本数据分析与挖掘系列课程包括三个等级的课程： 1、基础课程，专注于经营数据的统计与数据分析，适合于一般业务部门要求的数据统计与分析，内容系统且全面，由浅入深，使用工具为Excel 2010版本以上。 2、中级课程，专注于行业数据分析与数据挖掘，适合于数据分析部、业务支撑部等对数据分析与挖掘要求较高的部门，使用专业数据分析与挖掘工具SPSS v19版本以上。 3、高级课程，专注于较深入的数据挖掘技术，包括挖掘模型原理介绍，数据建模，挖掘算法，适合于大数据系统开发及数据分析专业人士，需要有一定的数学基础（统计与概率），使用数据流挖掘工具Modeler 14.1版本以上。 本课程为高级课程，面向数据分析部等专门负责数据分析与挖掘的人士。 本课程培训覆盖以下内容： 1、数据挖掘标准流程。 2、数据挖掘探索性分析。 3、数据挖掘模型原理。

1、掌握数据挖掘的基本过程和步骤。 2、掌握数据挖掘的预处理方法，探索数据间的相关性，为建模打下基础。 3、理解数据挖掘的常见模型，原理及适用场景。 4、熟练掌握Modeler基本操作，能利用Modeler进行数据挖掘。

【课程大纲】

IBM SPPS Modeler是一个数据流处理工具，适用于数据探索与数据挖掘，包括数据预处理、数据探索、数据可视化、数据建模、数据模型优化。

**部分：数据挖掘基础知识（基础，决定你的高度）

1、 数据挖掘工具简介

Ø EXCEL规划求解（数据建模工具）

Ø SAS统计分析系统

Ø SPSS统计产品与服务解决方案

2、 数据挖掘概述

案例：宜家IKE如何**数据挖掘来降低营销成本提升利润？

3、 数据挖掘的标准流程（CRISP-DM）

Ø 商业理解

Ø 数据准备

Ø 数据理解

Ø 模型建立

Ø 模型评估

Ø 模型应用

案例：通信客户流失分析及预警模型

4、 数据建模示例

案例：客户匹配度建模—找到你的准客户

第二部分：数据理解与数据准备（Modeler实操）

1、 数据挖掘处理的一般过程

Ø 数据源à数据理解à数据准备à探索分析à数据建模à模型评估

2、 数据读入

Ø 读入文本文件

Ø 读入Excel电子表格

Ø 读入SPSS格式文件

Ø 读入数据库数据

3、 数据集成

Ø 变量合并（增加变量）

Ø 数据追加（添加记录）

4、 数据理解

Ø 取值范围限定

Ø 重复数据处理

Ø 缺失值处理

Ø 无效值处理

Ø 离群点和极端值的修正

Ø 数据质量评估

5、 数据准备：数据处理

Ø 数据筛选：数据抽样/选择（减少样本数量）

Ø 数据精简：数据分段/离散化（减少变量的取值）

Ø 数据平衡：正反样本比例均衡

Ø 其它：排序、分类汇总

6、 数据准备：变量处理

Ø 变量变换：原变量值更新

Ø 变量派生：生成新的变量

Ø 变量精简：降维，减少变量个数

7、 基本分析

Ø 单变量：数据基本描述分析

Ø 双变量：相关性分析

Ø 变量精简：特征选择、因子分析

8、 特征选择

Ø 特征选择方法：选择重要变量，剔除不重要的变量

Ø 从变量本身考虑

Ø 从输入变量与目标变量的相关性考虑

9、 因子分析（主成分分析）

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：因素影响分析（特征重要性分析）

问题：如何判断一个因素对另一个因素有影响？

比如营销费用是否会影响销售额？产品价格是否会影响销量？产品的陈列位置是否会影响销量？

1、 常用特征重要性分析的方法

Ø 特征选择（减少变量个数）：相关分析、方差分析、卡方检验

Ø 因子分析（减少变量个数）：主成分分析

Ø 确定变量个数参考表

2、 相关分析（数值 数值，相关程度计算）

问题：这两个属性是否会相互影响？影响程度大吗？

Ø 相关分析概述

Ø 相关系数计算公式

Ø 相关性假设检验

案例：通信基本费用与开通月数的相关分析

3、 方差分析（分类 数值，影响因素分析）

问题：哪些才是影响销量的关键因素？

Ø 方差分析原理

Ø 方差分析的步骤

Ø 方差分析适用场景

案例：开通月数对客户流失的影响分析

4、 列联分析（分类 分类，影响因素分析）

Ø 列联表的原理

Ø 卡方检验的步骤

Ø 列联表分析的适用场景

案例：套餐类型对对客户流失的影响分析

第四部分：分类预测模型分析

1、 分类概述

Ø 分类的基本过程

Ø 常见分类预测模型

2、 逻辑回归分析模型

问题：如果评估用户是否购买产品的概率？

Ø 逻辑回归分析

Ø 逻辑回归的原理

案例：客户购买预测分析（二元逻辑回归）

3、 决策树分类

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

Ø 决策树算法

Ø 如何评估分类模型的性能（查准率、查全率）

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

4、 神经网络

Ø 神经网络概述

Ø 神经元工作原理

Ø 神经网络的建立步骤

Ø B-P反向传播网络（MLP）

Ø 径向基函数网络（RBF）

5、 支持向量机

Ø SVM基本原理

Ø 维灾难与核函数

6、 朴素贝叶斯分类

Ø 条件概率

Ø 朴素贝叶斯

Ø TAN贝叶斯网络

Ø 马尔科夫毯网络

第五部分：市场细分与客户细分

1、 客户细分常用方法

2、 聚类分析（Clustering）

问题：如何对市场进行细分？如何提取客户特征，从而对产品进行市场定位？

Ø 聚类方法原理介绍

Ø 聚类方法适用场景

Ø 如何细分客户群，并提取出客户群的特征？

Ø K均值聚类（快速聚类）

Ø 两步聚类

案例：移动三大品牌细分市场合适吗？

演练：宝洁公司如何选择新产品试销区域？

3、 RFM模型分析

Ø RFM模型，更深入了解你的客户价值

Ø RFM模型与市场策略

Ø RFM模型与活跃度

案例：淘宝客户价值评估与促销名单

第六部分：其他市场营销分析方法

1、 关联分析（Association）

问题：购买面包的人是否也会购买牛奶？他们同时购买哪些产品？

Ø 关联规则原理介绍

Ø 关联规则适用场景：交叉销售、捆绑营销、产品布局

案例：超市商品交叉销售与布局优化（关联分析）

结束：课程总结与问题答疑。