当前位置: 首页 > 市场营销 > 电子商务 > 数据分析与挖掘——电子渠道篇
时间安排 |
大纲 |
课程内容 |
课程收获 |
**天上午 |
破冰开场 |
1. 开篇故事:阿里巴巴的秘密武器 2. 课程收益 3. 组建学习团队 4. 达成共识 |
l 破冰 l 激发学习兴趣 l 培训纪律 |
**天上午 |
数据挖掘引论 |
1. 数据化运营 1.1. 现代营销理论的发展 1.1.1. 从4P到4C 1.1.2. 从4C到3P3C 1.2. 数据化运营的主要内容 1.3. 为什么要数据化运营 1.4. 数据化运营的必要条件 2. 数据分析与数据挖掘 2.1. 什么是数据分析? 2.2. 什么是数据挖掘? 2.3. 数据挖掘的起源 2.4. 数据挖掘的任务 2.5. 数据挖掘主要成熟技术 2.5.1. 决策树 2.5.2. 神经网络 2.5.3. 回归分析 2.5.4. 关联规则 2.5.5. 聚类分析 2.5.6. 贝叶斯分类方法 2.5.7. 支持向量机 2.5.8. 主成分分析 2.5.9. 假设检验 2.6. 电信及互联网行业数据挖掘应用的特点
|
l 了解数据挖掘的主要用途 l 了解数据挖掘的概念、流程、主要技术 |
**天上午 |
电子渠道数据分析工具 |
1. 数据类型 1.1. 属性与度量 1.2. 数据集的类型 2. 数据质量 3. 数据预处理 3.1. 聚集 3.2. 抽样 3.3. 特征创建 3.4. 离散化和二元化 3.5. 变量变换 4. 汇总数据 4.1. 频数和众数 4.2. 百分位数 4.3. 位置度量:均值和中位数 4.4. 散布度量:极差和方差 4.5. 多元汇总方法 4.6. 其他汇总数据的方法 5. 数据可视化 5.1. 可视化一般概念 5.2. 可视化技术 5.3. 可视化高维数据 6. OLAP和多维数据分析 6.1. 多维数据一般情况 6.2. 分析多维数据
|
l 掌握数据分析的基本概念、方法 l 掌握数据探索的基本方法 l 掌握可视化和OLAP的基本方法 |
**天下午 |
分类分析的方法与技术 |
1. 解决分类问题的一般方法 2. 决策树归纳法 2.1. 决策树的工作原理 2.2. 如何建立决策树 2.3. 选择佳划分的度量 2.4. 决策树归纳算法 3. 模型的过分拟合 4. 评估分类器的性能 5. 基于规则的分类器 6. 近邻分类器 7. 贝叶斯分类器 8. 人工神经网络 9. 支持向量机 10. 组合方法 11. 不平衡类问题 12. 多类问题 13. 案例:分类分析案例
|
l 掌握分类分析的方法和技术 |
第二天 |
关联分析的方法与技术 |
1. 问题定义 2. 频繁项集的产生 3. 规则产生 4. 频繁项集的紧凑表示 5. FP增长算法 6. 关联模式的评估 7. 处理分类属性 8. 处理连续属性 9. 处理概念分层 10. 序列模式 11. 子图模式 12. 案例:关联分析案例
|
l 掌握关联分析的方法与技术 |
第三天 |
聚类分析的方法与技术 |
1. 聚类分析的概念 2. K均值 3. 凝集层次聚类 4. DBSCAN聚类算法 5. 簇评估 6. 数据和簇特征 7. 基于原型的聚类 8. 基于密度的聚类 9. 基于图的聚类 10. 可伸缩的聚类算法 11. 案例:聚类分析案例
|
l 掌握聚类分析的方法和技术 |
第四天上午 |
数据挖掘应用要点 |
1. 数据挖掘是跨专业款团队的合作 1.1. 数据分析团队与业务团队的分工和定位 1.2. 数据分析团队与业务团队的协同作业 1.3. 案例:阿里巴巴数据挖掘团体架构 2. 数据分析师是分析团队的灵魂 2.1. 数据分析师常见错误观念 2.1.1. 轻视业务论 2.1.2. 技术万能论 2.1.3. 技术尖端论 2.1.4. 建模与应用两段论 2.1.5. 机器万能论 2.2. 数据分析师品质和思维模式培养 2.2.1. 态度决定一切 2.2.2. 商业意识是核心 2.2.3. 一个基本的方法论 2.2.4. 大胆假设,小心求证 2.2.5. 结构化思维 2.2.6. 主观与客观的结合 2.3. 数据挖掘的质量保障制度与流程 2.3.1. 业务需求的收集 2.3.2. 评估需求的优先级 2.3.3. 课题组的成立及前期摸底 2.3.4. 提交正式课题计划书 2.3.5. 数据挖掘课题展开 2.3.6. 提交结论报告及业务落地应用建议书 2.3.7. 效果监控反馈
|
l 理解数据分析团队的特点 l 理解数据分析的要求 l 掌握数据分析应用的开展流程 |
第四天上午 |
电子商务数据分析与挖掘工具 |
1. SPSS数据文件的建立和管理 2. SPSS数据的预处理 2.1. 数据的排序 2.2. 变量计算 2.3. 数据选取 2.4. 计数 2.5. 分类汇总 2.6. 数据分组 3. SPSS基本统计 3.0.1. 频数统计 3.0.2. 计算基本统计量 3.0.3. 交叉分组统计 3.0.4. 多选项分析 3.0.5. 比率分析 4. SPSS的参数检验 5. SPSS的方差分析 6. SPSS的相关分析与线性回归分析 7. SPSS的聚类分析 7.1. 一般聚类 7.2. 层次聚类 7.3. K-Means聚类
|
l 掌握SPSS的基本用法 |
第四天下午 |
电子商务常见数据挖掘项目 |
1. 目标客户的预测/响应/分类模型 2. 用户路径分析模型 3. 交叉销售模型 4. 信息/用户质量模型 5. 服务保障模型 6. 用户/买家/卖家分层模型 7. 交易模型 8. 信用风险模型 9. 用户流失模型 10. 商品推荐模型
|
l 掌握常见数挖掘项目的要点 |
第四天下午 |
电子商务数据挖掘案例 |
1. 基于数据挖掘的电子渠道分类模型 2. 基于数据挖掘技术的通信行业电子渠道营销平台设计与实施 3. 阿里巴巴数据挖掘经典案例全程演示——免费会员成熟度分析及付费用户转化 |
l 了解电子渠道数据挖掘案例 |
""