详细内容:当前的位置:首页 >> 公开课文字版
课程编号:59401 查看完整版课程大纲
时间地点:日 至 日 培训时长:2天
主讲老师:傅一航(查看该老师更多课程)
课程价格:¥30000元/位(更多优惠请致电020-31041068)
会员价格:¥27000元/位(免费注册博课会员)
课程类别:互联网+ (查看该类别更多课程)
所有排期:
培训内容:

课程目标

本课程专注于大数据建模课程,面向数据分析部等专门负责数据分析与建模的人士。主要内容包括数据建模的过程和步骤,以及建模涉及到的分析方法、分析模型,以及模型优化等。

 

本课程从实际的业务需求出发,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、 掌握数据建模的基本过程和步骤。

2、 掌握数据建模前的属性筛选的系统方法,为建模打下基础。

3、 掌握常用的数值预测模型,包括回归预测和时序预测,以及其适用场景。

4、 掌握常用的分类预测模型,包括逻辑回归、决策树、神经网络、判别分析等等,以及分类模型的优化。

5、 掌握数据挖掘常用的专题模型。

 

【授课时间】

2-3天时间(每天6个小时)


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Office Excel 2013版本及以上。

3、 便携机中事先安装好IBM SPSS Statistics v24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

第一部分: 数据建模基本过程

1、 预测建模六步法

Ø 选择模型:基于业务选择恰当的数据模型

Ø 属性筛选:选择对目标变量有显著影响的属性来建模

Ø 训练模型:采用合适的算法对模型进行训练,寻找到最合适的模型参数

Ø 评估模型:进行评估模型的质量,判断模型是否可用

Ø 优化模型:如果评估结果不理想,则需要对模型进行优化

Ø 应用模型:如果评估结果满足要求,则可应用模型于业务场景

2、 数据挖掘常用的模型

Ø 数值预测模型:回归预测、时序预测等

Ø 分类预测模型:逻辑回归、决策树、神经网络、支持向量机等

Ø 市场细分:聚类、RFM、PCA等

Ø 产品推荐:关联分析、协同过滤等

Ø 产品优化:回归、随机效用等

Ø 产品定价:定价策略/最优定价等

3、 属性筛选/特征选择/变量降维

Ø 基于变量本身特征

Ø 基于相关性判断

Ø 因子合并(PCA等)

Ø IV值筛选(评分卡使用)

Ø 基于信息增益判断(决策树使用)

4、 模型评估

Ø 模型质量评估指标:R^2、正确率/查全率/查准率/特异性等

Ø 预测值评估指标:MAD、MSE/RMSE、MAPE、概率等

Ø 模型评估方法:留出法、K拆交叉验证、自助法等

Ø 其它评估:过拟合评估

5、 模型优化

Ø 优化模型:选择新模型/修改模型

Ø 优化数据:新增显著自变量

Ø 优化公式:采用新的计算公式

6、 模型实现算法(暂略)

7、 好模型是优化出来的

案例:通信客户流失分析及预警模型

 

第二部分: 属性筛选方法

问题:如何选择合适的属性来进行建模预测?

比如:价格是否可用于产品销量的预测?套餐的合理性是否会影响客户流失?在欺诈风险中有哪些数据会有异常表现?

 

1、 属性筛选/变量降维的常用方法

Ø 基于变量本身特征来选择属性

Ø 基于数据间的相关性来选择属性

Ø 基于因子合并(如PCA分析)实现变量的合并

Ø 利用IV值筛选

Ø 基于信息增益来选择属性

2、 相关分析(衡量变量间的线性相关性)

问题:这两个属性是否会相互影响?影响程度大吗?

Ø 相关分析简介

Ø 相关分析的三个种类

² 简单相关分析

² 偏相关分析

² 距离相关分析

Ø 相关系数的三种计算公式

² Pearson相关系数

² Spearman相关系数

² Kendall相关系数

Ø 相关分析的假设检验

Ø 相关分析的四个基本步骤

演练:体重与腰围的关系

演练:营销费用会影响销售额吗

演练:哪些因素与汽车销量有相关性

演练:通信费用与开通月数的相关分析

Ø 偏相关分析

² 偏相关原理:排除不可控因素后的两变量的相关性

² 偏相关系数的计算公式

² 偏相关分析的适用场景

Ø 距离相关分析

3、 方差分析(衡量类别变量与数据变量的相关性)

问题:哪些才是影响销量的关键因素?

Ø 方差分析的应用场景

Ø 方差分析的三个种类

² 单因素方差分析

² 多因素方差分析

² 协方差分析

Ø 方差分析的原理

Ø 方差分析的四个步骤

Ø 解读方差分析结果的两个要点

演练:终端摆放位置与终端销量有关吗

演练:开通月数对客户流失的影响分析

演练:客户学历对消费水平的影响分析

演练:广告和价格是影响终端销量的关键因素吗

演练:营业员的性别、技能级别对产品销量有影响吗

演练:寻找影响产品销量的关键因素

Ø 多因素方差分析原理

Ø 多因素方差分析的作用

Ø 多因素方差结果的解读

演练:广告形式、地区对销量的影响因素分析(多因素)

Ø 协方差分析原理

Ø 协方差分析的适用场景

演练:饲料对生猪体重的影响分析(协方差分析)

4、 列联分析/卡方检验(两类别变量的相关性分析)

Ø 交叉表与列联表

Ø 卡方检验的原理

Ø 卡方检验的几个计算公式

Ø 列联表分析的适用场景

案例:套餐类型对客户流失的影响分析

案例:学历对业务套餐偏好的影响分析

案例:行业/规模对风控的影响分析

5、 相关性分析各种方法的适用场景

6、 主成份分析(PCA)

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: 回归预测模型篇

问题:如何预测产品的销量/销售金额?如果产品跟随季节性变动,该如何预测?新产品上市,如果评估销量上限及销售增速?

1、 常用的数值预测模型

Ø 回归预测

Ø 时序预测

2、 回归预测/回归分析

问题:如何预测未来的销售量(定量分析)?

Ø 回归分析的基本原理和应用场景

Ø 回归分析的种类(一元/多元、线性/曲线)

Ø 得到回归方程的四种常用方法

² Excel函数

² 散点图+趋势线

² 线性回归工具

² 规范求解

Ø 线性回归分析的五个步骤

Ø 回归方程结果的解读要点

Ø 评估回归模型质量的常用指标

Ø 评估预测值的准确度的常用指标

演练:散点图找推广费用与销售额的关系(一元线性回归)

演练:推广费用、办公费用与销售额的关系(多元线性回归)

演练:让你的营销费用预算更准确

演练:如何选择最佳的回归预测模型(曲线回归)

Ø 带分类变量的回归预测

演练:汽车季度销量预测

演练:工龄、性别与终端销量的关系

演练:如何评估销售目标与资源配置(营业厅)

3、 自动筛选不显著自变量

 

第四部分: 回归预测模型优化篇

1、 回归分析的基本原理

Ø 三个基本概念:总变差、回归变差、剩余变差

Ø 方程的显著性检验:是否可以做回归分析?

Ø 因素的显著性检验:自变量是否可用?

Ø 拟合优度检验:回归模型的质量评估?

Ø 理解标准误差的含义:预测的准确性?

2、 回归模型优化思路:寻找最佳回归拟合线

Ø 如何处理预测离群值(剔除离群值)

Ø 如何剔除非显著因素(剔除不显著因素)

Ø 如何进行非线性关系检验(增加非线性自变量)

Ø 如何进行相互作用检验(增加相互作用自变量)

Ø 如何进行多重共线性检验(剔除共线性自变量)

Ø 如何检验误差项(修改因变量)

Ø 如何判断模型过拟合(模型过拟合判断)

案例:模型优化案例

3、 规划求解工具简介

4、 自定义回归模型(如何利用规划求解进行自定义模型)

案例:如何对餐厅客流量进行建模及模型优化

5、 好模型都是优化出来的

第五部分: 时序预测模型

问题:无法找到影响因素,无法回归建模,怎么办?随着业务受季节性因素影响,未来的销量如何预测?

1、 时序序列简介

2、 时序分析的原理及应用场景

3、 常见时序预测模型

1、 评估预测值的准确度指标

Ø 平均绝对误差MAD

Ø 均方差MSE/RMSE

Ø 平均误差率MAPE

4、 移动平均

Ø 应用场景及原理

Ø 移动平均种类

² 一次移动平均

² 二次移动平均

² 加权移动平均

² 移动平均比率法

Ø 移动平均关键问题

² 最佳期数N的选择原则

² 最优权重系数的选取原则

演练:平板电脑销量预测及评估

演练:快销产品季节销量预测及评估

5、 指数平滑

Ø 应用场景及原理

Ø 最优平滑系数的选取原则

Ø 指数平滑种类

² 一次指数平滑

² 二次指数平滑(Brown线性、Holt线性、Holt指数、阻尼线性、阻尼指数)

² 三次指数平滑

演练:煤炭产量预测

演练:航空旅客量预测及评估

6、 温特期季节性预测模型

Ø 适用场景及原理

Ø Holt-Winters加法模型

Ø Holt-Winters乘法模型

演练:汽车销量预测及评估

7、 回归季节预测模型

Ø 季节性回归模型的参数

Ø 基于时期t的相加模型

Ø 基于时期t的相乘模型

Ø 怎样解读模型的含义

案例:美国航空旅客里程的季节性趋势分析

8、 新产品预测模型与S曲线

Ø 新产品累计销量的S曲线模型

Ø 如何评估销量增长的上限以及拐点

Ø 珀尔曲线与龚铂兹曲线

案例:如何预测产品的销售增长拐点,以及销量上限

演戏:预测IPad产品的销量

第六部分: 分类预测模型

问题:如何评估客户购买产品的可能性?或者说,影响客户购买意向的产品关键特性是什么?

1、 分类预测模型概述

2、 常见分类预测模型

3、 评估分类模型的常用指标

Ø 正确率、查全率/查准率、特异性等

4、 逻辑回归分析模型(LR)

问题:如果评估用户是否购买产品的概率?

Ø 逻辑回归模型原理及适用场景

Ø 逻辑回归的种类

² 二项逻辑回归

² 多项逻辑回归

Ø 如何解读逻辑回归方程

Ø 带分类自变量的逻辑回归分析

Ø 多项逻辑回归

案例:如何评估用户是否会购买某产品(二项逻辑回归)

案例:多品牌选择模型分析(多项逻辑回归)

5、 决策树分类(DT)

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

² 如何选择最佳属性来构建节点

² 如何分裂变量

² 如何修剪决策树

Ø 选择最优属性

² 熵、基尼索引、分类错误

² 属性划分增益

Ø 如何分裂变量

² 多元划分与二元划分

² 连续变量离散化(最优划分点)

Ø 修剪决策树

² 剪枝原则

² 预剪枝与后剪枝

Ø 构建决策树的四个算法

² C5.0、CHAID、CART、QUEST

² 各种算法的比较

Ø 如何选择最优分类模型?

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

6、 人工神经网络(ANN)

Ø 神经网络概述

Ø 神经网络基本原理

Ø 神经网络的结构

Ø 神经网络的建立步骤

Ø 神经网络的关键问题

Ø BP反向传播网络(MLP)

Ø 径向基网络(RBF)

案例:评估银行用户拖欠货款的概率

7、 判别分析(DA)

Ø 判别分析原理

Ø 距离判别法

Ø 典型判别法

Ø 贝叶斯判别法

案例:MBA学生录取判别分析

案例:上市公司类别评估

8、 最近邻分类(KNN)

Ø 基本原理

Ø 关键问题

9、 贝叶斯分类(NBN)

Ø 贝叶斯分类原理

Ø 计算类别属性的条件概率

Ø 估计连续属性的条件概率

Ø 贝叶斯网络种类:TAN/马尔科夫毯

Ø 预测分类概率(计算概率)

案例:评估银行用户拖欠货款的概率

 

第七部分: 分类模型优化篇(集成方法)

1、 集成方法的基本原理:利用弱分类器构建强分类模型

Ø 选取多个数据集,构建多个弱分类器

Ø 多个弱分类器投票决定

2、 集成方法/元算法的种类

Ø Bagging算法

Ø Boosting算法

3、 Bagging原理

Ø 如何选择数据集

Ø 如何进行投票

Ø 随机森林

4、 Boosting的原理

Ø AdaBoost算法流程

Ø 样本选择权重计算公式

Ø 分类器投票权重计算公式

 

第八部分: 银行信用评分卡模型

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

Ø 筛选重要属性

Ø 数据集转化

Ø 建立分类模型

Ø 计算属性分值

Ø 确定审批阈值

4、 筛选重要属性

Ø 属性分段

Ø 基本概念:WOE、IV

Ø 属性重要性评估

5、 数据集转化

Ø 连续属性最优分段

Ø 计算属性取值的WOE

6、 建立分类模型

Ø 训练逻辑回归模型

Ø 评估模型

Ø 得到字段系数

7、 计算属性分值

Ø 计算补偿与刻度值

Ø 计算各字段得分

Ø 生成评分卡

8、 确定审批阈值

Ø 画K-S曲线

Ø 计算K-S值

Ø 获取最优阈值

 

结束:课程总结与问题答疑。

培训师介绍:

傅一航

华为系大数据专家

计算机软件与理论硕士研究生

(研究方向:数据挖掘、搜索引擎)

在华为工作十年,五项国家专利,在华为工作期间

获得华为数项奖项,曾在英国、日本、荷兰和比利

时等海外市场做项目,对大数据有深入的研究。

傅老师专注于大数据分析与挖掘、机器学习等应用技术,以及大数据系统部署解决方案。旨在将大数据的数据分析、数据挖掘、数据建模应用于行业及商业领域,解决行业实际的问题。

1、让决策更科学:将大数据应用于运营决策,用大数据探索领域发展规律和行业发展趋势,有效分析用户需求,并预测用户行为,最终实现市场变化预测,提升企业科学决策能力。

2、让管理更高效:将大数据应用于企业管理,用大数据呈现企业整体运营情况,诊断企业管理问题和风险,全面理解组织、产品、人员、营销、财务等要素间的相关性,实现企业资源的最优化配置,提升企业管理效率。

3、让营销更精准:将大数据应用于市场营销,解决营销中的用户群细分和品牌定位,客户价值评估,产品设计优化,产品最优定价等实际问题,实现精准营销和精准推荐,以最小的营销成本实现最大化的营销效果。

傅老师目前致力于将大数据技术应用于通信、金融、航空、电商、互联网、政府等领域。傅老师的课程最大特色:实战性强!“围绕业务问题+搭建分析框架+运用分析方法+建立分析模型+熟悉分析工具+形成业务策略”。以商业问题为起点,基于实际的业务应用场景(明确目的),搭建全面系统的业务框架和分析维度(分析思路),选择最合适的方法(分析方法),深入浅出的理论讲解(分析模型),使用简单实用的工具操作(分析工具),对分析结果进行有效的解读(数据可视化),最终形成具体的业务建议,实现业务分析/数据分析的闭环。

 

培训课题设计:

 

 

应用类:

《大数据分析与数据挖掘综合能力提升实战》

《“数”说营销----大数据营销实战与沙盘》

《市场营销大数据分析实战培训》

《大数据建模与模型优化实战培训》

《大数据分析与挖掘之SPSS工具入门与提高》

《金融行业风险预测模型实战培训》

 

理论/认知/战略类:

《大数据产业现状及应用创新》

《大数据思维与应用创新》

《大数据时代的精准营销》

 

技术类:

《Hadoop大数据解决方案开发技术基础培训》

《Python开发基础实战》

《大数据分析与挖掘之Python开发实战》

《Python机器学习算法原理及优化实现》

 

服务客户:

傅老师曾提供过培训咨询服务的客户遍及通信、金融、交通、制造、政府等行业,包括华为、富士康、平安集团、中国银行、招商银行、光大银行、中信银行、交通银行、广电银通、西部航空、海南航空、中国移动、中国联通、中国电信、西部航空、安能物流、广州地铁、富维江森、东风日产、神南矿业、公交集团、广州税务、良品铺子等单位和公司。

部分信息如下所示:

通信行业培训客户:

联通研究院:《大数据预测建模优化》

广州电信:《大数据时代的精准营销》两期

北京电信:《大数据分析综合能力提升》

香港电信:《大数据精准营销实战》

上海电信:《渠道大数据分析与挖掘思路及方法》两期

河北电信:《数据化运营下的大数据分析综合能力提升实战》

南京电信:《大数据视图支撑精准化营销》

佛山电信:《数据挖掘技术及其应用培训》

泉州电信:《大数据挖掘、信息分析及应用培训》

湖北联通:《大数据分析与商业智能》

广东联通:《数据分析与数据挖掘实战培训》两期

江苏联通:《大数据分析综合能力提升》

吉林联通:《大数据分析综合能力提升-中级》

乌鲁木齐联通:《大数据分析综合能力提升》

上海移动:《大数据分析与挖掘、建模及优化》叁期

浙江移动:《大数据分析与数据挖掘应用实战》

江苏移动:《大数据精准营销技能提升实战》

深圳移动:《大数据分析综合能力提升》

广西移动:《大数据发展趋势及在公司营销领域的应用》

辽宁移动2期:《数据分析方法与经营分析技巧》

泉州移动3期:《数说营销—市场营销数据分析与挖掘应用》

德阳移动2期:《大数据挖掘与建模优化实战培训》

浙江移动:《大数据产品营销能力提升》

四川移动:《大数据分析与挖掘综合能力提升》

吉林移动:《数据分析与数据挖掘培训》;

贵州移动:《“数”说营销----大数据营销实战与沙盘》

海南移动:《基于大数据运营的用户行为分析与精准定位》

山东移动:《大数据分析综合能力提升》

深圳移动:《大数据在行业内外的应用》

中国移动终端公司:《大数据分析综合能力提升培训》

中山移动:《“数”说营销----大数据营销实战与沙盘》

东莞移动:《“数”说营销----大数据营销实战与沙盘》

成都移动:《数字化运营下的数据分析与数据挖掘》

眉山移动2期:《大数据分析综合能力提升》

云浮移动:《大数据挖掘和信息提炼专项培训》

阳江移动:《小数据·大运营--运营数据的分析与挖掘》

德阳移动:《电信运营商市场营销数据挖掘应用典型案例》

陕西在线:《“数”说营销----大数据营销实战与沙盘》

四川在线:《“数”说营销----大数据营销实战与沙盘》

大连移动:《“数”说营销----大数据营销实战与沙盘》

内蒙古移动:《大数据分析与Hadoop大数据解决方案》

贵州中移通信:《SPSS数据分析与数据挖掘应用实战》

华为技术:《话务量预测与排班管理》

……

 

金融行业培训客户:

中国银行:《大数据变革与商业模式创新》《大数据时代的精准营销》

广发银行:《大数据下的精准营销实战》四期

中信银行:《大数据分析与挖掘综合能力提升实战》叁期

交通银行:《大数据时代的精准营销》

安信证券:《大数据时代下的金融发展》

平安集团:《大数据思维与应用创新》

平安产险:《大数据分析综合能力提升》

平安寿险:《大数据分析与应用实战》

平安银行:《大数据思维与应用创新》

农业银行:《Python大数据分析与挖掘》叁期

建设银行:《大数据思维与应用创新》两期

光大银行:《大数据分析与数据挖掘应用实战》四期

招商银行:《“数”说营销----大数据营销实战与沙盘》四期

杭州银货通科技:《大数据产业发展及应用创新》

广电银通:《大数据综合能力提升》

平安普惠金融:《Hadoop解决方案技术培训》

浦发银行:《大数据精准营销》

金融壹帐通:《大数据分析与挖掘综合能力提升实战》

中金所:《大数据思维与应用创新》

……

能源汽车交通行业培训客户:

一汽解放锡柴:《大数据思维与应用创新》

广东邮政:《大数据分析综合能力提升实战》

深圳水务:《大数据思维与应用创新》

宁夏国电:《大数据思维与应用》两期

柳州上汽五菱:《大数据下的精准营销实战》

东风商用:《数说营销实战》

东风日产:《大数据分析与数据挖掘应用实战》两期

富维江森(汽车):《数字化运营下的数据分析与数据挖掘应用培训》

广州地铁:《大数据分析与数据挖掘培训》两期

广州地铁:《数据分析与数据建模实战》两期

西部航空:《数字化运营下的数据分析与数据挖掘应用培训》

海南航空:《利用大数据营销提升航线收益》

南方航空:《大数据精准营销实战》两期

北京机场贵宾公司:《市场营销数据的分析》

深圳公交集团:《大数据与智慧交通》

延长壳牌:《大数据分析与挖掘综合能力提升》

神南矿业:《大数据产业发展与应用创新》

宝鸡国电:《大数据分析与挖掘》两期

顺丰快递:《大数据分析综合能力提升实战》

……

其它行业培训客户:

岭南集团:《大数据时代下的精准营销》

ABB:《大数据分析实战培训》

顶新国际:《大数据思维与应用创新》

索菲亚:《大数据分析实战培训》

玫琳凯:《大数据思维与应用》叁期

西部数据:《大数据分析综合能力提升》

无限极:《大数据分析综合能力提升》两期

雅图仕:《大数据分析综合能力提升》

施耐德:《大数据分析综合能力提升》叁期

广州税务:《大数据分析与挖掘实战》叁期

YKK吉田拉链:《大数据分析综合能力提升培训》

富士康:《数据分析综合能力提升培训》

贵州中烟:《互联网+时代的大数据思维》

深圳欣盛商:《电商大数据分析》

安能物流:《大数据挖掘分析及应用实战》

良品铺子:《大数据分析综合能力提升》两期

新时代集团:《问题的挖掘、分析—数据分析技巧》两期培训

挑战牧业:《大数据分析综合能力提升》

易鑫集团:《大数据分析综合能力提升》

赣州监狱:《大数据时代的营销》共三期培训

贺州学院:《大数据时代的人才培养》

……


培训对象:

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。

相关 大数据建模应用实战 ,大数据,课程: 点击查看更多相关课程
开课城市: