數據挖掘實戰培訓

數據挖掘實戰培訓課程/講師盡在數據挖掘實戰培訓專題,百度搜索“交廣國際管理咨詢”數據挖掘實戰培訓公開課（免費試聽）北上廣深等地開課！專家微信18749492090，講師手機13810048130。

【課程大綱】
第一部分：數據集基礎知識（了解你的數據集）
1、 數據集概述
2、 數據集的類型
3、 數據集屬性的類型
? 標稱
? 序數
? 度量
4、 數據質量三要素
? 準確性
? 完整性
? 一致性
5、 數據預處理的內容
? 數據清理（缺失值、離群值的處理方法）
? 數據歸約（維災難、維歸約、主成分分析）
? 特征子集選擇
? 特征創建/屬性構造
? 數據離散化和二元化
? 屬性/變量轉換
6、 數據探索性分析
? 統計匯總
? 可視化
演練：描述性分析（頻數、描述、探索、分類匯總）

第二部分：數據挖掘流程（基礎，決定你的高度）
1、 數據挖掘概述
2、 數據挖掘的標準流程（CRISP-DM）
? 商業理解
? 數據準備
? 數據理解
? 模型建立
? 模型評估
? 模型應用
案例：4G終端營銷項目挖掘過程分析
案例：客戶匹配度模型—數據建模
3、 常用數據統計指標
? 集中程度：均值、中位數、眾數
? 離開程度：方差、標準差、極差
? 分布趨勢：偏度、峰度
? 理解分布：正態分布、T分布、F分布
4、 SPSS基本操作（預處理）
? 數據導入
? 數據排序（排序個案）
? 重復數據處理（標識重復個案）
? 缺失值處理（替換缺失值）
? 生成新變量（計算變量、重新編碼）
? 數據分組（分類匯總）
? 數據合并（合并文件）
演練：SPSS基本操作

第三部分：數據挖掘實戰篇
1、 參數檢驗分析（樣本均值檢驗）
商業問題：如何驗證營銷效果的有效性？
? 參數檢驗概述
? 單樣本T檢驗
? 兩獨立樣本T檢驗
? 兩配對樣本T檢驗
? 參數檢驗原理以及步驟
? 參數檢驗適用場景
案例：電信運營商的ARPU值評估分析（單樣本）
案例：信用卡消費金額評估分析（單樣本）
案例：營銷方式與產品銷量的影響分析（兩獨立樣本）
案例：吸煙與膽固醇升高的分析（兩獨立樣本）
案例：營銷方式有效性評估（兩配對樣本）
案例：減肥效果評估（兩配對樣本）
2、 非參數檢驗分析（樣本分布檢驗）
商業問題：這些屬性數據的分布情況如何？如何從數據分布中看出問題？
? 非參數檢驗概述
? 單樣本檢驗
? 兩獨立樣本檢驗
? 兩相關樣本檢驗
? 兩配對樣本檢驗
? 非參數檢驗原理
? 卡方檢驗、二項分布、游程檢驗的原理及適用場景
案例：死亡分布檢驗（單樣本-卡方檢驗）
案例：產品合格率檢驗（單樣本-二項分布）
案例：身高分布差異檢驗（單樣本-KS檢驗）
案例：設備正常工作檢驗（單樣本-隨機分布）
案例：制造工藝差異檢驗（兩獨立樣本-MW檢驗）
案例：訓練新方法有效性檢驗（兩配對樣本-符號/秩檢驗）
案例：促銷方式效果檢驗(多相關樣本-Friedman檢驗)
案例：客戶滿意度差異檢驗(多相關樣本-Cochran Q檢驗)
案例：評委評判黑幕檢驗（多相關樣本-Kendall W檢驗）
3、 相關分析（相關程度計算）
商業問題：這兩個屬性是否會相互影響？影響程度大嗎？
? 相關分析概述
? 計算相關系數的三個公式
案例：家庭生活開支的相關分析（Pearson簡單相關系數）
案例：營銷費用與銷售額的相關分析
案例：哪些因素與汽車銷量有相關性
案例：腰圍與體重的相關分析（偏相關分析）
4、 方差分析（影響因素分析）
商業問題：哪些才是影響銷量的關鍵因素？
? 方差分析原理
? 方差分析的步驟
? 方差分析適用場景
? 如何解讀方差分析結果
案例：終端陳列位置對終端銷量的影響分析（單因素）
案例：廣告形式、地區對銷量的影響因素分析（多因素）
案例：2015年大學生工資與父母職業的關系
案例：飼料對生豬體重的影響分析（協方差分析）
5、 回歸分析（預測分析）
商業問題：如何預測未來的銷售量（定量分析）？
? 回歸分析概述及適用場景
? 回歸分析的檢驗過程
? 如何選擇最優回歸模型
? 解讀回歸分析結果
案例：推廣費用、辦公費用與銷售額的關系（線性回歸）
案例：人均現金消費支出對人均食品消費支出的影響（曲線回歸）
? 帶分類變量的回歸分析
? 比如，如何預測隨著季節性變化的銷量情況
案例：員工工齡、性別與終端銷售的關系分析
案例：產品銷量的季節性變化預測
6、 邏輯回歸分析（預測分析）
商業問題：如果評估用戶購買某產品的概率？
? 邏輯回歸分析原理
? 邏輯回歸分析的適用場景
案例：客戶購買預測分析（二元邏輯回歸）
案例：品牌選擇預測分析（多項邏輯回歸）
7、 時間序列分析（預測分析）
商業問題：隨著時間變化，未來的銷量變化趨勢如何？
? 時序分析概述
? 移動平均MA模型
? 指數平滑ES模型
? 自回歸滑動平均ARIMA模型
? 季節分解模型
? 時序分析適用場景
案例：汽車銷量預測分析（指數平滑）
案例：上交所指數收益率預測分析（ARIMA）
案例：服裝銷售數據季節性趨勢預測分析（季節分解）

第四部分：高級數據挖掘方法
1、 聚類分析（Clustering）
商業問題：我們的客戶有幾類？各類特征是什么？
? 聚類方法原理介紹
? 聚類方法適用場景
? 系統聚類（層次聚類）算法原理
? 如何判定最佳聚類類別數量
案例：數據聚類分析–小康指數劃分（Q型聚類）
案例：變量聚類分析–裁判標準一致性分析（R型聚類）
? K均值聚類（快速聚類）算法原理
案例：移動三大品牌細分市場合適嗎？
案例：如何評選優秀員工（固定聚類中心）
演練：如何選擇新產品試銷地點？
2、 決策樹分類分析（Classification）
商業問題：這類客戶有什么特征？有什么潛在銷售機會？
? 決策樹原理介紹
? 構建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
? 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
? 如何評估分類性能
案例：銀行低信用客戶特征分析（決策樹分類）
3、 基于規則的分類
? 基于規則分類原理介紹
? 評估規則的質量
? 構建分類規則：順序覆蓋法
? 規則增長策略
4、 最近鄰分類
5、 樸素貝葉斯分類
? 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
? 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
6、 人工神經網絡（ANN）
? 神經網絡基本原理
? 神經網絡的結構
? ANN關鍵問題
? MLP與RBF
案例：評估銀行用戶拖欠貨款的概率
7、 判別分析
? 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、 關聯分析（Association）
商業問題：購買A產品的顧客還常常要購買其他什么產品？
? 關聯規則原理介紹
? 關聯規則的兩個關鍵參數
? 支持度
? 置信度
? Apriori算法介紹
? FP-Growth算法介紹
? 關聯規則適用場景
案例：商品套餐設計、商品交叉銷售（關聯分析）
9、 客戶價值評估RFM模型
商業問題：如何評估客戶的價值？不同價值客戶的營銷策略有什么區別？
? RFM模型介紹
? RFM模型用戶分類與業務策略
? RFM與客戶活躍度分析
案例：客戶價值如何評估（什么才是VIP用戶）
案例：如何選擇促銷用戶（響應模型與促銷）
案例：回頭客用戶特征分析（決策樹分析）
10、 主成分分析
? 主成分分析方法介紹
? 主成分分析基本思想
? 主成分分析步驟
案例：評估汽車購買者關注的哪些因素

第五部分：統計圖表篇（看圖說話）
1、 柱狀圖/線圖/餅圖/高低圖/箱圖/散點圖/直方圖
2、 圖形的表達及適用場景