2-4天時間，或者根據培訓需求選擇組合（每天6個小時）

【學員要求】

1、     每個學員自備一臺便攜機(必須)。

2、     便攜機中事先安裝好Excel 2013版本及以上（前兩天用）。

3、     便攜機中事先安裝好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據源。

【授課方式】

理論精講 + 案例演練 + 實際業務問題分析 + Excel實踐操作 + SPSS實踐操作

本課程突出數據分析的實際應用，結合行業的典型應用特點，圍繞實際的商業問題，進行大數據的分析與挖掘，介紹常用的方法和模型，以及模型適用場景，通過演練操作，以達到提升學員對營銷數據的分析以及對數據模型的深入理解。

 第一部分：  數據核心理念—數據思維篇

問題：什么是數據思維？大數據決策的底層邏輯以及決策依據是什么？

1、 數字化五大技術戰略：ABCDI戰略

2、 大數據的本質

‐  數據，是事物發展和變化過程中留下的痕跡

‐  大數據不在于量大，而在于全（多維性）

‐  業務導向還是技術導向

3、 大數據決策的底層邏輯（即四大核心價值）

‐  探索業務規律，按規律來管理決策

案例：客流規律與排班及最佳營銷時機

案例：致命交通事故發生的時間規律

‐  發現運營變化，定短板來運營決策

案例：考核周期導致的員工月初懈怠

案例：工序信號異常監測設備故障

‐  理清要素關系，找影響因素來決策

案例：情緒對于股市漲跌的影響

案例：為何升職反而會增加離職風險？

‐  預測未來趨勢，通過預判進行決策

案例：惠普預測員工離職風險及挽留

案例：保險公司的車險預測與個性化保費定價

4、 大數據決策的三個關鍵環節

‐  業務數據化：將業務問題轉化為數據問題

‐  數據信息化：提取數據中的業務規律信息

‐  信息策略化：基于規律形成業務應對策略

案例：用數據來識別喜歡賺“差價”的營業員

第二部分：  數據精準營銷—分析過程篇

問題：大數據實現精準營銷的整個過程是什么？要經歷哪些步驟？如何構建精準營銷的數據支撐框架？需要采集哪些數據？

1、 數據分析的六步曲

‐  明確目標，確定分析思路

‐  收集數據，尋找分析素材

‐  整理數據，確保數據質量

‐  分析數據，尋找業務答案

‐  呈現數據，解讀業務規律

‐  撰寫報告，形成業務策略

2、 精準營銷的業務分析框架（6R準則）

‐  尋找正確的客戶

‐  匹配正確的產品

‐  確定合理的價格

‐  通過合適的渠道

‐  采用合適的方式

‐  設計恰當的信息

演練：如何構建一個良好的大數據精準營銷分析框架

3、 精準營銷項目的整個分析過程

演練：如何用大數據來支撐產品精準營銷項目

第三部分：  用戶行為分析—分析方法篇

問題：數據分析方法的種類？分析方法的不同應用場景？

1、 業務分析的三個階段

‐  現狀分析：通過企業運營指標來發現規律及短板

‐  原因分析：查找數據相關性，探尋目標影響因素

‐  預測分析：合理配置資源，預判業務未來的趨勢

2、 常用的數據分析方法種類

‐  描述性分析法（對比/分組/結構/趨勢/交叉…）

‐  相關性分析法（相關/方差/卡方…）

‐  預測性分析法（回歸/時序/決策樹/神經網絡…）

‐  專題性分析法（聚類/關聯/RFM模型/…）

3、 統計分析基礎

‐  統計分析兩大關鍵要素（類別、指標）

‐  統計分析的操作模式（類別à指標）

‐  統計分析三個操作步驟（統計、畫圖、解讀）

‐  透視表的三個組成部分

4、 常用的描述性指標

‐  集中程度：均值、中位數、眾數

‐  離散程度：極差、方差/標準差、IQR

‐  分布形態：偏度、峰度

5、 基本分析方法及其適用場景

‐  對比分析（查看數據差距，發現事物變化）

演練：尋找用戶的地域分布特征

演練：分析產品受歡迎情況及貢獻大小

演練：用數據來探索增量不增收困境的解決方案

‐  分布分析（查看數據分布，探索業務層次）

演練：銀行用戶的消費水平和消費層次分析

演練：客戶年齡分布/收入分布分析

案例：通信運營商的流量套餐劃分合理性的評估

演練：呼叫中心接聽電話效率分析（呼叫中心）

‐  結構分析（查看指標構成，評估結構合理性）

案例：增值業務收入結構分析（通信）

案例：物流費用成本結構分析（物流）

案例：中移動用戶群動態結構分析

演練：財務領域的結構瀑布圖、財務收支的變化瀑布圖

‐  趨勢分析（發現事物隨時間的變化規律）

案例：破解零售店銷售規律

案例：手機銷量的淡旺季分析

案例：微信用戶的活躍時間規律

演練：發現客流量的時間規律

‐  交叉分析（從多個維度的數據指標分析）

演練：用戶性別+地域分布分析

演練：不同客戶的產品偏好分析

演練：不同學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

第四部分：  用戶行為分析—分析框架篇

問題：如何才能全面/系統地分析而不遺漏？如何分解和細化業務問題？

1、 業務分析思路和分析框架來源于業務模型

2、 常用的業務模型

‐  外部環境分析：PEST

‐  業務專題分析：5W2H

‐  競品/競爭分析：SWOT、波特五力

‐  營銷市場專題分析：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、產品亮點、競品優劣勢）

‐  WHAT：產品（產品喜好、產品貢獻、產品功能、產品結構）

‐  WHO：客戶（基本特征、消費能力、產品偏好）

‐  WHEN：時間（淡旺季、活躍時間、重購周期）

‐  WHERE：區域/渠道（區域喜好、渠道偏好）

‐  HOW：支付/促銷（支付方式、促銷方式有效性評估等）

‐  HOW MUCH：價格（費用、成本、利潤、收入結構、價格偏好等）

案例討論：結合公司情況，搭建用戶消費習慣的分析框架（5W2H）

4、 數據分析策略

第五部分：  影響因素分析—原因分析篇

營銷問題：哪些因素是影響業務目標的關鍵要素？比如，產品在貨架上的位置是否對銷量有影響？價格和廣告開銷是如何影響銷量的？影響風控的關鍵因素有哪些？如何判斷？

1、 影響因素分析的常見方法

2、 相關分析（衡量兩數據型變量的線性相關性）

‐  相關分析簡介

‐  相關分析的應用場景

‐  相關分析的種類

◢   簡單相關分析

◢   偏相關分析

◢   距離相關分析

‐  相關系數的三種計算公式

◢   Pearson相關系數

◢   Spearman相關系數

◢   Kendall相關系數

‐  相關分析的假設檢驗

‐  相關分析的四個基本步驟

演練：營銷費用會影響銷售額嗎？影響程度如何量化？

演練：哪些因素與汽車銷量有相關性

演練：影響用戶消費水平的因素會有哪些

‐  偏相關分析

◢   偏相關原理：排除不可控因素后的兩變量的相關性

◢   偏相關系數的計算公式

◢   偏相關分析的適用場景

‐  距離相關分析

3、 方差分析（衡量類別變量與數值變量間的相關性）

‐  方差分析的應用場景

‐  方差分析的三個種類

◢   單因素方差分析

◢   多因素方差分析

◢   協方差分析

‐  單因素方差分析的原理

‐  方差分析的四個步驟

‐  解讀方差分析結果的兩個要點

演練：擺放位置與銷量有關嗎

演練：客戶學歷對消費水平的影響分析

演練：廣告和價格是影響終端銷量的關鍵因素嗎

演練：營業員的性別、技能級別對產品銷量有影響嗎

演練：尋找影響產品銷量的關鍵因素

‐  多因素方差分析原理

‐  多因素方差分析的作用

‐  多因素方差結果的解讀

演練：廣告形式、地區對銷量的影響因素分析

‐  協方差分析原理

‐  協方差分析的適用場景

演練：排除產品價格，收入對銷量有影響嗎？

4、 列聯分析/卡方檢驗（兩類別變量的相關性分析）

‐  交叉表與列聯表：計數值與期望值

‐  卡方檢驗的原理

‐  卡方檢驗的幾個計算公式

‐  列聯表分析的適用場景

案例：套餐類型對客戶流失的影響分析

案例：學歷對業務套餐偏好的影響分析

案例：行業/規模對風控的影響分析

5、 相關性分析方法總結

第六部分：  產品銷量預測—回歸預測篇

營銷問題：如何預測未來的產品銷量/銷售額？如果產品跟隨季節性變動，該如何預測？

1、 回歸分析簡介和原理

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

‐  散點圖+趨勢線（一元）

‐  線性回歸工具（多元線性）

‐  規劃求解工具（非線性回歸）

演練：散點圖找營銷費用與銷售額的關系

4、 線性回歸分析的五個步驟

演練：營銷費用、辦公費用與銷售額的關系（線性回歸）

5、 線性回歸方程的解讀技巧

‐  定性描述：正相關/負相關

‐  定量描述：自變量變化導致因變量的變化程度

6、 回歸預測模型評估

‐  質量評估指標：判定系數R^2

‐  如何選擇最佳回歸模型

演練：如何選擇最佳的回歸預測模型（一元曲線回歸）

7、 帶分類自變量的回歸預測

演練：汽車季度銷量預測

演練：工齡、性別與終端銷量的關系

演練：如何評估銷售目標與資源最佳配置

8、 回歸分析的基本原理

‐  三個基本概念：總變差、回歸變差、剩余變差

‐  方程的顯著性檢驗：方程可用性

‐  因素的顯著性檢驗：因素可用性

‐  方程擬合優度檢驗：質量好壞程度

‐  理解標準誤差含義：預測準確性？

9、 回歸模型優化措施：尋找最佳回歸擬合線

‐  如何處理預測離群值（剔除離群值）

‐  如何剔除不顯著因素（剔除不顯著因素）

‐  如何進行非線性關系檢驗（增加非線性自變量）

‐  如何進行相互作用檢驗（增加相互作用自變量）

‐  如何進行多重共線性檢驗（剔除共線性自變量）

演練：模型優化演示

10、     好模型都是優化出來的

第七部分：  客流預測模型—自定義回歸篇

1、 回歸建模的本質

2、 規劃求解工具簡介

3、 自定義回歸模型

案例：如何對客流量進行建模預測及模型優化

4、 季節性預測模型

‐  回歸季節模型的原理及應用場景

‐  加法季節模型

‐  乘法季節模型

‐  模型解讀

案例：美國航空旅客里程的季節性趨勢分析

5、 新產品累計銷量的S曲線

‐  S曲線模型的應用場景（最大累計銷量及銷量增長的拐點）

‐  珀爾曲線

‐  龔鉑茲曲線

案例：如何預測產品的銷售增長拐點，以及銷量上限

演練：預測IPad產品的銷量

第八部分：  產品銷量預測—時序預測篇

營銷問題：像利率/CPI/GDP等按時序變化的指標如何預測？當銷量隨季節周期變動時該如何預測？

1、 回歸預測vs時序預測

2、 因素分解思想

3、 時序預測常用模型

‐  趨勢擬合

‐  季節擬合

‐  平均序列擬合

4、 評估預測值的準確度指標：MAD、RMSE、MAPE

5、 移動平均（MA）

‐  應用場景及原理

‐  移動平均種類

◢   一次移動平均

◢   二次移動平均

◢   加權移動平均

◢   移動平均比率法

‐  移動平均關鍵問題

◢   如何選取最優參數N

◢   如何確定最優權重系數

演練：平板電腦銷量預測及評估

演練：快銷產品季節銷量預測及評估

6、 指數平滑（ES）

‐  應用場景及原理

‐  最優平滑系數的選取原則

‐  指數平滑種類

◢   一次指數平滑

◢   二次指數平滑（Brown線性、Holt線性、Holt指數、阻尼線性、阻尼指數）

◢   三次指數平滑

演練：煤炭產量預測

演練：航空旅客量預測及評估

7、 溫特斯季節預測模型

‐  適用場景及原理

‐  Holt-Winters加法模型

‐  Holt-Winters乘法模型

演練：汽車銷量預測及評估

8、 平穩序列模型（ARIMA）

‐  序列的平穩性檢驗

‐  平穩序列的擬合模型

◢   AR(p)自回歸模型

◢   MA(q)移動模型

◢   ARMA(p,q)自回歸移動模型

‐  模型的識別與定階

◢   ACF圖/PACF圖

◢   最小信息準則

‐  序列平穩化處理

◢   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收益率序列分析

演練：服裝銷售數據季節性趨勢預測分析

‐  平穩序列的建模流程

第九部分：  客戶行為預測—分類預測篇

問題：如何評估客戶購買產品的可能性？如何預測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準推薦產品或業務？

1、 分類模型概述及其應用場景

2、 常見分類預測模型

3、 邏輯回歸（LR）

‐  邏輯回歸的適用場景

‐  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  二項邏輯回歸

2  多項邏輯回歸

‐  如何解讀邏輯回歸方程

‐  帶分類自變量的邏輯回歸分析

‐  多項邏輯回歸/多分類邏輯回歸

案例：如何評估用戶是否會購買某產品（二項邏輯回歸）

案例：多品牌選擇模型分析（多項邏輯回歸）

4、 分類決策樹（DT）

問題：如何預測客戶行為？如何識別潛在客戶？

風控：如何識別欠貸者的特征，以及預測欠貸概率？

客戶保有：如何識別流失客戶特征，以及預測客戶流失概率？

‐  決策樹分類簡介

案例：美國零售商（Target）如何預測少女懷孕

演練：識別銀行欠貨風險，提取欠貸者的特征

‐  決策樹分類的幾何意義

‐  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

‐  選擇最優屬性生長

◢   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（最優分割點）

‐  修剪決策樹

◢   剪枝原則

◢   預剪枝與后剪枝

‐  構建決策樹的四個算法

◢   C5.0、CHAID、CART、QUEST

◢   各種算法的比較

‐  如何選擇最優分類模型？

案例：商場用戶的典型特征提取

案例：客戶流失預警與客戶挽留

案例：識別拖欠銀行貨款者的特征，避免不良貨款

案例：識別電信詐騙者嘴臉，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用

5、 人工神經網絡（ANN）

‐  神經網絡概述

‐  神經網絡基本原理

‐  神經網絡的結構

‐  神經網絡分類的幾何意義

‐  神經網絡的建立步驟

‐  神經網絡的關鍵問題

‐  BP反向傳播網絡（MLP）

‐  徑向基網絡（RBF）

案例：評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學生錄取判別分析

案例：上市公司類別評估

7、 最近鄰分類（KNN）

‐  KNN模型的基本原理

‐  KNN分類的幾何意義

‐  K近鄰的關鍵問題

8、 支持向量機（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：特征空間的轉換

‐  維災難與核函數

9、 貝葉斯分類（NBN）

‐  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）

‐  拉普拉斯修正

案例：評估銀行用戶拖欠貨款的概率

第十部分：  市場細分模型—聚類模型篇

問題：我們的客戶有幾類？各類特征是什么？如何實現客戶細分，開發符合細分市場的新產品？如何提取客戶特征，從而對產品進行市場定位？

1、 市場細分的常用方法

‐  有指導細分

‐  無指導細分

2、 聚類分析

‐  如何更好的了解客戶群體和市場細分？

‐  如何識別客戶群體特征？

‐  如何確定客戶要分成多少適當的類別？

‐  聚類方法原理介紹

‐  聚類方法作用及其適用場景

‐  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：移動三大品牌細分市場合適嗎？

演練：寶潔公司如何選擇新產品試銷區域？

演練：如何自動評選優秀員工？

演練：中國各省份發達程度分析，讓數據自動聚類

‐  層次聚類（系統聚類）：發現多個類別

‐  R型聚類與Q型聚類的區別

案例：中移動如何實現客戶細分及營銷策略

演練：中國省市經濟發展情況分析（Q型聚類）

演練：裁判評分的標準衡量，避免“黑哨”（R型聚類）

‐  兩步聚類

3、 客戶細分與PCA分析法

‐  PCA主成分分析的原理

‐  PCA分析法的適用場景

演練：利用PCA對汽車客戶群進行細分

演練：如何針對汽車客戶群設計汽車

第十一部分：        客戶價值評估—RFM模型篇

營銷問題：如何評估客戶的價值？不同的價值客戶有何區別對待？

1、 如何評價客戶生命周期的價值

‐  貼現率與留存率

‐  評估客戶的真實價值

‐  使用雙向表衡量屬性敏感度

‐  變化的邊際利潤

案例：評估營銷行為的合理性

2、 RFM模型（客戶價值評估）

‐  RFM模型，更深入了解你的客戶價值

‐  RFM模型與市場策略

‐  RFM模型與活躍度分析

演練：“雙11”淘寶商家如何選擇價值客戶進行促銷

演練：結合響應模型，宜家IKE實現最大化營銷利潤

案例：重購用戶特征分析

第十二部分：        產品推薦算法—推薦模型篇

問題：購買A產品的顧客還常常要購買其他什么產品？應該給客戶推薦什么產品最有可能被接受？

1、 從搜索引擎到推薦引擎

2、 常用產品推薦模型及算法

3、 基于流行度的推薦

‐  基于排行榜的推薦，適用于剛注冊的用戶

‐  優化思路：分群推薦

4、 基于內容的推薦CBR

‐  關鍵問題：如何計算物品的相似度

‐  優缺點

‐  優化：Rocchio算法、基于標簽的推薦、基于興趣度的推薦

5、 基于用戶的推薦

‐  關鍵問題：如何對用戶分類/計算用戶的相似度

‐  算法：按屬性分類、RFM模型、PCA、聚類、按偏好分類、按地理位置

6、 協同過濾的推薦

‐  基于用戶的協同過濾

‐  基于物品的協同過濾

‐  冷啟動的問題

案例：計算用戶相似度、計算物品相似度

7、 基于關聯分析的推薦

‐  如何制定套餐，實現交叉/捆綁銷售

案例：啤酒與尿布、颶風與蛋撻

‐  關聯分析模型原理（Association）

‐  關聯規則的兩個關鍵參數

◢   支持度

◢   置信度

‐  關聯分析的適用場景

案例：購物籃分析與產品捆綁銷售/布局優化

案例：通信產品的交叉銷售與產品推薦

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

‐  按社交關系

‐  基于時間上下文

10、     多推薦引擎的協同工作

第十三部分：        產品定價策略—最優定價篇

營銷問題：產品如何實現最優定價？套餐價格如何確定？采用哪種定價策略可達到利潤最大化？

1、 常見的定價方法

2、 產品定價的理論依據

‐  需求曲線與利潤最大化

‐  如何求解最優定價

案例：產品最優定價求解

3、 如何評估需求曲線

‐  價格彈性

‐  曲線方程（線性、乘冪）

4、 如何做產品組合定價

5、 如何做產品捆綁/套餐定價

‐  最大收益定價（演進規劃求解）

‐  避免價格反轉的套餐定價

案例：電信公司的寬帶、IPTV、移動電話套餐定價

6、 非線性定價原理

‐  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：雙重收費如何定價（如會費+按次計費）

7、 階梯定價策略

案例：電力公司如何做階梯定價

8、 數量折扣定價策略

案例：如何通過折扣來實現薄利多銷

9、 定價策略的評估與選擇

案例：零售公司如何選擇最優定價策略

10、     航空公司的收益管理

‐  收益管理介紹

‐  如何確定機票預訂限制

‐  如何確定機票超售數量

‐  如何評估模型的收益

案例：FBN航空公司如何實現收益管理（預訂/超售）

第十四部分：        實戰篇(客戶行為預測)

1、電信業客戶流失預警與客戶挽留模型

2、銀行欠貸風險預測模型

結束：課程總結與問題答疑。