2-4天時(shí)間，或者根據(jù)培訓(xùn)需求選擇組合（每天6個(gè)小時(shí)）

【學(xué)員要求】

1、     每個(gè)學(xué)員自備一臺(tái)便攜機(jī)(必須)。

2、     便攜機(jī)中事先安裝好Excel 2013版本及以上（前兩天用）。

3、     便攜機(jī)中事先安裝好IBM SPSS Statistics v24版本及以上（后兩天用）。

注：講師可以提供試用版本軟件及分析數(shù)據(jù)源。

【授課方式】

理論精講 + 案例演練 + 實(shí)際業(yè)務(wù)問題分析 + Excel實(shí)踐操作 + SPSS實(shí)踐操作

本課程突出數(shù)據(jù)分析的實(shí)際應(yīng)用，結(jié)合行業(yè)的典型應(yīng)用特點(diǎn)，圍繞實(shí)際的商業(yè)問題，進(jìn)行大數(shù)據(jù)的分析與挖掘，介紹常用的方法和模型，以及模型適用場(chǎng)景，通過演練操作，以達(dá)到提升學(xué)員對(duì)營(yíng)銷數(shù)據(jù)的分析以及對(duì)數(shù)據(jù)模型的深入理解。

 第一部分：  數(shù)據(jù)核心理念—數(shù)據(jù)思維篇

問題：什么是數(shù)據(jù)思維？大數(shù)據(jù)決策的底層邏輯以及決策依據(jù)是什么？

1、 數(shù)字化五大技術(shù)戰(zhàn)略：ABCDI戰(zhàn)略

2、 大數(shù)據(jù)的本質(zhì)

‐  數(shù)據(jù)，是事物發(fā)展和變化過程中留下的痕跡

‐  大數(shù)據(jù)不在于量大，而在于全（多維性）

‐  業(yè)務(wù)導(dǎo)向還是技術(shù)導(dǎo)向

3、 大數(shù)據(jù)決策的底層邏輯（即四大核心價(jià)值）

‐  探索業(yè)務(wù)規(guī)律，按規(guī)律來管理決策

案例：客流規(guī)律與排班及最佳營(yíng)銷時(shí)機(jī)

案例：致命交通事故發(fā)生的時(shí)間規(guī)律

‐  發(fā)現(xiàn)運(yùn)營(yíng)變化，定短板來運(yùn)營(yíng)決策

案例：考核周期導(dǎo)致的員工月初懈怠

案例：工序信號(hào)異常監(jiān)測(cè)設(shè)備故障

‐  理清要素關(guān)系，找影響因素來決策

案例：情緒對(duì)于股市漲跌的影響

案例：為何升職反而會(huì)增加離職風(fēng)險(xiǎn)？

‐  預(yù)測(cè)未來趨勢(shì)，通過預(yù)判進(jìn)行決策

案例：惠普預(yù)測(cè)員工離職風(fēng)險(xiǎn)及挽留

案例：保險(xiǎn)公司的車險(xiǎn)預(yù)測(cè)與個(gè)性化保費(fèi)定價(jià)

4、 大數(shù)據(jù)決策的三個(gè)關(guān)鍵環(huán)節(jié)

‐  業(yè)務(wù)數(shù)據(jù)化：將業(yè)務(wù)問題轉(zhuǎn)化為數(shù)據(jù)問題

‐  數(shù)據(jù)信息化：提取數(shù)據(jù)中的業(yè)務(wù)規(guī)律信息

‐  信息策略化：基于規(guī)律形成業(yè)務(wù)應(yīng)對(duì)策略

案例：用數(shù)據(jù)來識(shí)別喜歡賺“差價(jià)”的營(yíng)業(yè)員

第二部分：  數(shù)據(jù)精準(zhǔn)營(yíng)銷—分析過程篇

問題：大數(shù)據(jù)實(shí)現(xiàn)精準(zhǔn)營(yíng)銷的整個(gè)過程是什么？要經(jīng)歷哪些步驟？如何構(gòu)建精準(zhǔn)營(yíng)銷的數(shù)據(jù)支撐框架？需要采集哪些數(shù)據(jù)？

1、 數(shù)據(jù)分析的六步曲

‐  明確目標(biāo)，確定分析思路

‐  收集數(shù)據(jù)，尋找分析素材

‐  整理數(shù)據(jù)，確保數(shù)據(jù)質(zhì)量

‐  分析數(shù)據(jù)，尋找業(yè)務(wù)答案

‐  呈現(xiàn)數(shù)據(jù)，解讀業(yè)務(wù)規(guī)律

‐  撰寫報(bào)告，形成業(yè)務(wù)策略

2、 精準(zhǔn)營(yíng)銷的業(yè)務(wù)分析框架（6R準(zhǔn)則）

‐  尋找正確的客戶

‐  匹配正確的產(chǎn)品

‐  確定合理的價(jià)格

‐  通過合適的渠道

‐  采用合適的方式

‐  設(shè)計(jì)恰當(dāng)?shù)男畔?/span>

演練：如何構(gòu)建一個(gè)良好的大數(shù)據(jù)精準(zhǔn)營(yíng)銷分析框架

3、 精準(zhǔn)營(yíng)銷項(xiàng)目的整個(gè)分析過程

演練：如何用大數(shù)據(jù)來支撐產(chǎn)品精準(zhǔn)營(yíng)銷項(xiàng)目

第三部分：  用戶行為分析—分析方法篇

問題：數(shù)據(jù)分析方法的種類？分析方法的不同應(yīng)用場(chǎng)景？

1、 業(yè)務(wù)分析的三個(gè)階段

‐  現(xiàn)狀分析：通過企業(yè)運(yùn)營(yíng)指標(biāo)來發(fā)現(xiàn)規(guī)律及短板

‐  原因分析：查找數(shù)據(jù)相關(guān)性，探尋目標(biāo)影響因素

‐  預(yù)測(cè)分析：合理配置資源，預(yù)判業(yè)務(wù)未來的趨勢(shì)

2、 常用的數(shù)據(jù)分析方法種類

‐  描述性分析法（對(duì)比/分組/結(jié)構(gòu)/趨勢(shì)/交叉…）

‐  相關(guān)性分析法（相關(guān)/方差/卡方…）

‐  預(yù)測(cè)性分析法（回歸/時(shí)序/決策樹/神經(jīng)網(wǎng)絡(luò)…）

‐  專題性分析法（聚類/關(guān)聯(lián)/RFM模型/…）

3、 統(tǒng)計(jì)分析基礎(chǔ)

‐  統(tǒng)計(jì)分析兩大關(guān)鍵要素（類別、指標(biāo)）

‐  統(tǒng)計(jì)分析的操作模式（類別à指標(biāo)）

‐  統(tǒng)計(jì)分析三個(gè)操作步驟（統(tǒng)計(jì)、畫圖、解讀）

‐  透視表的三個(gè)組成部分

4、 常用的描述性指標(biāo)

‐  集中程度：均值、中位數(shù)、眾數(shù)

‐  離散程度：極差、方差/標(biāo)準(zhǔn)差、IQR

‐  分布形態(tài)：偏度、峰度

5、 基本分析方法及其適用場(chǎng)景

‐  對(duì)比分析（查看數(shù)據(jù)差距，發(fā)現(xiàn)事物變化）

演練：尋找用戶的地域分布特征

演練：分析產(chǎn)品受歡迎情況及貢獻(xiàn)大小

演練：用數(shù)據(jù)來探索增量不增收困境的解決方案

‐  分布分析（查看數(shù)據(jù)分布，探索業(yè)務(wù)層次）

演練：銀行用戶的消費(fèi)水平和消費(fèi)層次分析

演練：客戶年齡分布/收入分布分析

案例：通信運(yùn)營(yíng)商的流量套餐劃分合理性的評(píng)估

演練：呼叫中心接聽電話效率分析（呼叫中心）

‐  結(jié)構(gòu)分析（查看指標(biāo)構(gòu)成，評(píng)估結(jié)構(gòu)合理性）

案例：增值業(yè)務(wù)收入結(jié)構(gòu)分析（通信）

案例：物流費(fèi)用成本結(jié)構(gòu)分析（物流）

案例：中移動(dòng)用戶群動(dòng)態(tài)結(jié)構(gòu)分析

演練：財(cái)務(wù)領(lǐng)域的結(jié)構(gòu)瀑布圖、財(cái)務(wù)收支的變化瀑布圖

‐  趨勢(shì)分析（發(fā)現(xiàn)事物隨時(shí)間的變化規(guī)律）

案例：破解零售店銷售規(guī)律

案例：手機(jī)銷量的淡旺季分析

案例：微信用戶的活躍時(shí)間規(guī)律

演練：發(fā)現(xiàn)客流量的時(shí)間規(guī)律

‐  交叉分析（從多個(gè)維度的數(shù)據(jù)指標(biāo)分析）

演練：用戶性別+地域分布分析

演練：不同客戶的產(chǎn)品偏好分析

演練：不同學(xué)歷用戶的套餐偏好分析

演練：銀行用戶的違約影響因素分析

第四部分：  用戶行為分析—分析框架篇

問題：如何才能全面/系統(tǒng)地分析而不遺漏？如何分解和細(xì)化業(yè)務(wù)問題？

1、 業(yè)務(wù)分析思路和分析框架來源于業(yè)務(wù)模型

2、 常用的業(yè)務(wù)模型

‐  外部環(huán)境分析：PEST

‐  業(yè)務(wù)專題分析：5W2H

‐  競(jìng)品/競(jìng)爭(zhēng)分析：SWOT、波特五力

‐  營(yíng)銷市場(chǎng)專題分析：4P/4C等

3、 用戶行為分析（5W2H分析思路和框架）

‐  WHY：原因（用戶需求、產(chǎn)品亮點(diǎn)、競(jìng)品優(yōu)劣勢(shì)）

‐  WHAT：產(chǎn)品（產(chǎn)品喜好、產(chǎn)品貢獻(xiàn)、產(chǎn)品功能、產(chǎn)品結(jié)構(gòu)）

‐  WHO：客戶（基本特征、消費(fèi)能力、產(chǎn)品偏好）

‐  WHEN：時(shí)間（淡旺季、活躍時(shí)間、重購(gòu)周期）

‐  WHERE：區(qū)域/渠道（區(qū)域喜好、渠道偏好）

‐  HOW：支付/促銷（支付方式、促銷方式有效性評(píng)估等）

‐  HOW MUCH：價(jià)格（費(fèi)用、成本、利潤(rùn)、收入結(jié)構(gòu)、價(jià)格偏好等）

案例討論：結(jié)合公司情況，搭建用戶消費(fèi)習(xí)慣的分析框架（5W2H）

4、 數(shù)據(jù)分析策略

第五部分：  影響因素分析—原因分析篇

營(yíng)銷問題：哪些因素是影響業(yè)務(wù)目標(biāo)的關(guān)鍵要素？比如，產(chǎn)品在貨架上的位置是否對(duì)銷量有影響？?jī)r(jià)格和廣告開銷是如何影響銷量的？影響風(fēng)控的關(guān)鍵因素有哪些？如何判斷？

1、 影響因素分析的常見方法

2、 相關(guān)分析（衡量?jī)蓴?shù)據(jù)型變量的線性相關(guān)性）

‐  相關(guān)分析簡(jiǎn)介

‐  相關(guān)分析的應(yīng)用場(chǎng)景

‐  相關(guān)分析的種類

◢   簡(jiǎn)單相關(guān)分析

◢   偏相關(guān)分析

◢   距離相關(guān)分析

‐  相關(guān)系數(shù)的三種計(jì)算公式

◢   Pearson相關(guān)系數(shù)

◢   Spearman相關(guān)系數(shù)

◢   Kendall相關(guān)系數(shù)

‐  相關(guān)分析的假設(shè)檢驗(yàn)

‐  相關(guān)分析的四個(gè)基本步驟

演練：營(yíng)銷費(fèi)用會(huì)影響銷售額嗎？影響程度如何量化？

演練：哪些因素與汽車銷量有相關(guān)性

演練：影響用戶消費(fèi)水平的因素會(huì)有哪些

‐  偏相關(guān)分析

◢   偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性

◢   偏相關(guān)系數(shù)的計(jì)算公式

◢   偏相關(guān)分析的適用場(chǎng)景

‐  距離相關(guān)分析

3、 方差分析（衡量類別變量與數(shù)值變量間的相關(guān)性）

‐  方差分析的應(yīng)用場(chǎng)景

‐  方差分析的三個(gè)種類

◢   單因素方差分析

◢   多因素方差分析

◢   協(xié)方差分析

‐  單因素方差分析的原理

‐  方差分析的四個(gè)步驟

‐  解讀方差分析結(jié)果的兩個(gè)要點(diǎn)

演練：擺放位置與銷量有關(guān)嗎

演練：客戶學(xué)歷對(duì)消費(fèi)水平的影響分析

演練：廣告和價(jià)格是影響終端銷量的關(guān)鍵因素嗎

演練：營(yíng)業(yè)員的性別、技能級(jí)別對(duì)產(chǎn)品銷量有影響嗎

演練：尋找影響產(chǎn)品銷量的關(guān)鍵因素

‐  多因素方差分析原理

‐  多因素方差分析的作用

‐  多因素方差結(jié)果的解讀

演練：廣告形式、地區(qū)對(duì)銷量的影響因素分析

‐  協(xié)方差分析原理

‐  協(xié)方差分析的適用場(chǎng)景

演練：排除產(chǎn)品價(jià)格，收入對(duì)銷量有影響嗎？

4、 列聯(lián)分析/卡方檢驗(yàn)（兩類別變量的相關(guān)性分析）

‐  交叉表與列聯(lián)表：計(jì)數(shù)值與期望值

‐  卡方檢驗(yàn)的原理

‐  卡方檢驗(yàn)的幾個(gè)計(jì)算公式

‐  列聯(lián)表分析的適用場(chǎng)景

案例：套餐類型對(duì)客戶流失的影響分析

案例：學(xué)歷對(duì)業(yè)務(wù)套餐偏好的影響分析

案例：行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析

5、 相關(guān)性分析方法總結(jié)

第六部分：  產(chǎn)品銷量預(yù)測(cè)—回歸預(yù)測(cè)篇

營(yíng)銷問題：如何預(yù)測(cè)未來的產(chǎn)品銷量/銷售額？如果產(chǎn)品跟隨季節(jié)性變動(dòng)，該如何預(yù)測(cè)？

1、 回歸分析簡(jiǎn)介和原理

2、 回歸分析的種類

‐  一元回歸/多元回歸

‐  線性回歸/非線性回歸

3、 常用回歸分析方法

‐  散點(diǎn)圖+趨勢(shì)線（一元）

‐  線性回歸工具（多元線性）

‐  規(guī)劃求解工具（非線性回歸）

演練：散點(diǎn)圖找營(yíng)銷費(fèi)用與銷售額的關(guān)系

4、 線性回歸分析的五個(gè)步驟

演練：營(yíng)銷費(fèi)用、辦公費(fèi)用與銷售額的關(guān)系（線性回歸）

5、 線性回歸方程的解讀技巧

‐  定性描述：正相關(guān)/負(fù)相關(guān)

‐  定量描述：自變量變化導(dǎo)致因變量的變化程度

6、 回歸預(yù)測(cè)模型評(píng)估

‐  質(zhì)量評(píng)估指標(biāo)：判定系數(shù)R^2

‐  如何選擇最佳回歸模型

演練：如何選擇最佳的回歸預(yù)測(cè)模型（一元曲線回歸）

7、 帶分類自變量的回歸預(yù)測(cè)

演練：汽車季度銷量預(yù)測(cè)

演練：工齡、性別與終端銷量的關(guān)系

演練：如何評(píng)估銷售目標(biāo)與資源最佳配置

8、 回歸分析的基本原理

‐  三個(gè)基本概念：總變差、回歸變差、剩余變差

‐  方程的顯著性檢驗(yàn)：方程可用性

‐  因素的顯著性檢驗(yàn)：因素可用性

‐  方程擬合優(yōu)度檢驗(yàn)：質(zhì)量好壞程度

‐  理解標(biāo)準(zhǔn)誤差含義：預(yù)測(cè)準(zhǔn)確性？

9、 回歸模型優(yōu)化措施：尋找最佳回歸擬合線

‐  如何處理預(yù)測(cè)離群值（剔除離群值）

‐  如何剔除不顯著因素（剔除不顯著因素）

‐  如何進(jìn)行非線性關(guān)系檢驗(yàn)（增加非線性自變量）

‐  如何進(jìn)行相互作用檢驗(yàn)（增加相互作用自變量）

‐  如何進(jìn)行多重共線性檢驗(yàn)（剔除共線性自變量）

演練：模型優(yōu)化演示

10、     好模型都是優(yōu)化出來的

第七部分：  客流預(yù)測(cè)模型—自定義回歸篇

1、 回歸建模的本質(zhì)

2、 規(guī)劃求解工具簡(jiǎn)介

3、 自定義回歸模型

案例：如何對(duì)客流量進(jìn)行建模預(yù)測(cè)及模型優(yōu)化

4、 季節(jié)性預(yù)測(cè)模型

‐  回歸季節(jié)模型的原理及應(yīng)用場(chǎng)景

‐  加法季節(jié)模型

‐  乘法季節(jié)模型

‐  模型解讀

案例：美國(guó)航空旅客里程的季節(jié)性趨勢(shì)分析

5、 新產(chǎn)品累計(jì)銷量的S曲線

‐  S曲線模型的應(yīng)用場(chǎng)景（最大累計(jì)銷量及銷量增長(zhǎng)的拐點(diǎn)）

‐  珀?duì)柷€

‐  龔鉑茲曲線

案例：如何預(yù)測(cè)產(chǎn)品的銷售增長(zhǎng)拐點(diǎn)，以及銷量上限

演練：預(yù)測(cè)IPad產(chǎn)品的銷量

第八部分：  產(chǎn)品銷量預(yù)測(cè)—時(shí)序預(yù)測(cè)篇

營(yíng)銷問題：像利率/CPI/GDP等按時(shí)序變化的指標(biāo)如何預(yù)測(cè)？當(dāng)銷量隨季節(jié)周期變動(dòng)時(shí)該如何預(yù)測(cè)？

1、 回歸預(yù)測(cè)vs時(shí)序預(yù)測(cè)

2、 因素分解思想

3、 時(shí)序預(yù)測(cè)常用模型

‐  趨勢(shì)擬合

‐  季節(jié)擬合

‐  平均序列擬合

4、 評(píng)估預(yù)測(cè)值的準(zhǔn)確度指標(biāo)：MAD、RMSE、MAPE

5、 移動(dòng)平均（MA）

‐  應(yīng)用場(chǎng)景及原理

‐  移動(dòng)平均種類

◢   一次移動(dòng)平均

◢   二次移動(dòng)平均

◢   加權(quán)移動(dòng)平均

◢   移動(dòng)平均比率法

‐  移動(dòng)平均關(guān)鍵問題

◢   如何選取最優(yōu)參數(shù)N

◢   如何確定最優(yōu)權(quán)重系數(shù)

演練：平板電腦銷量預(yù)測(cè)及評(píng)估

演練：快銷產(chǎn)品季節(jié)銷量預(yù)測(cè)及評(píng)估

6、 指數(shù)平滑（ES）

‐  應(yīng)用場(chǎng)景及原理

‐  最優(yōu)平滑系數(shù)的選取原則

‐  指數(shù)平滑種類

◢   一次指數(shù)平滑

◢   二次指數(shù)平滑（Brown線性、Holt線性、Holt指數(shù)、阻尼線性、阻尼指數(shù)）

◢   三次指數(shù)平滑

演練：煤炭產(chǎn)量預(yù)測(cè)

演練：航空旅客量預(yù)測(cè)及評(píng)估

7、 溫特斯季節(jié)預(yù)測(cè)模型

‐  適用場(chǎng)景及原理

‐  Holt-Winters加法模型

‐  Holt-Winters乘法模型

演練：汽車銷量預(yù)測(cè)及評(píng)估

8、 平穩(wěn)序列模型（ARIMA）

‐  序列的平穩(wěn)性檢驗(yàn)

‐  平穩(wěn)序列的擬合模型

◢   AR(p)自回歸模型

◢   MA(q)移動(dòng)模型

◢   ARMA(p,q)自回歸移動(dòng)模型

‐  模型的識(shí)別與定階

◢   ACF圖/PACF圖

◢   最小信息準(zhǔn)則

‐  序列平穩(wěn)化處理

◢   變量變換

◢   k次差分

◢   d階差分

‐  ARIMA(p,d,q)模型

演練：上海證券交易所綜合指數(shù)收益率序列分析

演練：服裝銷售數(shù)據(jù)季節(jié)性趨勢(shì)預(yù)測(cè)分析

‐  平穩(wěn)序列的建模流程

第九部分：  客戶行為預(yù)測(cè)—分類預(yù)測(cè)篇

問題：如何評(píng)估客戶購(gòu)買產(chǎn)品的可能性？如何預(yù)測(cè)客戶的購(gòu)買行為？如何提取某類客戶的典型特征？如何向客戶精準(zhǔn)推薦產(chǎn)品或業(yè)務(wù)？

1、 分類模型概述及其應(yīng)用場(chǎng)景

2、 常見分類預(yù)測(cè)模型

3、 邏輯回歸（LR）

‐  邏輯回歸的適用場(chǎng)景

‐  邏輯回歸的模型原理

‐  邏輯回歸分類的幾何意義

‐  邏輯回歸的種類

2  二項(xiàng)邏輯回歸

2  多項(xiàng)邏輯回歸

‐  如何解讀邏輯回歸方程

‐  帶分類自變量的邏輯回歸分析

‐  多項(xiàng)邏輯回歸/多分類邏輯回歸

案例：如何評(píng)估用戶是否會(huì)購(gòu)買某產(chǎn)品（二項(xiàng)邏輯回歸）

案例：多品牌選擇模型分析（多項(xiàng)邏輯回歸）

4、 分類決策樹（DT）

問題：如何預(yù)測(cè)客戶行為？如何識(shí)別潛在客戶？

風(fēng)控：如何識(shí)別欠貸者的特征，以及預(yù)測(cè)欠貸概率？

客戶保有：如何識(shí)別流失客戶特征，以及預(yù)測(cè)客戶流失概率？

‐  決策樹分類簡(jiǎn)介

案例：美國(guó)零售商（Target）如何預(yù)測(cè)少女懷孕

演練：識(shí)別銀行欠貨風(fēng)險(xiǎn)，提取欠貸者的特征

‐  決策樹分類的幾何意義

‐  構(gòu)建決策樹的三個(gè)關(guān)鍵問題

◢   如何選擇最佳屬性來構(gòu)建節(jié)點(diǎn)

◢   如何分裂變量

◢   修剪決策樹

‐  選擇最優(yōu)屬性生長(zhǎng)

◢   熵、基尼索引、分類錯(cuò)誤

◢   屬性劃分增益

‐  如何分裂變量

◢   多元?jiǎng)澐峙c二元?jiǎng)澐?/span>

◢   連續(xù)變量離散化（最優(yōu)分割點(diǎn)）

‐  修剪決策樹

◢   剪枝原則

◢   預(yù)剪枝與后剪枝

‐  構(gòu)建決策樹的四個(gè)算法

◢   C5.0、CHAID、CART、QUEST

◢   各種算法的比較

‐  如何選擇最優(yōu)分類模型？

案例：商場(chǎng)用戶的典型特征提取

案例：客戶流失預(yù)警與客戶挽留

案例：識(shí)別拖欠銀行貨款者的特征，避免不良貨款

案例：識(shí)別電信詐騙者嘴臉，讓通信更安全

‐  多分類決策樹

案例：不同套餐用戶的典型特征

‐  決策樹模型的保存與應(yīng)用

5、 人工神經(jīng)網(wǎng)絡(luò)（ANN）

‐  神經(jīng)網(wǎng)絡(luò)概述

‐  神經(jīng)網(wǎng)絡(luò)基本原理

‐  神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

‐  神經(jīng)網(wǎng)絡(luò)分類的幾何意義

‐  神經(jīng)網(wǎng)絡(luò)的建立步驟

‐  神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題

‐  BP反向傳播網(wǎng)絡(luò)（MLP）

‐  徑向基網(wǎng)絡(luò)（RBF）

案例：評(píng)估銀行用戶拖欠貨款的概率

6、 判別分析（DA）

‐  判別分析原理

‐  判別分析種類

‐  Fisher線性判別分析

案例：MBA學(xué)生錄取判別分析

案例：上市公司類別評(píng)估

7、 最近鄰分類（KNN）

‐  KNN模型的基本原理

‐  KNN分類的幾何意義

‐  K近鄰的關(guān)鍵問題

8、 支持向量機(jī)（SVM）

‐  SVM基本原理

‐  線性可分問題：最大邊界超平面

‐  線性不可分問題：特征空間的轉(zhuǎn)換

‐  維災(zāi)難與核函數(shù)

9、 貝葉斯分類（NBN）

‐  貝葉斯分類原理

‐  計(jì)算類別屬性的條件概率

‐  估計(jì)連續(xù)屬性的條件概率

‐  預(yù)測(cè)分類概率（計(jì)算概率）

‐  拉普拉斯修正

案例：評(píng)估銀行用戶拖欠貨款的概率

第十部分：  市場(chǎng)細(xì)分模型—聚類模型篇

問題：我們的客戶有幾類？各類特征是什么？如何實(shí)現(xiàn)客戶細(xì)分，開發(fā)符合細(xì)分市場(chǎng)的新產(chǎn)品？如何提取客戶特征，從而對(duì)產(chǎn)品進(jìn)行市場(chǎng)定位？

1、 市場(chǎng)細(xì)分的常用方法

‐  有指導(dǎo)細(xì)分

‐  無(wú)指導(dǎo)細(xì)分

2、 聚類分析

‐  如何更好的了解客戶群體和市場(chǎng)細(xì)分？

‐  如何識(shí)別客戶群體特征？

‐  如何確定客戶要分成多少適當(dāng)?shù)念悇e？

‐  聚類方法原理介紹

‐  聚類方法作用及其適用場(chǎng)景

‐  聚類分析的種類

◢   K均值聚類

◢   層次聚類

◢   兩步聚類

‐  K均值聚類（快速聚類）

案例：移動(dòng)三大品牌細(xì)分市場(chǎng)合適嗎？

演練：寶潔公司如何選擇新產(chǎn)品試銷區(qū)域？

演練：如何自動(dòng)評(píng)選優(yōu)秀員工？

演練：中國(guó)各省份發(fā)達(dá)程度分析，讓數(shù)據(jù)自動(dòng)聚類

‐  層次聚類（系統(tǒng)聚類）：發(fā)現(xiàn)多個(gè)類別

‐  R型聚類與Q型聚類的區(qū)別

案例：中移動(dòng)如何實(shí)現(xiàn)客戶細(xì)分及營(yíng)銷策略

演練：中國(guó)省市經(jīng)濟(jì)發(fā)展情況分析（Q型聚類）

演練：裁判評(píng)分的標(biāo)準(zhǔn)衡量，避免“黑哨”（R型聚類）

‐  兩步聚類

3、 客戶細(xì)分與PCA分析法

‐  PCA主成分分析的原理

‐  PCA分析法的適用場(chǎng)景

演練：利用PCA對(duì)汽車客戶群進(jìn)行細(xì)分

演練：如何針對(duì)汽車客戶群設(shè)計(jì)汽車

第十一部分：        客戶價(jià)值評(píng)估—RFM模型篇

營(yíng)銷問題：如何評(píng)估客戶的價(jià)值？不同的價(jià)值客戶有何區(qū)別對(duì)待？

1、 如何評(píng)價(jià)客戶生命周期的價(jià)值

‐  貼現(xiàn)率與留存率

‐  評(píng)估客戶的真實(shí)價(jià)值

‐  使用雙向表衡量屬性敏感度

‐  變化的邊際利潤(rùn)

案例：評(píng)估營(yíng)銷行為的合理性

2、 RFM模型（客戶價(jià)值評(píng)估）

‐  RFM模型，更深入了解你的客戶價(jià)值

‐  RFM模型與市場(chǎng)策略

‐  RFM模型與活躍度分析

演練：“雙11”淘寶商家如何選擇價(jià)值客戶進(jìn)行促銷

演練：結(jié)合響應(yīng)模型，宜家IKE實(shí)現(xiàn)最大化營(yíng)銷利潤(rùn)

案例：重購(gòu)用戶特征分析

第十二部分：        產(chǎn)品推薦算法—推薦模型篇

問題：購(gòu)買A產(chǎn)品的顧客還常常要購(gòu)買其他什么產(chǎn)品？應(yīng)該給客戶推薦什么產(chǎn)品最有可能被接受？

1、 從搜索引擎到推薦引擎

2、 常用產(chǎn)品推薦模型及算法

3、 基于流行度的推薦

‐  基于排行榜的推薦，適用于剛注冊(cè)的用戶

‐  優(yōu)化思路：分群推薦

4、 基于內(nèi)容的推薦CBR

‐  關(guān)鍵問題：如何計(jì)算物品的相似度

‐  優(yōu)缺點(diǎn)

‐  優(yōu)化：Rocchio算法、基于標(biāo)簽的推薦、基于興趣度的推薦

5、 基于用戶的推薦

‐  關(guān)鍵問題：如何對(duì)用戶分類/計(jì)算用戶的相似度

‐  算法：按屬性分類、RFM模型、PCA、聚類、按偏好分類、按地理位置

6、 協(xié)同過濾的推薦

‐  基于用戶的協(xié)同過濾

‐  基于物品的協(xié)同過濾

‐  冷啟動(dòng)的問題

案例：計(jì)算用戶相似度、計(jì)算物品相似度

7、 基于關(guān)聯(lián)分析的推薦

‐  如何制定套餐，實(shí)現(xiàn)交叉/捆綁銷售

案例：啤酒與尿布、颶風(fēng)與蛋撻

‐  關(guān)聯(lián)分析模型原理（Association）

‐  關(guān)聯(lián)規(guī)則的兩個(gè)關(guān)鍵參數(shù)

◢   支持度

◢   置信度

‐  關(guān)聯(lián)分析的適用場(chǎng)景

案例：購(gòu)物籃分析與產(chǎn)品捆綁銷售/布局優(yōu)化

案例：通信產(chǎn)品的交叉銷售與產(chǎn)品推薦

8、 基于分類模型的推薦

9、 其它推薦算法

‐  LFM基于隱語(yǔ)義模型

‐  按社交關(guān)系

‐  基于時(shí)間上下文

10、     多推薦引擎的協(xié)同工作

第十三部分：        產(chǎn)品定價(jià)策略—最優(yōu)定價(jià)篇

營(yíng)銷問題：產(chǎn)品如何實(shí)現(xiàn)最優(yōu)定價(jià)？套餐價(jià)格如何確定？采用哪種定價(jià)策略可達(dá)到利潤(rùn)最大化？

1、 常見的定價(jià)方法

2、 產(chǎn)品定價(jià)的理論依據(jù)

‐  需求曲線與利潤(rùn)最大化

‐  如何求解最優(yōu)定價(jià)

案例：產(chǎn)品最優(yōu)定價(jià)求解

3、 如何評(píng)估需求曲線

‐  價(jià)格彈性

‐  曲線方程（線性、乘冪）

4、 如何做產(chǎn)品組合定價(jià)

5、 如何做產(chǎn)品捆綁/套餐定價(jià)

‐  最大收益定價(jià)（演進(jìn)規(guī)劃求解）

‐  避免價(jià)格反轉(zhuǎn)的套餐定價(jià)

案例：電信公司的寬帶、IPTV、移動(dòng)電話套餐定價(jià)

6、 非線性定價(jià)原理

‐  要理解支付意愿曲線

‐  支付意愿曲線與需求曲線的異同

案例：雙重收費(fèi)如何定價(jià)（如會(huì)費(fèi)+按次計(jì)費(fèi)）

7、 階梯定價(jià)策略

案例：電力公司如何做階梯定價(jià)

8、 數(shù)量折扣定價(jià)策略

案例：如何通過折扣來實(shí)現(xiàn)薄利多銷

9、 定價(jià)策略的評(píng)估與選擇

案例：零售公司如何選擇最優(yōu)定價(jià)策略

10、     航空公司的收益管理

‐  收益管理介紹

‐  如何確定機(jī)票預(yù)訂限制

‐  如何確定機(jī)票超售數(shù)量

‐  如何評(píng)估模型的收益

案例：FBN航空公司如何實(shí)現(xiàn)收益管理（預(yù)訂/超售）

第十四部分：        實(shí)戰(zhàn)篇(客戶行為預(yù)測(cè))

1、電信業(yè)客戶流失預(yù)警與客戶挽留模型

2、銀行欠貸風(fēng)險(xiǎn)預(yù)測(cè)模型

結(jié)束：課程總結(jié)與問題答疑。