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)管理咨詢有限公司
微信咨詢&報(bào)名
本課程從實(shí)際的市場(chǎng)營(yíng)銷問題出發(fā)，構(gòu)建數(shù)據(jù)分析與數(shù)據(jù)挖掘模型，以解決實(shí)際的商業(yè)問題。并對(duì)大數(shù)據(jù)分析與挖掘技術(shù)進(jìn)行了全面的介紹，通過從大量的市場(chǎng)營(yíng)銷數(shù)據(jù)中分析潛在的客戶特征，挖掘客戶行為特點(diǎn)，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷，幫助市場(chǎng)營(yíng)銷團(tuán)隊(duì)深入理解業(yè)務(wù)運(yùn)作，支持業(yè)務(wù)策略制定以及運(yùn)營(yíng)決策。
通過本課程的學(xué)習(xí)，達(dá)到如下目的：
1、 了解大數(shù)據(jù)營(yíng)銷內(nèi)容，掌握大數(shù)據(jù)在營(yíng)銷中的應(yīng)用。
2、 了解基本的營(yíng)銷理論，并學(xué)會(huì)基于營(yíng)銷理念來展開大數(shù)據(jù)分析。
3、 熟悉數(shù)據(jù)分析/挖掘的基本過程，掌握常用的數(shù)據(jù)挖掘方法。
4、 熟悉Excel數(shù)據(jù)分析工具，能夠利用Excel和SPSS軟件解決實(shí)際的營(yíng)銷問題（比如定價(jià)/影響因素/行為預(yù)測(cè)/客戶需求/客戶價(jià)值/市場(chǎng)細(xì)分等）。
2-4天時(shí)間，或者根據(jù)培訓(xùn)需求選擇組合（每天6個(gè)小時(shí)）
內(nèi)容 | 2天 | 4天 |
核心數(shù)據(jù)思維 | √ | √ |
數(shù)據(jù)分析過程 | √ | √ |
用戶行為分析 | √ | √ |
數(shù)據(jù)分析思路 | √ | √ |
影響因素分析 | √ | √ |
產(chǎn)品銷量預(yù)測(cè) | √回歸 | √時(shí)序 |
客戶行為預(yù)測(cè) | √ | |
市場(chǎng)客戶細(xì)分 | √ | |
客戶價(jià)值評(píng)估 | √ | |
產(chǎn)品推薦模型 | √ | |
產(chǎn)品定價(jià)策略 | √ |
【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Excel 2013版本及以上（前兩天用）。
3、 便攜機(jī)中事先安裝好IBM SPSS Statistics v24版本及以上（后兩天用）。
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】
理論精講 + 案例演練 + 實(shí)際業(yè)務(wù)問題分析 + Excel實(shí)踐操作 + SPSS實(shí)踐操作
本課程突出數(shù)據(jù)分析的實(shí)際應(yīng)用，結(jié)合行業(yè)的典型應(yīng)用特點(diǎn)，圍繞實(shí)際的商業(yè)問題，進(jìn)行大數(shù)據(jù)的分析與挖掘，介紹常用的方法和模型，以及模型適用場(chǎng)景，通過演練操作，以達(dá)到提升學(xué)員對(duì)營(yíng)銷數(shù)據(jù)的分析以及對(duì)數(shù)據(jù)模型的深入理解。
第一部分： 數(shù)據(jù)核心理念—數(shù)據(jù)思維篇
問題：什么是數(shù)據(jù)思維？大數(shù)據(jù)決策的底層邏輯以及決策依據(jù)是什么？
1、 數(shù)字化五大技術(shù)戰(zhàn)略：ABCDI戰(zhàn)略
2、 大數(shù)據(jù)的本質(zhì)
‐ 數(shù)據(jù)，是事物發(fā)展和變化過程中留下的痕跡
‐ 大數(shù)據(jù)不在于量大，而在于全（多維性）
‐ 業(yè)務(wù)導(dǎo)向還是技術(shù)導(dǎo)向
3、 大數(shù)據(jù)決策的底層邏輯（即四大核心價(jià)值）
‐ 探索業(yè)務(wù)規(guī)律，按規(guī)律來管理決策
案例：客流規(guī)律與排班及最佳營(yíng)銷時(shí)機(jī)
案例：致命交通事故發(fā)生的時(shí)間規(guī)律
‐ 發(fā)現(xiàn)運(yùn)營(yíng)變化，定短板來運(yùn)營(yíng)決策
案例：考核周期導(dǎo)致的員工月初懈怠
案例：工序信號(hào)異常監(jiān)測(cè)設(shè)備故障
‐ 理清要素關(guān)系，找影響因素來決策
案例：情緒對(duì)于股市漲跌的影響
案例：為何升職反而會(huì)增加離職風(fēng)險(xiǎn)？
‐ 預(yù)測(cè)未來趨勢(shì)，通過預(yù)判進(jìn)行決策
案例：惠普預(yù)測(cè)員工離職風(fēng)險(xiǎn)及挽留
案例：保險(xiǎn)公司的車險(xiǎn)預(yù)測(cè)與個(gè)性化保費(fèi)定價(jià)
4、 大數(shù)據(jù)決策的三個(gè)關(guān)鍵環(huán)節(jié)
‐ 業(yè)務(wù)數(shù)據(jù)化：將業(yè)務(wù)問題轉(zhuǎn)化為數(shù)據(jù)問題
‐ 數(shù)據(jù)信息化：提取數(shù)據(jù)中的業(yè)務(wù)規(guī)律信息
‐ 信息策略化：基于規(guī)律形成業(yè)務(wù)應(yīng)對(duì)策略
案例：用數(shù)據(jù)來識(shí)別喜歡賺“差價(jià)”的營(yíng)業(yè)員
問題：大數(shù)據(jù)實(shí)現(xiàn)精準(zhǔn)營(yíng)銷的整個(gè)過程是什么？要經(jīng)歷哪些步驟？如何構(gòu)建精準(zhǔn)營(yíng)銷的數(shù)據(jù)支撐框架？需要采集哪些數(shù)據(jù)？
1、 數(shù)據(jù)分析的六步曲
‐ 明確目標(biāo)，確定分析思路
‐ 收集數(shù)據(jù)，尋找分析素材
‐ 整理數(shù)據(jù)，確保數(shù)據(jù)質(zhì)量
‐ 分析數(shù)據(jù)，尋找業(yè)務(wù)答案
‐ 呈現(xiàn)數(shù)據(jù)，解讀業(yè)務(wù)規(guī)律
‐ 撰寫報(bào)告，形成業(yè)務(wù)策略
2、 精準(zhǔn)營(yíng)銷的業(yè)務(wù)分析框架（6R準(zhǔn)則）
‐ 尋找正確的客戶
‐ 匹配正確的產(chǎn)品
‐ 確定合理的價(jià)格
‐ 通過合適的渠道
‐ 采用合適的方式
‐ 設(shè)計(jì)恰當(dāng)?shù)男畔?/span>
演練：如何構(gòu)建一個(gè)良好的大數(shù)據(jù)精準(zhǔn)營(yíng)銷分析框架
3、 精準(zhǔn)營(yíng)銷項(xiàng)目的整個(gè)分析過程
演練：如何用大數(shù)據(jù)來支撐產(chǎn)品精準(zhǔn)營(yíng)銷項(xiàng)目
問題：數(shù)據(jù)分析方法的種類？分析方法的不同應(yīng)用場(chǎng)景？
1、 業(yè)務(wù)分析的三個(gè)階段
‐ 現(xiàn)狀分析：通過企業(yè)運(yùn)營(yíng)指標(biāo)來發(fā)現(xiàn)規(guī)律及短板
‐ 原因分析：查找數(shù)據(jù)相關(guān)性，探尋目標(biāo)影響因素
‐ 預(yù)測(cè)分析：合理配置資源，預(yù)判業(yè)務(wù)未來的趨勢(shì)
2、 常用的數(shù)據(jù)分析方法種類
‐ 描述性分析法（對(duì)比/分組/結(jié)構(gòu)/趨勢(shì)/交叉…）
‐ 相關(guān)性分析法（相關(guān)/方差/卡方…）
‐ 預(yù)測(cè)性分析法（回歸/時(shí)序/決策樹/神經(jīng)網(wǎng)絡(luò)…）
‐ 專題性分析法（聚類/關(guān)聯(lián)/RFM模型/…）
3、 統(tǒng)計(jì)分析基礎(chǔ)
‐ 統(tǒng)計(jì)分析兩大關(guān)鍵要素（類別、指標(biāo)）
‐ 統(tǒng)計(jì)分析的操作模式（類別à指標(biāo)）
‐ 統(tǒng)計(jì)分析三個(gè)操作步驟（統(tǒng)計(jì)、畫圖、解讀）
‐ 透視表的三個(gè)組成部分
4、 常用的描述性指標(biāo)
‐ 集中程度：均值、中位數(shù)、眾數(shù)
‐ 離散程度：極差、方差/標(biāo)準(zhǔn)差、IQR
‐ 分布形態(tài)：偏度、峰度
5、 基本分析方法及其適用場(chǎng)景
‐ 對(duì)比分析（查看數(shù)據(jù)差距，發(fā)現(xiàn)事物變化）
演練：分析產(chǎn)品受歡迎情況及貢獻(xiàn)大小
演練：用數(shù)據(jù)來探索增量不增收困境的解決方案
‐ 分布分析（查看數(shù)據(jù)分布，探索業(yè)務(wù)層次）
演練：銀行用戶的消費(fèi)水平和消費(fèi)層次分析
案例：通信運(yùn)營(yíng)商的流量套餐劃分合理性的評(píng)估
演練：呼叫中心接聽電話效率分析（呼叫中心）
‐ 結(jié)構(gòu)分析（查看指標(biāo)構(gòu)成，評(píng)估結(jié)構(gòu)合理性）
案例：增值業(yè)務(wù)收入結(jié)構(gòu)分析（通信）
案例：物流費(fèi)用成本結(jié)構(gòu)分析（物流）
案例：中移動(dòng)用戶群動(dòng)態(tài)結(jié)構(gòu)分析
演練：財(cái)務(wù)領(lǐng)域的結(jié)構(gòu)瀑布圖、財(cái)務(wù)收支的變化瀑布圖
‐ 趨勢(shì)分析（發(fā)現(xiàn)事物隨時(shí)間的變化規(guī)律）
案例：破解零售店銷售規(guī)律
案例：手機(jī)銷量的淡旺季分析
案例：微信用戶的活躍時(shí)間規(guī)律
演練：發(fā)現(xiàn)客流量的時(shí)間規(guī)律
‐ 交叉分析（從多個(gè)維度的數(shù)據(jù)指標(biāo)分析）
演練：用戶性別+地域分布分析
演練：不同客戶的產(chǎn)品偏好分析
演練：不同學(xué)歷用戶的套餐偏好分析
演練：銀行用戶的違約影響因素分析
問題：如何才能全面/系統(tǒng)地分析而不遺漏？如何分解和細(xì)化業(yè)務(wù)問題？
1、 業(yè)務(wù)分析思路和分析框架來源于業(yè)務(wù)模型
2、 常用的業(yè)務(wù)模型
‐ 外部環(huán)境分析：PEST
‐ 業(yè)務(wù)專題分析：5W2H
‐ 競(jìng)品/競(jìng)爭(zhēng)分析：SWOT、波特五力
‐ 營(yíng)銷市場(chǎng)專題分析：4P/4C等
3、 用戶行為分析（5W2H分析思路和框架）
‐ WHY：原因（用戶需求、產(chǎn)品亮點(diǎn)、競(jìng)品優(yōu)劣勢(shì)）
‐ WHAT：產(chǎn)品（產(chǎn)品喜好、產(chǎn)品貢獻(xiàn)、產(chǎn)品功能、產(chǎn)品結(jié)構(gòu)）
‐ WHO：客戶（基本特征、消費(fèi)能力、產(chǎn)品偏好）
‐ WHEN：時(shí)間（淡旺季、活躍時(shí)間、重購(gòu)周期）
‐ WHERE：區(qū)域/渠道（區(qū)域喜好、渠道偏好）
‐ HOW：支付/促銷（支付方式、促銷方式有效性評(píng)估等）
‐ HOW MUCH：價(jià)格（費(fèi)用、成本、利潤(rùn)、收入結(jié)構(gòu)、價(jià)格偏好等）
案例討論：結(jié)合公司情況，搭建用戶消費(fèi)習(xí)慣的分析框架（5W2H）
4、 數(shù)據(jù)分析策略
營(yíng)銷問題：哪些因素是影響業(yè)務(wù)目標(biāo)的關(guān)鍵要素？比如，產(chǎn)品在貨架上的位置是否對(duì)銷量有影響？?jī)r(jià)格和廣告開銷是如何影響銷量的？影響風(fēng)控的關(guān)鍵因素有哪些？如何判斷？
1、 影響因素分析的常見方法
2、 相關(guān)分析（衡量?jī)蓴?shù)據(jù)型變量的線性相關(guān)性）
‐ 相關(guān)分析的應(yīng)用場(chǎng)景
‐ 相關(guān)分析的種類
◢ 簡(jiǎn)單相關(guān)分析
◢ 偏相關(guān)分析
◢ 距離相關(guān)分析
‐ 相關(guān)系數(shù)的三種計(jì)算公式
◢ Pearson相關(guān)系數(shù)
◢ Spearman相關(guān)系數(shù)
◢ Kendall相關(guān)系數(shù)
‐ 相關(guān)分析的假設(shè)檢驗(yàn)
‐ 相關(guān)分析的四個(gè)基本步驟
演練：營(yíng)銷費(fèi)用會(huì)影響銷售額嗎？影響程度如何量化？
演練：哪些因素與汽車銷量有相關(guān)性
演練：影響用戶消費(fèi)水平的因素會(huì)有哪些
‐ 偏相關(guān)分析
◢ 偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性
◢ 偏相關(guān)系數(shù)的計(jì)算公式
◢ 偏相關(guān)分析的適用場(chǎng)景
‐ 距離相關(guān)分析
3、 方差分析（衡量類別變量與數(shù)值變量間的相關(guān)性）
‐ 方差分析的應(yīng)用場(chǎng)景
‐ 方差分析的三個(gè)種類
◢ 單因素方差分析
◢ 多因素方差分析
◢ 協(xié)方差分析
‐ 單因素方差分析的原理
‐ 方差分析的四個(gè)步驟
‐ 解讀方差分析結(jié)果的兩個(gè)要點(diǎn)
演練：擺放位置與銷量有關(guān)嗎
演練：客戶學(xué)歷對(duì)消費(fèi)水平的影響分析
演練：廣告和價(jià)格是影響終端銷量的關(guān)鍵因素嗎
演練：營(yíng)業(yè)員的性別、技能級(jí)別對(duì)產(chǎn)品銷量有影響嗎
演練：尋找影響產(chǎn)品銷量的關(guān)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(jié)果的解讀
演練：廣告形式、地區(qū)對(duì)銷量的影響因素分析
‐ 協(xié)方差分析原理
‐ 協(xié)方差分析的適用場(chǎng)景
演練：排除產(chǎn)品價(jià)格，收入對(duì)銷量有影響嗎？
4、 列聯(lián)分析/卡方檢驗(yàn)（兩類別變量的相關(guān)性分析）
‐ 交叉表與列聯(lián)表：計(jì)數(shù)值與期望值
‐ 卡方檢驗(yàn)的原理
‐ 卡方檢驗(yàn)的幾個(gè)計(jì)算公式
‐ 列聯(lián)表分析的適用場(chǎng)景
案例：套餐類型對(duì)客戶流失的影響分析
案例：學(xué)歷對(duì)業(yè)務(wù)套餐偏好的影響分析
案例：行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析
5、 相關(guān)性分析方法總結(jié)
營(yíng)銷問題：如何預(yù)測(cè)未來的產(chǎn)品銷量/銷售額？如果產(chǎn)品跟隨季節(jié)性變動(dòng)，該如何預(yù)測(cè)？
1、 回歸分析簡(jiǎn)介和原理
2、 回歸分析的種類
‐ 一元回歸/多元回歸
‐ 線性回歸/非線性回歸
3、 常用回歸分析方法
‐ 散點(diǎn)圖+趨勢(shì)線（一元）
‐ 線性回歸工具（多元線性）
‐ 規(guī)劃求解工具（非線性回歸）
演練：散點(diǎn)圖找營(yíng)銷費(fèi)用與銷售額的關(guān)系
4、 線性回歸分析的五個(gè)步驟
演練：營(yíng)銷費(fèi)用、辦公費(fèi)用與銷售額的關(guān)系（線性回歸）
5、 線性回歸方程的解讀技巧
‐ 定性描述：正相關(guān)/負(fù)相關(guān)
‐ 定量描述：自變量變化導(dǎo)致因變量的變化程度
6、 回歸預(yù)測(cè)模型評(píng)估
‐ 質(zhì)量評(píng)估指標(biāo)：判定系數(shù)R^2
‐ 如何選擇最佳回歸模型
演練：如何選擇最佳的回歸預(yù)測(cè)模型（一元曲線回歸）
7、 帶分類自變量的回歸預(yù)測(cè)
演練：汽車季度銷量預(yù)測(cè)
演練：工齡、性別與終端銷量的關(guān)系
演練：如何評(píng)估銷售目標(biāo)與資源最佳配置
8、 回歸分析的基本原理
‐ 三個(gè)基本概念：總變差、回歸變差、剩余變差
‐ 方程的顯著性檢驗(yàn)：方程可用性
‐ 因素的顯著性檢驗(yàn)：因素可用性
‐ 方程擬合優(yōu)度檢驗(yàn)：質(zhì)量好壞程度
‐ 理解標(biāo)準(zhǔn)誤差含義：預(yù)測(cè)準(zhǔn)確性？
9、 回歸模型優(yōu)化措施：尋找最佳回歸擬合線
‐ 如何處理預(yù)測(cè)離群值（剔除離群值）
‐ 如何剔除不顯著因素（剔除不顯著因素）
‐ 如何進(jìn)行非線性關(guān)系檢驗(yàn)（增加非線性自變量）
‐ 如何進(jìn)行相互作用檢驗(yàn)（增加相互作用自變量）
‐ 如何進(jìn)行多重共線性檢驗(yàn)（剔除共線性自變量）
演練：模型優(yōu)化演示
10、 好模型都是優(yōu)化出來的
1、 回歸建模的本質(zhì)
2、 規(guī)劃求解工具簡(jiǎn)介
3、 自定義回歸模型
案例：如何對(duì)客流量進(jìn)行建模預(yù)測(cè)及模型優(yōu)化
4、 季節(jié)性預(yù)測(cè)模型
‐ 回歸季節(jié)模型的原理及應(yīng)用場(chǎng)景
‐ 加法季節(jié)模型
‐ 乘法季節(jié)模型
‐ 模型解讀
案例：美國(guó)航空旅客里程的季節(jié)性趨勢(shì)分析
5、 新產(chǎn)品累計(jì)銷量的S曲線
‐ S曲線模型的應(yīng)用場(chǎng)景（最大累計(jì)銷量及銷量增長(zhǎng)的拐點(diǎn)）
‐ 珀?duì)柷€
‐ 龔鉑茲曲線
案例：如何預(yù)測(cè)產(chǎn)品的銷售增長(zhǎng)拐點(diǎn)，以及銷量上限
演練：預(yù)測(cè)IPad產(chǎn)品的銷量
營(yíng)銷問題：像利率/CPI/GDP等按時(shí)序變化的指標(biāo)如何預(yù)測(cè)？當(dāng)銷量隨季節(jié)周期變動(dòng)時(shí)該如何預(yù)測(cè)？
1、 回歸預(yù)測(cè)vs時(shí)序預(yù)測(cè)
2、 因素分解思想
3、 時(shí)序預(yù)測(cè)常用模型
‐ 趨勢(shì)擬合
‐ 季節(jié)擬合
‐ 平均序列擬合
4、 評(píng)估預(yù)測(cè)值的準(zhǔn)確度指標(biāo)：MAD、RMSE、MAPE
5、 移動(dòng)平均（MA）
‐ 應(yīng)用場(chǎng)景及原理
‐ 移動(dòng)平均種類
◢ 一次移動(dòng)平均
◢ 二次移動(dòng)平均
◢ 加權(quán)移動(dòng)平均
◢ 移動(dòng)平均比率法
‐ 移動(dòng)平均關(guān)鍵問題
◢ 如何選取最優(yōu)參數(shù)N
◢ 如何確定最優(yōu)權(quán)重系數(shù)
演練：平板電腦銷量預(yù)測(cè)及評(píng)估
演練：快銷產(chǎn)品季節(jié)銷量預(yù)測(cè)及評(píng)估
6、 指數(shù)平滑（ES）
‐ 應(yīng)用場(chǎng)景及原理
‐ 最優(yōu)平滑系數(shù)的選取原則
‐ 指數(shù)平滑種類
◢ 一次指數(shù)平滑
◢ 二次指數(shù)平滑（Brown線性、Holt線性、Holt指數(shù)、阻尼線性、阻尼指數(shù)）
◢ 三次指數(shù)平滑
演練：煤炭產(chǎn)量預(yù)測(cè)
演練：航空旅客量預(yù)測(cè)及評(píng)估
7、 溫特斯季節(jié)預(yù)測(cè)模型
‐ 適用場(chǎng)景及原理
‐ Holt-Winters加法模型
‐ Holt-Winters乘法模型
演練：汽車銷量預(yù)測(cè)及評(píng)估
8、 平穩(wěn)序列模型（ARIMA）
‐ 序列的平穩(wěn)性檢驗(yàn)
‐ 平穩(wěn)序列的擬合模型
◢ AR(p)自回歸模型
◢ MA(q)移動(dòng)模型
◢ ARMA(p,q)自回歸移動(dòng)模型
‐ 模型的識(shí)別與定階
◢ ACF圖/PACF圖
◢ 最小信息準(zhǔn)則
‐ 序列平穩(wěn)化處理
◢ 變量變換
◢ k次差分
◢ d階差分
‐ ARIMA(p,d,q)模型
演練：上海證券交易所綜合指數(shù)收益率序列分析
演練：服裝銷售數(shù)據(jù)季節(jié)性趨勢(shì)預(yù)測(cè)分析
‐ 平穩(wěn)序列的建模流程
1、 分類模型概述及其應(yīng)用場(chǎng)景
2、 常見分類預(yù)測(cè)模型
3、 邏輯回歸（LR）
‐ 邏輯回歸的適用場(chǎng)景
‐ 邏輯回歸的模型原理
‐ 邏輯回歸分類的幾何意義
‐ 邏輯回歸的種類
2 二項(xiàng)邏輯回歸
2 多項(xiàng)邏輯回歸
‐ 如何解讀邏輯回歸方程
‐ 多項(xiàng)邏輯回歸/多分類邏輯回歸
案例：如何評(píng)估用戶是否會(huì)購(gòu)買某產(chǎn)品（二項(xiàng)邏輯回歸）
案例：多品牌選擇模型分析（多項(xiàng)邏輯回歸）
4、 分類決策樹（DT）
問題：如何預(yù)測(cè)客戶行為？如何識(shí)別潛在客戶？
風(fēng)控：如何識(shí)別欠貸者的特征，以及預(yù)測(cè)欠貸概率？
客戶保有：如何識(shí)別流失客戶特征，以及預(yù)測(cè)客戶流失概率？
‐ 決策樹分類簡(jiǎn)介
案例：美國(guó)零售商（Target）如何預(yù)測(cè)少女懷孕
演練：識(shí)別銀行欠貨風(fēng)險(xiǎn)，提取欠貸者的特征
‐ 決策樹分類的幾何意義
‐ 構(gòu)建決策樹的三個(gè)關(guān)鍵問題
◢ 如何選擇最佳屬性來構(gòu)建節(jié)點(diǎn)
◢ 如何分裂變量
◢ 修剪決策樹
‐ 選擇最優(yōu)屬性生長(zhǎng)
◢ 熵、基尼索引、分類錯(cuò)誤
◢ 屬性劃分增益
‐ 如何分裂變量
◢ 多元?jiǎng)澐峙c二元?jiǎng)澐?/span>
◢ 連續(xù)變量離散化（最優(yōu)分割點(diǎn)）
‐ 修剪決策樹
◢ 剪枝原則
◢ 預(yù)剪枝與后剪枝
‐ 構(gòu)建決策樹的四個(gè)算法
◢ C5.0、CHAID、CART、QUEST
◢ 各種算法的比較
‐ 如何選擇最優(yōu)分類模型？
案例：商場(chǎng)用戶的典型特征提取
案例：客戶流失預(yù)警與客戶挽留
案例：識(shí)別拖欠銀行貨款者的特征，避免不良貨款
案例：識(shí)別電信詐騙者嘴臉，讓通信更安全
‐ 多分類決策樹
案例：不同套餐用戶的典型特征
‐ 決策樹模型的保存與應(yīng)用
5、 人工神經(jīng)網(wǎng)絡(luò)（ANN）
‐ 神經(jīng)網(wǎng)絡(luò)概述
‐ 神經(jīng)網(wǎng)絡(luò)基本原理
‐ 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
‐ 神經(jīng)網(wǎng)絡(luò)分類的幾何意義
‐ 神經(jīng)網(wǎng)絡(luò)的建立步驟
‐ 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題
‐ BP反向傳播網(wǎng)絡(luò)（MLP）
‐ 徑向基網(wǎng)絡(luò)（RBF）
案例：評(píng)估銀行用戶拖欠貨款的概率
6、 判別分析（DA）
‐ 判別分析原理
‐ 判別分析種類
‐ Fisher線性判別分析
案例：MBA學(xué)生錄取判別分析
案例：上市公司類別評(píng)估
7、 最近鄰分類（KNN）
‐ KNN模型的基本原理
‐ KNN分類的幾何意義
‐ K近鄰的關(guān)鍵問題
8、 支持向量機(jī)（SVM）
‐ SVM基本原理
‐ 線性可分問題：最大邊界超平面
‐ 線性不可分問題：特征空間的轉(zhuǎn)換
‐ 維災(zāi)難與核函數(shù)
9、 貝葉斯分類（NBN）
‐ 貝葉斯分類原理
‐ 計(jì)算類別屬性的條件概率
‐ 估計(jì)連續(xù)屬性的條件概率
‐ 預(yù)測(cè)分類概率（計(jì)算概率）
‐ 拉普拉斯修正
案例：評(píng)估銀行用戶拖欠貨款的概率
問題：我們的客戶有幾類？各類特征是什么？如何實(shí)現(xiàn)客戶細(xì)分，開發(fā)符合細(xì)分市場(chǎng)的新產(chǎn)品？如何提取客戶特征，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
‐ 無指導(dǎo)細(xì)分
2、 聚類分析
‐ 如何更好的了解客戶群體和市場(chǎng)細(xì)分？
‐ 如何識(shí)別客戶群體特征？
‐ 如何確定客戶要分成多少適當(dāng)?shù)念悇e？
‐ 聚類方法原理介紹
‐ 聚類方法作用及其適用場(chǎng)景
‐ 聚類分析的種類
◢ K均值聚類
◢ 層次聚類
◢ 兩步聚類
‐ K均值聚類（快速聚類）
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
‐ 層次聚類（系統(tǒng)聚類）：發(fā)現(xiàn)多個(gè)類別
‐ R型聚類與Q型聚類的區(qū)別
案例：中移動(dòng)如何實(shí)現(xiàn)客戶細(xì)分及營(yíng)銷策略
演練：中國(guó)省市經(jīng)濟(jì)發(fā)展情況分析（Q型聚類）
演練：裁判評(píng)分的標(biāo)準(zhǔn)衡量，避免“黑哨”（R型聚類）
‐ 兩步聚類
3、 客戶細(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)汽車客戶群進(jìn)行細(xì)分
演練：如何針對(duì)汽車客戶群設(shè)計(jì)汽車
營(yíng)銷問題：如何評(píng)估客戶的價(jià)值？不同的價(jià)值客戶有何區(qū)別對(duì)待？
1、 如何評(píng)價(jià)客戶生命周期的價(jià)值
‐ 貼現(xiàn)率與留存率
‐ 評(píng)估客戶的真實(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)銷行為的合理性
2、 RFM模型（客戶價(jià)值評(píng)估）
‐ RFM模型，更深入了解你的客戶價(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)值客戶進(jìn)行促銷
演練：結(jié)合響應(yīng)模型，宜家IKE實(shí)現(xiàn)最大化營(yíng)銷利潤(rùn)
案例：重購(gòu)用戶特征分析
問題：購(gòu)買A產(chǎn)品的顧客還常常要購(gòu)買其他什么產(chǎn)品？應(yīng)該給客戶推薦什么產(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
‐ 優(yōu)化思路：分群推薦
4、 基于內(nèi)容的推薦CBR
‐ 關(guān)鍵問題：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、 基于用戶的推薦
‐ 關(guān)鍵問題：如何對(duì)用戶分類/計(jì)算用戶的相似度
‐ 算法：按屬性分類、RFM模型、PCA、聚類、按偏好分類、按地理位置
6、 協(xié)同過濾的推薦
‐ 基于用戶的協(xié)同過濾
‐ 基于物品的協(xié)同過濾
‐ 冷啟動(dòng)的問題
案例：計(jì)算用戶相似度、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)品捆綁銷售/布局優(yōu)化
案例：通信產(chǎn)品的交叉銷售與產(chǎn)品推薦
8、 基于分類模型的推薦
9、 其它推薦算法
‐ LFM基于隱語義模型
‐ 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
營(yíng)銷問題：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：如何通過折扣來實(shí)現(xiàn)薄利多銷
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）
1、電信業(yè)客戶流失預(yù)警與客戶挽留模型
2、銀行欠貸風(fēng)險(xiǎn)預(yù)測(cè)模型
結(jié)束：課程總結(jié)與問題答疑。
聯(lián)系電話：4006-900-901
微信咨詢：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年度咨詢客戶數(shù)
資深實(shí)戰(zhàn)導(dǎo)師
客戶滿意度
續(xù)單和轉(zhuǎn)介紹
咨詢熱線
星期一至星期五 8:00~20:30 (添加微信注明來意）