当前位置: 首页 > 内训课程 > 课程内容
广告1
相关热门公开课程更多 》
相关热门内训课程更多 》
相关最新下载资料
大数据挖掘工具: SPSS Statistics入门与提高

大数据挖掘工具: SPSS Statistics入门与提高

课程编号：32134

课程价格：￥26000/天

课程时长：4 天

课程人气：272

行业类别：行业通用     

专业类别：大数据 

授课讲师：傅一航

  • 课程说明
  • 讲师介绍
  • 选择同类课
【培训对象】
市场部、业务支撑部、数据分析部、运营分析部等对业务数据分析有较高要求的相关人员。

【培训收益】


第一部分：数据挖掘标准流程
1、数据挖掘概述
2、数据挖掘的标准流程（CRISP-DM）
商业理解
数据准备
数据理解
模型建立
模型评估
模型应用
案例：客户流失预测及客户挽留
3、数据集概述
4、SPSS工具介绍
5、数据挖掘常用模型
第二部分：数据预处理
如何整理数据，了解数据，对数据进行预处理？
1、数据预处理的四大任务
数据集成：多个数据集合并
数据清洗：异常值的处理
样本处理：样本筛选、样本抽样、样本平衡
变量处理：变量变换、变量派生、变量精简
2、数据集成（数据集合并）
样本追加（添加数据行）：横向合并
变量合并（添加变量列）：纵向合并
3、数据清洗（异常数据处理）
取值范围限定
重复值处理
无效值/错误值处理
缺失值处理
离群值/极端值处理
数据质量评估
4、样本处理：行处理
样本筛选：指定条件筛选指定样本集（减少样本数量）
样本抽样：随机抽取部分样本集（减少样本数量）
样本平衡：正反样本比例均衡
5、变量处理：列处理
变量变换：原变量取值更新，比如标准化
变量派生：根据旧变量生成新的变量
变量精简：变量删除/降维，减少变量个数
类型转换：数据类型的相互转换
6、变量精简/变量降维常用方法
常用降维方法
如何确定降维后变量个数
特征选择：选择重要变量，剔除不重要变量
基于变量本身特征来选择属性
基于数据间的相关性来选择属性
利用IV值筛选
基于信息增益来选择属性
因子合并：将多个变量进行合并
PCA主成分分析
判别分析
7、类型转换
8、因子合并/主成分分析
因子分析的原因
因子个数选择原则
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
9、数据探索性分析
常用统计指标分析
单变量：数值变量/分类变量
双变量：交叉分析/相关性分析
多变量：特征选择、因子分析
演练：描述性分析（频数、描述、探索、分类汇总）
第三部分：数据可视化
1、数据可视化的原则
2、常用可视化工具
3、常用可视化图形
柱状图、条形图、饼图、折线图、箱图、散点图等
4、图形的表达及适用场景
演练：各种图形绘制
第四部分：影响因素分析篇
营销问题：哪些因素是影响业务目标的关键要素？比如，产品在货架上的位置是否对销量有影响？价格和广告开销是如何影响销量的？影响风控的关键因素有哪些？如何判断？
1、影响因素分析的常见方法
2、相关分析（衡量两数据型变量的线性相关性）
相关分析简介
相关分析的应用场景
相关分析的种类
简单相关分析
偏相关分析
距离相关分析
相关系数的三种计算公式
Pearson相关系数
Spearman相关系数
Kendall相关系数
相关分析的假设检验
相关分析的四个基本步骤
演练：营销费用会影响销售额吗？影响程度如何量化？
演练：哪些因素与汽车销量有相关性
演练：影响用户消费水平的因素会有哪些
偏相关分析
偏相关原理：排除不可控因素后的两变量的相关性
偏相关系数的计算公式
偏相关分析的适用场景
距离相关分析
3、方差分析（衡量类别变量与数值变量间的相关性）
方差分析的应用场景
方差分析的三个种类
单因素方差分析
多因素方差分析
协方差分析
单因素方差分析的原理
方差分析的四个步骤
解读方差分析结果的两个要点
演练：摆放位置与销量有关吗
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
多因素方差分析原理
多因素方差分析的作用
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
协方差分析原理
协方差分析的适用场景
演练：排除产品价格，收入对销量有影响吗？
4、列联分析/卡方检验（两类别变量的相关性分析）
交叉表与列联表：计数值与期望值
卡方检验的原理
卡方检验的几个计算公式
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、相关性分析方法总结
第五部分：回归预测模型
营销问题：如何预测未来的产品销量/销售额？如果产品跟随季节性变动，该如何预测？
1、回归分析简介和原理
2、回归分析的种类
一元回归/多元回归
线性回归/非线性回归
3、常用回归分析方法
散点图+趋势线（一元）
线性回归工具（多元线性）
规划求解工具（非线性回归）
演练：散点图找营销费用与销售额的关系
4、线性回归分析的五个步骤
演练：营销费用、办公费用与销售额的关系（线性回归）
5、线性回归方程的解读技巧
定性描述：正相关/负相关
定量描述：自变量变化导致因变量的变化程度
6、回归预测模型评估
质量评估指标：判定系数R^2
如何选择最佳回归模型
演练：如何选择最佳的回归预测模型（一元曲线回归）
7、带分类自变量的回归预测
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最佳配置
第六部分：回归模型优化
1、回归分析的基本原理
三个基本概念：总变差、回归变差、剩余变差
方程的显著性检验：方程可用性
因素的显著性检验：因素可用性
方程拟合优度检验：质量好坏程度
理解标准误差含义：预测准确性？
2、回归模型优化措施：寻找最佳回归拟合线
如何处理预测离群值（剔除离群值）
如何剔除不显著因素（剔除不显著因素）
如何进行非线性关系检验（增加非线性自变量）
如何进行相互作用检验（增加相互作用自变量）
如何进行多重共线性检验（剔除共线性自变量）
演练：模型优化演示
3、好模型都是优化出来的
第七部分：自定义回归模型
1、回归建模的本质
2、规划求解工具简介
3、自定义回归模型
案例：如何对客流量进行建模预测及模型优化
4、回归季节预测模型模型
回归季节模型的原理及应用场景
加法季节模型
乘法季节模型
模型解读
案例：美国航空旅客里程的季节性趋势分析
5、新产品累计销量的S曲线
S曲线模型的应用场景（最大累计销量及销量增长的拐点）
珀尔曲线
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
演练：预测IPad产品的销量
第八部分：回归模型质量评估
1、定量预测模型的评估
方程显著性评估
因素显著性评估
拟合优度的评估
估计标准误差评估
预测值准确度评估
2、模型拟合度评估
判定系数：
调整判定系数：
3、预测值准确度评估
平均绝对误差：MAE
根均方差：RMSE
平均误差率：MAPE
4、其它评估：残差检验、过拟合检验
第九部分：时序预测模型
营销问题：像利率/CPI/GDP等按时序变化的指标如何预测？当销量随季节周期变动时该如何预测？
1、回归预测vs时序预测
2、因素分解思想
3、时序预测常用模型
趋势拟合
季节拟合
平均序列拟合
4、评估预测值的准确度指标：MAD、RMSE、MAPE
5、移动平均（MA）
应用场景及原理
移动平均种类
一次移动平均
二次移动平均
加权移动平均
移动平均比率法
移动平均关键问题
如何选取最优参数N
如何确定最优权重系数
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
6、指数平滑（ES）
应用场景及原理
最优平滑系数的选取原则
指数平滑种类
一次指数平滑
二次指数平滑（Brown线性、Holt线性、Holt指数、阻尼线性、阻尼指数）
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
7、温特斯季节预测模型
适用场景及原理
Holt-Winters加法模型
Holt-Winters乘法模型
演练：汽车销量预测及评估
8、平稳序列模型（ARIMA）
序列的平稳性检验
平稳序列的拟合模型
AR(p)自回归模型
MA(q)移动模型
ARMA(p,q)自回归移动模型
模型的识别与定阶
ACF图/PACF图
最小信息准则
序列平稳化处理
变量变换
k次差分
d阶差分
ARIMA(p,d,q)模型
演练：上海证券交易所综合指数收益率序列分析
演练：服装销售数据季节性趋势预测分析
平稳序列的建模流程
第十部分：分类预测模型篇
问题：如何评估客户购买产品的可能性？如何预测客户的购买行为？如何提取某类客户的典型特征？如何向客户精准推荐产品或业务？
1、分类模型概述及其应用场景
2、常见分类预测模型
3、逻辑回归（LR）
逻辑回归的适用场景
逻辑回归的模型原理
逻辑回归分类的几何意义
逻辑回归的种类
二项逻辑回归
多项逻辑回归
如何解读逻辑回归方程
带分类自变量的逻辑回归分析
多项逻辑回归/多分类逻辑回归
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）
4、分类决策树（DT）
问题：如何预测客户行为？如何识别潜在客户？
风控：如何识别欠贷者的特征，以及预测欠贷概率？
客户保有：如何识别流失客户特征，以及预测客户流失概率？
决策树分类简介
案例：美国零售商（Target）如何预测少女怀孕
演练：识别银行欠货风险，提取欠贷者的特征
决策树分类的几何意义
构建决策树的三个关键问题
如何选择最佳属性来构建节点
如何分裂变量
修剪决策树
选择最优属性生长
熵、基尼索引、分类错误
属性划分增益
如何分裂变量
多元划分与二元划分
连续变量离散化（最优分割点）
修剪决策树
剪枝原则
预剪枝与后剪枝
构建决策树的四个算法
C5.0、CHAID、CART、QUEST
各种算法的比较
如何选择最优分类模型？
案例：商场用户的典型特征提取
案例：客户流失预警与客户挽留
案例：识别拖欠银行货款者的特征，避免不良货款
案例：识别电信诈骗者嘴脸，让通信更安全
多分类决策树
案例：不同套餐用户的典型特征
决策树模型的保存与应用
5、人工神经网络（ANN）
神经网络概述
神经网络基本原理
神经网络的结构
神经网络分类的几何意义
神经网络的建立步骤
神经网络的关键问题
BP反向传播网络（MLP）
径向基网络（RBF）
案例：评估银行用户拖欠货款的概率
6、判别分析（DA）
判别分析原理
判别分析种类
Fisher线性判别分析
案例：MBA学生录取判别分析
案例：上市公司类别评估
7、最近邻分类（KNN）
KNN模型的基本原理
KNN分类的几何意义
K近邻的关键问题
第十一部分：市场细分模型
问题：我们的客户有几类？各类特征是什么？如何实现客户细分，开发符合细分市场的新产品？如何提取客户特征，从而对产品进行市场定位？
1、市场细分的常用方法
有指导细分
无指导细分
2、聚类分析
如何更好的了解客户群体和市场细分？
如何识别客户群体特征？
如何确定客户要分成多少适当的类别？
聚类方法原理介绍
聚类方法作用及其适用场景
聚类分析的种类
K均值聚类
层次聚类
两步聚类
K均值聚类（快速聚类）
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？
演练：如何自动评选优秀员工？
演练：中国各省份发达程度分析，让数据自动聚类
层次聚类（系统聚类）：发现多个类别
R型聚类与Q型聚类的区别
案例：中移动如何实现客户细分及营销策略
演练：中国省市经济发展情况分析（Q型聚类）
演练：裁判评分的标准衡量，避免“黑哨”（R型聚类）
两步聚类
3、客户细分与PCA分析法
PCA主成分分析的原理
PCA分析法的适用场景
演练：利用PCA对汽车客户群进行细分
演练：如何针对汽车客户群设计汽车
第十二部分：客户价值评估
营销问题：如何评估客户的价值？不同的价值客户有何区别对待？
1、如何评价客户生命周期的价值
贴现率与留存率
评估客户的真实价值
使用双向表衡量属性敏感度
变化的边际利润
案例：评估营销行为的合理性
2、RFM模型（客户价值评估）
RFM模型，更深入了解你的客户价值
RFM模型与市场策略
RFM模型与活跃度分析
演练：“双11”淘宝商家如何选择价值客户进行促销
演练：结合响应模型，宜家IKE实现最大化营销利润
案例：重购用户特征分析
第十三部分：假设检验
1、参数检验分析（样本均值检验）
问题：如何验证营销效果的有效性？
假设检验概述
单样本T检验
两独立样本T检验
两配对样本T检验
假设检验适用场景
电信行业
案例：电信运营商ARPU值评估分析（单样本）
案例：营销活动前后分析（两配对样本）

金融行业
案例：信用卡消费金额评估分析（单样本）

医疗行业
案例：吸烟与胆固醇升高的分析（两独立样本）
案例：减肥效果评估（两配对样本）

2、非参数检验分析（样本分布检验）
问题：这些属性数据的分布情况如何？如何从数据分布中看出问题？
非参数检验概述
单样本检验
两独立样本检验
两相关样本检验
两配对样本检验
非参数检验适用场景
案例：产品合格率检验（单样本-二项分布）
案例：训练新方法有效性检验（两配对样本-符号/秩检验）
案例：促销方式效果检验(多相关样本-Friedman检验)
案例：客户满意度差异检验(多相关样本-Cochran Q检验)

结束：课程总结与问题答疑。 

关于我们

行业优势

核心产品

联系我们

24小时热线：0571-86155444

商业及渠道合作：13857108608

扫一扫，关注公众号

管理培训、管理培训机构、管理培训课程、管理培训讲师、领导力培训、执行力培训、沟通培训、赋能培训


版权所有 © 杭州匠道企业管理咨询有限公司 浙ICP备18040702号-1

咨询电话：
0571-86155444
咨询热线：
  • 微信：13857108608
联系我们