估模型，以及優(yōu)化模型和模型解讀），通過(guò)大量的操作演練，幫助學(xué)員掌握數(shù)據(jù)建模的思路、方法、技巧，以提升學(xué)員的數(shù)據(jù)建模的能力，支撐運(yùn)營(yíng)決策的目的。 通過(guò)本課程的學(xué)習(xí)，達(dá)到如下目的： 1、 熟悉數(shù)據(jù)挖掘的標(biāo)準(zhǔn)過(guò)程，熟悉每個(gè)步驟的具體操作。 2、 掌握數(shù)據(jù)預(yù)處理的任務(wù)，熟練使用SPSS工具完成預(yù)處理。 3、 熟練掌握常用的業(yè)務(wù)專(zhuān)題分析模型： a) 學(xué)會(huì)做市場(chǎng)客戶(hù)細(xì)分，劃分客戶(hù)群 b) 學(xué)會(huì)實(shí)現(xiàn)客戶(hù)價(jià)值評(píng)估 c) 學(xué)會(huì)產(chǎn)品功能設(shè)計(jì)與新產(chǎn)品銷(xiāo)量預(yù)測(cè) d) 熟悉產(chǎn)品定價(jià)策略，尋找產(chǎn)品最優(yōu)定價(jià) e) 熟悉精準(zhǔn)推薦策略，學(xué)會(huì)精準(zhǔn)推薦產(chǎn)品 f) 掌握信用評(píng)分卡的模型構(gòu)建 【學(xué)員要求】 1、 每個(gè)學(xué)員自備一臺(tái)便攜機(jī)(必須)。 2、 便攜機(jī)中事先安裝好Microsoft Office Excel 2013版本及以上。 3、 便攜機(jī)中事先安裝好IBM SPSS Statistics v24版本及以上。 注：講師可以提供試用版本軟件及分析數(shù)據(jù)源。 【授課方式】 數(shù)據(jù)分析基礎(chǔ) + 方法講解 + 實(shí)際業(yè)務(wù)問(wèn)題分析 + 工具實(shí)踐操作 采用互動(dòng)式教學(xué)，圍繞業(yè)務(wù)問(wèn)題，展開(kāi)數(shù)據(jù)分析過(guò)程，全過(guò)程演練操作，讓學(xué)員在分析、分享、講授、總結(jié)、自我實(shí)踐過(guò)程中獲得能力提升。
課程收益 PROGRAM BENEFITS
1、 數(shù)據(jù)挖掘概述
2、 數(shù)據(jù)挖掘的標(biāo)準(zhǔn)流程（CRISP-DM）
‐ 商業(yè)理解
‐ 數(shù)據(jù)準(zhǔn)備
‐ 數(shù)據(jù)理解
‐ 模型建立
‐ 模型評(píng)估
‐ 模型應(yīng)用
案例：客戶(hù)流失預(yù)測(cè)及客戶(hù)挽留
3、 數(shù)據(jù)集概述
4、 SPSS工具介紹
5、 數(shù)據(jù)挖掘常用模型
如何整理數(shù)據(jù)，了解數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理？
1、數(shù)據(jù)預(yù)處理的四大任務(wù)
‐ 數(shù)據(jù)集成：多個(gè)數(shù)據(jù)集合并
‐ 數(shù)據(jù)清洗：異常值的處理
‐ 樣本處理：樣本篩選、樣本抽樣、樣本平衡
‐ 變量處理：變量變換、變量派生、變量精簡(jiǎn)
2、數(shù)據(jù)集成（數(shù)據(jù)集合并）
‐ 樣本追加（添加數(shù)據(jù)行）：橫向合并
‐ 變量合并（添加變量列）：縱向合并
3、數(shù)據(jù)清洗（異常數(shù)據(jù)處理）
‐ 取值范圍限定
‐ 重復(fù)值處理
‐ 無(wú)效值/錯(cuò)誤值處理
‐ 缺失值處理
‐ 離群值/極端值處理
‐ 數(shù)據(jù)質(zhì)量評(píng)估
4、樣本處理：行處理
‐ 樣本篩選：指定條件篩選指定樣本集（減少樣本數(shù)量）
‐ 樣本抽樣：隨機(jī)抽取部分樣本集（減少樣本數(shù)量）
‐ 樣本平衡：正反樣本比例均衡
5、變量處理：列處理
‐ 變量變換：原變量取值更新，比如標(biāo)準(zhǔn)化
‐ 變量派生：根據(jù)舊變量生成新的變量
‐ 變量精簡(jiǎn)：變量刪除/降維，減少變量個(gè)數(shù)
‐ 類(lèi)型轉(zhuǎn)換：數(shù)據(jù)類(lèi)型的相互轉(zhuǎn)換
6、變量精簡(jiǎn)/變量降維常用方法
‐ 常用降維方法
‐ 如何確定降維后變量個(gè)數(shù)
‐ 特征選擇：選擇重要變量，剔除不重要變量
◢ 基于變量本身特征來(lái)選擇屬性
◢ 基于數(shù)據(jù)間的相關(guān)性來(lái)選擇屬性
◢ 利用IV值篩選
◢ 基于信息增益來(lái)選擇屬性
‐ 因子合并：將多個(gè)變量進(jìn)行合并
◢ PCA主成分分析
◢ 判別分析
7、類(lèi)型轉(zhuǎn)換
8、因子合并/主成分分析
‐ 因子分析的原因
‐ 因子個(gè)數(shù)選擇原則
‐ 如何解讀因子含義
案例：提取影響電信客戶(hù)流失的主成分分析
9、數(shù)據(jù)探索性分析
演練：描述性分析（頻數(shù)、描述、探索、分類(lèi)匯總）
10、 數(shù)據(jù)可視化
演練：各種圖形繪制
問(wèn)題：我們的客戶(hù)有幾類(lèi)？各類(lèi)特征是什么？如何實(shí)現(xiàn)客戶(hù)細(xì)分，開(kāi)發(fā)符合細(xì)分市場(chǎng)的新產(chǎn)品？如何提取客戶(hù)特征，從而對(duì)產(chǎn)品進(jìn)行市場(chǎng)定位？
1、 市場(chǎng)細(xì)分的常用方法
‐ 有指導(dǎo)細(xì)分
‐ 無(wú)指導(dǎo)細(xì)分
2、 聚類(lèi)分析
‐ 如何更好的了解客戶(hù)群體和市場(chǎng)細(xì)分？
‐ 如何識(shí)別客戶(hù)群體特征？
‐ 如何確定客戶(hù)要分成多少適當(dāng)?shù)念?lèi)別？
‐ 聚類(lèi)方法原理介紹
‐ 聚類(lèi)方法作用及其適用場(chǎng)景
‐ 聚類(lèi)分析的種類(lèi)
◢ K均值聚類(lèi)
◢ 層次聚類(lèi)
◢ 兩步聚類(lèi)
‐ K均值聚類(lèi)（快速聚類(lèi)）
案例：移動(dòng)三大品牌細(xì)分市場(chǎng)合適嗎？
演練：寶潔公司如何選擇新產(chǎn)品試銷(xiāo)區(qū)域？
演練：如何自動(dòng)評(píng)選優(yōu)秀員工？
演練：中國(guó)各省份發(fā)達(dá)程度分析，讓數(shù)據(jù)自動(dòng)聚類(lèi)
‐ 層次聚類(lèi)（系統(tǒng)聚類(lèi)）：發(fā)現(xiàn)多個(gè)類(lèi)別
‐ R型聚類(lèi)與Q型聚類(lèi)的區(qū)別
案例：中移動(dòng)如何實(shí)現(xiàn)客戶(hù)細(xì)分及營(yíng)銷(xiāo)策略
演練：中國(guó)省市經(jīng)濟(jì)發(fā)展情況分析（Q型聚類(lèi)）
演練：裁判評(píng)分的標(biāo)準(zhǔn)衡量，避免“黑哨”（R型聚類(lèi)）
‐ 兩步聚類(lèi)
3、 客戶(hù)細(xì)分與PCA分析法
‐ PCA主成分分析的原理
‐ PCA分析法的適用場(chǎng)景
演練：利用PCA對(duì)汽車(chē)客戶(hù)群進(jìn)行細(xì)分
演練：如何針對(duì)汽車(chē)客戶(hù)群設(shè)計(jì)汽車(chē)
營(yíng)銷(xiāo)問(wèn)題：如何評(píng)估客戶(hù)的價(jià)值？不同的價(jià)值客戶(hù)有何區(qū)別對(duì)待？
1、 如何評(píng)價(jià)客戶(hù)生命周期的價(jià)值
‐ 貼現(xiàn)率與留存率
‐ 評(píng)估客戶(hù)的真實(shí)價(jià)值
‐ 使用雙向表衡量屬性敏感度
‐ 變化的邊際利潤(rùn)
案例：評(píng)估營(yíng)銷(xiāo)行為的合理性
2、 RFM模型（客戶(hù)價(jià)值評(píng)估）
‐ RFM模型，更深入了解你的客戶(hù)價(jià)值
‐ RFM模型與市場(chǎng)策略
‐ RFM模型與活躍度分析
演練：“雙11”淘寶商家如何選擇價(jià)值客戶(hù)進(jìn)行促銷(xiāo)
演練：結(jié)合響應(yīng)模型，宜家IKE實(shí)現(xiàn)最大化營(yíng)銷(xiāo)利潤(rùn)
案例：重購(gòu)用戶(hù)特征分析
1、 產(chǎn)品專(zhuān)題分析主要任務(wù)
‐ 產(chǎn)品設(shè)計(jì)分析
‐ 市場(chǎng)占有分析
‐ 累計(jì)銷(xiāo)量分析
‐ 定價(jià)策略分析
2、 產(chǎn)品設(shè)計(jì)優(yōu)化（聯(lián)合分析法）
問(wèn)題：如何設(shè)計(jì)最優(yōu)的功能特征？
‐ 評(píng)估功能特征的重要性
‐ 評(píng)估功能特征的價(jià)值
案例：產(chǎn)品開(kāi)發(fā)與設(shè)計(jì)分析
3、 產(chǎn)品評(píng)估模型（隨機(jī)效用理論）
‐ 屬性重要性評(píng)估
‐ 市場(chǎng)占有率評(píng)估
‐ 產(chǎn)品價(jià)格彈性評(píng)估
‐ 評(píng)估產(chǎn)品的品牌價(jià)值
‐ 動(dòng)態(tài)調(diào)價(jià)（納會(huì)均衡價(jià)格）
案例：品牌價(jià)值與價(jià)格敏感度分析
案例：納什均衡價(jià)格
營(yíng)銷(xiāo)問(wèn)題：產(chǎn)品如何實(shí)現(xiàn)最優(yōu)定價(jià)？套餐價(jià)格如何確定？采用哪種定價(jià)策略可達(dá)到利潤(rùn)最大化？
1、 常見(jiàn)的定價(jià)方法
2、 產(chǎn)品定價(jià)的理論依據(jù)
‐ 需求曲線與利潤(rùn)最大化
‐ 如何求解最優(yōu)定價(jià)
案例：產(chǎn)品最優(yōu)定價(jià)求解
3、 如何評(píng)估需求曲線
‐ 價(jià)格彈性
‐ 曲線方程（線性、乘冪）
4、 如何做產(chǎn)品組合定價(jià)
5、 如何做產(chǎn)品捆綁/套餐定價(jià)
‐ 最大收益定價(jià)（演進(jìn)規(guī)劃求解）
‐ 避免價(jià)格反轉(zhuǎn)的套餐定價(jià)
案例：電信公司的寬帶、IPTV、移動(dòng)電話套餐定價(jià)
6、 非線性定價(jià)原理
‐ 要理解支付意愿曲線
‐ 支付意愿曲線與需求曲線的異同
案例：雙重收費(fèi)如何定價(jià)（如會(huì)費(fèi)+按次計(jì)費(fèi)）
7、 階梯定價(jià)策略
案例：電力公司如何做階梯定價(jià)
8、 數(shù)量折扣定價(jià)策略
案例：如何通過(guò)折扣來(lái)實(shí)現(xiàn)薄利多銷(xiāo)
9、 定價(jià)策略的評(píng)估與選擇
案例：零售公司如何選擇最優(yōu)定價(jià)策略
10、 航空公司的收益管理
‐ 收益管理介紹
‐ 如何確定機(jī)票預(yù)訂限制
‐ 如何確定機(jī)票超售數(shù)量
‐ 如何評(píng)估模型的收益
案例：FBN航空公司如何實(shí)現(xiàn)收益管理（預(yù)訂/超售）
問(wèn)題：購(gòu)買(mǎi)A產(chǎn)品的顧客還常常要購(gòu)買(mǎi)其他什么產(chǎn)品？應(yīng)該給客戶(hù)推薦什么產(chǎn)品最有可能被接受？
1、 從搜索引擎到推薦引擎
2、 常用產(chǎn)品推薦模型及算法
3、 基于流行度的推薦
‐ 基于排行榜的推薦，適用于剛注冊(cè)的用戶(hù)
‐ 優(yōu)化思路：分群推薦
4、 基于內(nèi)容的推薦CBR
‐ 關(guān)鍵問(wèn)題：如何計(jì)算物品的相似度
‐ 優(yōu)缺點(diǎn)
‐ 優(yōu)化：Rocchio算法、基于標(biāo)簽的推薦、基于興趣度的推薦
5、 基于用戶(hù)的推薦
‐ 關(guān)鍵問(wèn)題：如何對(duì)用戶(hù)分類(lèi)/計(jì)算用戶(hù)的相似度
‐ 算法：按屬性分類(lèi)、RFM模型、PCA、聚類(lèi)、按偏好分類(lèi)、按地理位置
6、 協(xié)同過(guò)濾的推薦
‐ 基于用戶(hù)的協(xié)同過(guò)濾
‐ 基于物品的協(xié)同過(guò)濾
‐ 冷啟動(dòng)的問(wèn)題
案例：計(jì)算用戶(hù)相似度、計(jì)算物品相似度
7、 基于關(guān)聯(lián)分析的推薦
‐ 如何制定套餐，實(shí)現(xiàn)交叉/捆綁銷(xiāo)售
案例：啤酒與尿布、颶風(fēng)與蛋撻
‐ 關(guān)聯(lián)分析模型原理（Association）
‐ 關(guān)聯(lián)規(guī)則的兩個(gè)關(guān)鍵參數(shù)
◢ 置信度
‐ 關(guān)聯(lián)分析的適用場(chǎng)景
案例：購(gòu)物籃分析與產(chǎn)品捆綁銷(xiāo)售/布局優(yōu)化
案例：通信產(chǎn)品的交叉銷(xiāo)售與產(chǎn)品推薦
8、 基于分類(lèi)模型的推薦
9、 其它推薦算法
‐ LFM基于隱語(yǔ)義模型
‐ 按社交關(guān)系
‐ 基于時(shí)間上下文
10、 多推薦引擎的協(xié)同工作
1、 信用評(píng)分卡模型簡(jiǎn)介
2、 評(píng)分卡的關(guān)鍵問(wèn)題
3、 信用評(píng)分卡建立過(guò)程
‐ 篩選重要屬性
‐ 數(shù)據(jù)集轉(zhuǎn)化
‐ 建立分類(lèi)模型
‐ 計(jì)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(píng)估
5、 數(shù)據(jù)集轉(zhuǎn)化
‐ 連續(xù)屬性最優(yōu)分段
‐ 計(jì)算屬性取值的WOE
6、 建立分類(lèi)模型
‐ 訓(xùn)練邏輯回歸模型
‐ 評(píng)估模型
‐ 得到字段系數(shù)
7、 計(jì)算屬性分值
‐ 計(jì)算補(bǔ)償與刻度值
‐ 計(jì)算各字段得分
‐ 生成評(píng)分卡
8、 確定審批閾值
‐ 畫(huà)K-S曲線
‐ 計(jì)算K-S值
‐ 獲取最優(yōu)閾值
案例：構(gòu)建銀行小額貸款的用戶(hù)信用模型
結(jié)束：課程總結(jié)與問(wèn)題答疑。
聯(lián)系電話：4006-900-901
微信咨詢(xún)：威才客服
企業(yè)郵箱：shwczx@shwczx.com
深耕中國(guó)制造業(yè)
助力企業(yè)轉(zhuǎn)型
2021年度咨詢(xún)客戶(hù)數(shù)
資深實(shí)戰(zhàn)導(dǎo)師
客戶(hù)滿(mǎn)意度
續(xù)單和轉(zhuǎn)介紹
咨詢(xún)熱線
星期一至星期五 8:00~20:30 (添加微信注明來(lái)意）