本课程从实际的市场营销问题出发，构建数据分析与数据挖掘模型，以解决实际的商业问题。并对大数据分析与挖掘技术进行了全面的介绍，通过从大量的市场营销数据中分析潜在的客户特征，挖掘客户行为特点，实现精准营销，帮助市场营销团队深入理解业务运作，支持业务策略制定以及运营决策。
通过本课程的学习，达到如下目的：
1、 了解大数据营销内容，掌握大数据在营销中的应用。
2、 了解基本的营销理论，并学会基于营销理念来展开大数据分析。
3、 熟悉数据分析/挖掘的基本过程，掌握常用的数据挖掘方法。
4、 熟悉Excel数据分析工具，能够利用Excel和SPSS软件解决实际的营销问题（比如定价/因素影响/预测/客户需求/客户价值/市场细分等）。
【授课时间】
2-4天时间，或者根据培训需求选择组合（每天6个小时）
内容 | 2天 | 4天 |
核心数据思维 | √ | √ |
数据分析过程 | √ | √ |
用户行为分析 | √ | √ |
数据分析思路 | √ | √ |
影响因素分析 | √ | √ |
产品销量预测 | √回归 | √时序 |
客户行为预测 | √ | |
市场客户细分 | √ | |
客户价值评估 | √ | |
产品推荐模型 | √ | |
产品定价策略 | √ |
1、 每个学员自备一台便携机(必须)。
2、 便携机中事先安装好Excel 2013版本及以上。
3、 便携机中事先安装好IBM 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。
理论精讲 + 案例演练 + 实际业务问题分析 + Excel实践操作 + SPSS实践操作
本课程突出数据分析的实际应用，结合行业的典型应用特点，围绕实际的商业问题，进行大数据的分析与挖掘，介绍常用的模型，以及模型适用场景，通过演练操作，以达到提升学员对营销数据的分析以及对数据模型的深入理解。
第一部分： 大数据实现精准营销
1、 传统营销的困境与挑战
2、 营销理论的变革（4Pà4CànPnC）
3、 大数据引领传统营销
4、 大数据在营销中的典型应用
Ø 市场定位与客户细分
Ø 客户需求与产品设计
Ø 精准广告与精准推荐
Ø ……
5、 大数据营销的基石：用户画像
6、 客户生存周期中的大数据应用
演练：如何用大数据来支撑手机精准营销项目
第二部分： 大数据基础—数据思维篇
问题：大数据的核心价值是什么？大数据是怎样用于业务决策？
1、 大数据时代：你缺的不是一堆方法，而是大数据思维
2、 大数据的本质
Ø 数据，是对客观事物的描述和记录
Ø 大数据不在于大，而在于全
3、 大数据四大核心价值
Ø 用趋势图来探索产品销量规律
Ø 从谷歌的GFT产品探索用户需求变化
Ø 从大数据炒股看大数据如何探索因素的相关性
Ø 阿里巴巴预测经济危机的到来
Ø 从美国总统竞选看大数据对选民行为进行分析
4、 大数据价值落地的三个关键环节
Ø 业务数据化
Ø 数据信息化
Ø 信息策略化
案例：喜欢赚“差价”的营业员（用数据管理来识别）
第三部分： 大数据精准营销—分析框架篇
1、 数据分析简介
Ø 数据分析的三个阶段
Ø 分析方法的三大类别
2、 数据分析的六步曲
3、 步骤1：明确目的--理清思路
Ø 确定分析目的：要解决什么样的业务问题
Ø 确定分析思路：分解业务问题，构建分析框架
4、 步骤2：数据收集—理清思路
Ø 明确收集数据范围
Ø 确定收集来源
Ø 确定收集方法
5、 步骤3：数据预处理—寻找答案
Ø 数据质量评估
Ø 数据清洗、数据处理和变量处理
Ø 探索性分析
6、 步骤4：数据分析--寻找答案
Ø 选择合适的分析方法
Ø 构建合适的分析模型
Ø 选择合适的分析工具
7、 步骤5：数据展示--观点表达
Ø 选择恰当的图表
Ø 选择合适的可视化工具
8、 步骤6：报表撰写--观点表达
Ø 选择报告种类
Ø 完整的报告结构
演练：如何用大数据来支撑手机精准营销项目
演练：如何构建一个良好的大数据分析框架
第四部分： 用户行为分析—分析方法篇
问题：数据分析有什么方法可依?不同的方法适用解决什么样的问题？
1、 大数据精准营销的前提：用户行为分析
2、 数据分析方法的层次
Ø 描述性分析法（对比/分组/结构/趋势/交叉…）
Ø 相关性分析法（相关/方差/卡方…）
Ø 预测性分析法（回归/时序/决策树/神经网络…）
Ø 专题性分析法（聚类/关联/RFM模型/…）
3、 统计分析基础
Ø 统计分析两要素
Ø 统计分析三步骤
4、 统计分析常用指标
Ø 汇总方式：计数、求和、百分比（增跌幅）
Ø 集中程度：均值、中位数、众数
Ø 离散程度：极差、方差/标准差、IQR
Ø 分布形态：偏度、峰度
5、 基本分析方法及其适用场景
Ø 对比分析（查看数据差距）
演练：寻找用户的地域分布规律
演练：寻找公司主打产品
演练：用数据来探索增量不增收困境的解决方案
案例：银行ATM柜员机现金管理分析（银行）
Ø 分组分析（查看数据分布）
案例：排班后面隐藏的猫腻
案例：通信运营商的流量套餐划分合理性的评估
演练：银行用户消费层次分析（银行）
演练：呼叫中心接听电话效率分析（呼叫中心）
演练：客服中心科学排班人数需求分析（客服中心）
演练：客户年龄分布/消费分布分析
Ø 结构分析（评估事物构成）
案例：用户市场占比结构分析
案例：物流费用占比结构分析（物流）
案例：中移动用户群动态结构分析
演练：用户结构/收入结构/产品结构的分析
Ø 趋势分析（发现事物随时间的变化规律）
案例：破解零售店销售规律
案例：手机销量的淡旺季分析
演练：发现产品销售的时间规律
Ø 交叉分析（多维数据分析）
演练：用户性别+地域分布分析
演练：不同区域的产品偏好分析
演练：不同教育水平的业务套餐偏好分析
6、 综合分析方法及其适用场景
Ø 综合评价法（多维指标归一）
案例：南京丈母娘选女婿分析表格
演练：人才选拔评价分析（HR）
Ø 杜邦分析法（关键因素分析-财务数据分析）
案例：运营商市场占有率分析（通信）
案例：服务水平提升分析（呼叫中心）
演戏：提升销量的销售策略分析（零售商/电商）
Ø 漏斗分析法（关键流程环节分析-流失率与转化率分析）
案例：电商产品销售流程优化与策略分析（电商）
演练：营业厅终端销售流程分析（电信）
演练：银行业务办理流程优化分析（银行）
Ø 矩阵分析法（产品策略分析-象限图分析法）
案例：工作安排评估
案例：HR人员考核与管理
案例：波士顿产品策略分析
7、 最合适的分析方法才是硬道理。
第五部分： 用户行为分析—分析思路篇
问题：数据分析思路是怎样的？如何才能全面/系统地分析而不遗漏？
1、 常用分析思路模型
2、 用户行为分析（5W2H分析思路）
Ø WHY：原因
Ø WHAT：产品
Ø WHO：客户
Ø WHEN：时间
Ø WHERE：区域/渠道
Ø HOW：支付方式
Ø HOW MUCH：价格
案例讨论：结合公司情况，搭建用户消费习惯的分析框架（5W2H）
第六部分： 影响因素分析—属性筛选篇
营销问题：哪些是影响市场销量的关键因素？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（衡量两数据型变量的线性相关性）
问题：这两个属性是否会相互影响？影响程度大吗？
Ø 相关分析简介
Ø 相关分析的应用场景
Ø 相关分析的种类
² 简单相关分析
² 偏相关分析
² 距离相关分析
Ø 相关系数的三种计算公式
² Pearson相关系数
² Spearman相关系数
² Kendall相关系数
Ø 相关分析的假设检验
Ø 相关分析的四个基本步骤
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：话费与网龄的相关分析
Ø 偏相关分析
² 偏相关原理：排除不可控因素后的两变量的相关性
² 偏相关系数的计算公式
² 偏相关分析的适用场景
Ø 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）
问题：哪些才是影响销量的关键因素？
Ø 方差分析的应用场景
Ø 方差分析的三个种类
² 单因素方差分析
² 多因素方差分析
² 协方差分析
Ø 方差分析的原理
Ø 方差分析的四个步骤
Ø 解读方差分析结果的两个要点
演练：终端摆放位置与终端销量有关吗
演练：开通月数对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、技能级别对产品销量有影响吗
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 多因素方差分析的作用
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
Ø 协方差分析的适用场景
演练：饲料对生猪体重的影响分析（协方差分析）
4、 列联分析/卡方检验（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
5、 相关性分析方法总结
第七部分： 产品销量预测—回归预测篇
营销问题：如何预测未来的产品销量？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模型介绍
Ø 时序预测
Ø 回归模型
Ø 季节性预测（相加/相乘模型）
Ø 产品预测（珀尔曲线/龚铂兹曲线）
2、 回归分析/回归预测
问题：如何预测未来的销售量（定量分析）？
Ø 回归分析简介
Ø 回归分析的种类（一元/多元、线性/曲线）
Ø 得到回归方程的常用工具
² 散点图+趋势线
² 线性回归工具
² 规划求解工具
演练：散点图找营销费用与销售额的关系（一元回归）
Ø 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）
Ø 解读线性回归分析结果的技巧
² 定性描述：正相关/负相关
² 定量描述：自变量变化导致因变量的变化程度
Ø 回归预测模型质量评估
² 评估指标：判定系数R^2、标准误差
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）
Ø 预测值准确性评估
² MAD、MSE/RMSE、MAPE等
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、 回归分析的基本原理
4、 模型优化思路：寻找最佳回归拟合线
Ø 如何处理预测离群值（剔除离群值）
Ø 如何剔除不显著因素（剔除不显著因素）
Ø 如何进行非线性关系检验（增加非线性自变量）
Ø 如何进行相互作用检验（增加相互作用自变量）
Ø 如何进行多重共线性检验（剔除共线性自变量）
Ø 如何检验误差项（修改因变量）
Ø 如何判断模型过拟合（模型过拟合判断）
演练：模型优化案例
5、 规划求解工具简介（自定义回归模型的工具）
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
7、 好模型都是优化出来的
第八部分： 产品销量预测—时序预测篇
1、 时间序列简介
Ø 回归模型的缺点
2、 时序预测常用模型
3、 评估预测值的准确度指标
Ø 平均绝对误差MAD
Ø 均方差MSE/RMSE
Ø 平均误差率MAPE
4、 移动平均（MA）
Ø 应用场景及原理
Ø 移动平均种类
² 一次移动平均
² 二次移动平均
² 加权移动平均
² 移动平均比率法
Ø 移动平均关键问题
² 期数N的最佳选择方法
² 最优权重系数的选取方法
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
5、 指数平滑（ES）
Ø 应用场景及原理
Ø 最优平滑系数的选取原则
Ø 指数平滑种类
² 一次指数平滑
² 二次指数平滑（Brown线性、Holt线性、Holt指数、阻尼线性、阻尼指数）
² 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
6、 温特斯季节预测模型
Ø 适用场景及原理
Ø Holt-Winters加法模型
Ø Holt-Winters乘法模型
演练：汽车销量预测及评估
7、 回归季节预测模型
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
8、 ARIMA模型
Ø 适用场景及原理
Ø ARIMA操作
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
9、 新产品销量预测
Ø 新产品累计销量的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
演练：预测IPad产品的销量
第九部分： 客户行为预测—分类预测篇
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、 逻辑回归（LR）
Ø 逻辑回归模型原理及适用场景
Ø 逻辑回归的种类
² 二项逻辑回归
² 多项逻辑回归
Ø 如何解读逻辑回归方程
Ø 带分类自变量的逻辑回归分析
Ø 多元逻辑回归
案例：如何评估用户是否会购买某产品（二元逻辑回归）
案例：多品牌选择模型分析（多元逻辑回归）
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？
Ø 决策树分类简介
案例：美国零售商（Target）如何预测少女怀孕
Ø 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 如何评估分类性能？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：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
5、 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
第十部分： 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
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、 客户细分与PCA分析法
Ø PCA主成分分析的原理
Ø 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
第十一部分： 客户价值分析
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
Ø 贴现率与留存率
Ø 评估客户的真实价值
Ø 使用双向表衡量属性敏感度
Ø 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）
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模型与活跃度分析
案例：客户价值评估与促销名单
案例：重购用户特征分析
第十二部分： 产品推荐模型
问题：购买A产品的顾客还常常要购买其他什么产品？应该给客户推荐什么产品最有可能被接受？
1、 常用产品推荐模型
2、 关联分析
Ø 如何制定套餐，实现交叉/捆绑销售
案例：啤酒与尿布、飓风与蛋挞
Ø 关联分析模型原理（Association）
Ø 关联规则的两个关键参数
² 支持度
² 置信度
Ø 关联分析的适用场景
案例：购物篮分析与产品捆绑销售/布局优化
案例：理财产品的交叉销售与产品推荐
第十三部分： 产品定价策略及最优定价
营销问题：产品如何实现最估定价？套餐价格如何确定？采用哪些定价策略可达到利润最大化？
1、 常见的定价方法
2、 产品定价的理论依据
Ø 需求曲线与利润最大化
Ø 如何求解最优定价
案例：产品最优定价求解
3、 如何评估需求曲线
Ø 价格弹性
Ø 曲线方程（线性、乘幂）
4、 如何做产品组合定价
5、 如何做产品捆绑/套餐定价
Ø 最大收益定价（演进规划求解）
Ø 避免价格反转的套餐定价
案例：电信公司的宽带、IPTV、移动电话套餐定价
6、 非线性定价原理
Ø 要理解支付意愿曲线
Ø 支付意愿曲线与需求曲线的异同
案例：双重收费如何定价（如会费+按次计费）
7、 阶梯定价策略
案例：电力公司如何做阶梯定价
8、 数量折扣定价策略
案例：如何通过折扣来实现薄利多销
9、 定价策略的评估与选择
案例：零售公司如何选择最优定价策略
10、 航空公司的收益管理
Ø 收益管理介绍
Ø 如何确定机票预订限制
Ø 如何确定机票超售数量
Ø 如何评估模型的收益
案例：FBN航空公司如何实现收益管理（预订/超售）
第十四部分： 实战篇(电信业客户流失分析模型)
1、 电信业客户流失预警与客户挽留模型
2、 银行欠贷风险预测模型
结束：课程总结与问题答疑。
系统支撑、市场营销部、运营分析部相关技术及应用人员。 本课程由浅入深，结合原理主讲软件工具应用，不需要太深的数学知识，但希望掌握数据分析的相关人员。