高度决定眼界、专业创造价值!中国规模最大、实力最强的培训服务提供商!

24小时服务热线:020-31041068

详细内容:当前的位置:首页 >> 内训课
大数据挖掘工具: SPSS Statistics入门与提高
  • 主讲老师: 傅一航
  • 课程类别: 互联网+
  • 培训时长:2天(6课时/天)
  •  
  • 课程编号: 59402
  • 开课城市:不限
  • 查找同类课程
  • 欢迎来电020-31041068量身定制内训课程

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。

培训内容:

课程目标

随着大数据分析的需求越来越旺盛,大数据分析工具也越来越琳琅满目,然而,绝大多数的分析工具都只具有单一用途,无法满足企业的复杂的多样化的全面的业务分析需求,因此分析工具的选择成为了一个挑战。

一个良好的分析工具必须满足如下要求:

1) 易学易用易操作。

2) 分析效率要高。

3) 满足业务分析需求。

如果要说前两个要求,显然类似于Excel/Power BI/Tableau等工具都是满足要求的,但此类工具却无法解决更复杂的业务问题,比如影响因素分析、客户行为预测/精准营销、客户群划分、产品交叉销售、产品销量预测等等,这些需求用Excel/PBI等工具就难以胜任了,需要用到更高级的数据挖掘工具,比如IBM SPSS工具。IBM SPSS工具是面向非专业人士的高级的分析工具(挖掘工具),它提供大量的分析方法和分析模型,能够解决的业务问题更丰富,提供了更加强大的业务数据分析功能,并且它封装了具体的分析算法,即使你没有深厚的技能能力,也能够胜任复杂的数据分析和挖掘。

 

本课程面向数据分析部等专门负责数据分析与挖掘的人士,专注大数据挖掘工具SPSS Statistics的培训。

 

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,将数据挖掘标准流程、分析思路、分析方法、分析模型,全部落地在SPSS工具中,通过大量的工具操作和演练,帮助学员熟练掌握SPSS工具的使用,并能够将SPSS工具在实际的业务数据分析中满地,实现“知行合一”。

 

通过本课程的学习,达到如下目的:

1、 了解大数据挖掘的标准过程和挖掘步骤。

2、 掌握基本的统计分析,常用的影响因素分析。

3、 理解数据挖掘的常见模型,原理及适用场景。

4、 熟练掌握SPSS基本操作,能利用SPSS解决实际的商业问题。

 

授课时间

2~4天时间,或根据客户需求选择(每天6个小时)


知识点

知识点

2

4

数据挖掘标准流程

数据流预处理

数据可视化

影响因素分析

数值预测模型

回归时序

季节模型

回归模型优化


分类预测模型

仅决策树

ANN/SVM/…

市场客户划


客户价值评估


假设检验


实战


 

【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Microsoft Office Excel 2013版本及以上。

3、 便携机中事先安装好SPSS Statistics v24版本及以上。

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 + 工具实际操作

 

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;引导学员思考,构建分析模型,进行数据分析与挖掘,以及数据呈现与解读,全过程演练操作,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。

【课程大纲】

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)

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:客户流失预测及客户挽留

3、 数据集的基本知识

a) 存储类型

b) 统计类型

c) 角度

4、 SPSS工具简介

 

第二部分: 数据预处理过程

1、 数据预处理的基本步骤

Ø 数据读取、数据理解、数据处理、变量处理、探索分析

2、 数据预处理的主要任务

Ø 数据集成:多个数据集的合并

Ø 数据清理:异常值的处理

Ø 数据处理:数据筛选、数据精简、数据平衡

Ø 变量处理:变量变换、变量派生、变量精简

Ø 数据归约:实现降维,避免维灾难

3、 数据集成

Ø 外部数据读入:Txt/Excel/SPSS/Database

Ø 数据追加(添加数据)

Ø 变量合并(添加变量)

4、 数据理解(异常数据处理)

Ø 取值范围限定

Ø 重复值处理

Ø 无效值/错误值处理

Ø 缺失值处理

Ø 离群值/极端值处理

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(减少变量的取值个数)

Ø 数据平衡:正反样本比例均衡

6、 数据准备:变量处理

Ø 变量变换:原变量取值更新,比如标准化

Ø 变量派生:根据旧变量生成新的变量

Ø 变量精简:降维,减少变量个数

7、 数据降维

Ø 常用降维方法

Ø 如何确定变量个数

Ø 特征选择:选择重要变量,剔除不重要的变量

² 从变量本身考虑

² 从输入变量与目标变量的相关性考虑

² 对输入变量进行合并

Ø 因子分析(主成分分析)

² 因子分析的原理

² 因子个数如何选择

² 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

8、 数据探索性分析

Ø 常用统计指标分析

Ø 单变量:数值变量/分类变量

Ø 双变量:交叉分析/相关性分析

Ø 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: 数据可视化篇

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

Ø 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

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?

风险控制的关键因素有哪些?如何判断?

1、 影响因素分析的常见方法

2、 相关分析(衡量变量间的的相关性)

问题:这两个属性是否会相互影响?影响程度大吗?营销费用会影响销售额吗? 

Ø 什么是相关关系

Ø 相关系数:衡量相关程度的指标

Ø 相关系数的三个计算公式

Ø 相关分析的假设检验

Ø 相关分析的基本步骤

Ø 相关分析应用场景

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

案例:酒楼生意好坏与报纸销量的相关分析

Ø 偏相关分析

Ø 距离相关分析

3、 方差分析

问题:哪些才是影响销量的关键因素?

Ø 方差分析解决什么问题

Ø 方差分析种类:单因素/双因素可重复/双因素无重复

Ø 方差分析的应用场景

Ø 方差分析的原理与步骤

Ø 如何解决方差分析结果

演练:终端摆放位置与终端销量有关吗?

演练:开通月数驿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、技能级别产品销量有影响吗?

案例:2015年大学生工资与父母职业的关系

案例:医生洗手与婴儿存活率的关系

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

演练:饲料对生猪体重的影响分析(协方差分析)

4、 列联分析(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

 

第五部分: 数据建模过程篇

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

 

第六部分: 数值预测模型篇

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、 销量预测与市场预测——让你看得更远

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 得到回归方程的几种常用方法

Ø 回归分析的五个步骤与结果解读

Ø 回归预测结果评估(如何评估预测质量,如何选择最佳回归模型)

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、 时序预测

问题:随着时间变化,未来的销量变化趋势如何?

Ø 时序分析的应用场景(基于时间的变化规律)

Ø 移动平均MA的预测原理

Ø 指数平滑ES的预测原理

Ø 自回归移动平均ARIMA模型

Ø 如何评估预测值的准确性?

案例:销售额的时序预测及评估

演练:汽车销量预测及评估

演练:电视机销量预测分析

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

4、 季节性预测模型

Ø 季节性回归模型的参数

Ø 常用季节性预测模型(相加、相乘)

案例:美国航空旅客里程的季节性趋势分析

案例:产品销售季节性趋势预测分析

5、 新产品预测模型与S曲线

Ø 如何评估销量增长的拐点

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

6、 自定义模型(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

 

第七部分: 回归模型优化篇

1、 回归模型的基本原理

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 拟合优度检验:回归模型的质量评估?

Ø 因素的显著性检验:自变量是否可用?

Ø 理解标准误差的含义:预测的准确性?

2、 模型优化思路:寻找最佳回归拟合线

Ø 如何处理异常数据(残差与异常值排除)

Ø 如何剔除非显著因素(因素显著性检验)

Ø 如何进行非线性关系检验

Ø 如何进行相互作用检验

Ø 如何进行多重共线性检验

Ø 如何检验误差项

Ø 如何判断模型过拟合

案例:模型优化案例

 

第八部分: 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

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、 逻辑回归模型(LR)

Ø 逻辑回归模型原理及适用场景

Ø 逻辑回归种类:二项/多项逻辑回归

Ø 如何解读逻辑回归方程

案例:如何评估用户是否会购买某产品(二项逻辑回归)

Ø 消费者品牌选择模型分析

案例:多品牌选择模型分析(多项逻辑回归)

5、 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?

Ø 决策树分类简介

Ø 如何评估分类性能?

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

Ø 构建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 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:商场酸奶购买用户特征提取

案例:电信运营商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

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、 K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

10、 支持向量机(SVM)

Ø SVM基本原理

Ø 线性可分问题:最大边界超平面

Ø 线性不可分问题:特征空间的转换

Ø 维空难与核函数

 

第九部分: 市场细分模型篇

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

Ø 有指导细分

Ø 无指导细分

2、 聚类分析

Ø 如何更好的了解客户群体和市场细分?

Ø 如何识别客户群体特征?

Ø 如何确定客户要分成多少适当的类别?

Ø 聚类方法原理介绍

Ø 聚类方法作用及其适用场景

Ø 聚类分析的种类

Ø 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

Ø 层次聚类(系统聚类):发现多个类别

Ø 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)

Ø 两步聚类

3、 主成分分析PCA分析

Ø 主成分分析原理

Ø 主成分分析基本步骤

Ø 主成分分析结果解读

演练:PCA探索汽车购买者的细分市场

4、 RFM模型客户细分框架

 

第十部分: 客户价值评估

1、 客户价值评估与RFM模型

问题:如何评估客户的价值?如何针对不同客户采取不同的营销策略?

Ø RFM模型,更深入了解你的客户价值

Ø RFM的客户细分框架理解

Ø RFM模型与市场策略

Ø RFM模型与活跃度

演练:“双11”淘宝商家如何选择客户进行促销

演练:结合响应模型,宜家IKE实现最大化营销利润

演练:重购用户特征分析

 

第十一部分: 假设检验篇

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?

Ø 假设检验概述

² 单样本T检验

² 两独立样本T检验

² 两配对样本T检验

Ø 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?

Ø 非参数检验概述

² 单样本检验

² 两独立样本检验

² 两相关样本检验

² 两配对样本检验

Ø 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)

第十二部分: 实战-数据挖掘项目

实战1:客户流失预警与客户挽留之真实数据分析实践

实战2:银行信用风险分析

 

结束:课程总结与问题答疑。

 


相关 大数据挖掘工具: SPSS Statistics入门与提高 ,大数据,课程: 点击查看更多相关课程

博课在线客服关闭


线