【课程大纲】
第一部分：数据挖掘基础知识（基础，决定你的高度）
数据挖掘工具简介
EXCEL规划求解（数据建模工具）
SAS统计分析系统
SPSS统计产品与服务解决方案
数据挖掘概述
案例：宜家IKE如何通过数据挖掘来降低营销成本提升利润？
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：通信客户流失分析及预警模型
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）
数据挖掘处理的一般过程
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
数据读入
读入文本文件
读入Excel电子表格
读入SPSS格式文件
读入数据库数据
数据集成
变量合并（增加变量）
数据追加（添加记录）
数据理解
取值范围限定
重复数据处理
缺失值处理
无效值处理
离群点和极端值的修正
数据质量评估
数据准备：数据处理
数据筛选：数据抽样/选择（减少样本数量）
数据精简：数据分段/离散化（减少变量的取值）
数据平衡：正反样本比例均衡
其它：排序、分类汇总
数据准备：变量处理
变量变换：原变量值更新
变量派生：生成新的变量
变量精简：降维，减少变量个数
基本分析
单变量：数据基本描述分析
双变量：相关性分析
变量精简：特征选择、因子分析
特征选择
特征选择方法：选择重要变量，剔除不重要的变量
从变量本身考虑
从输入变量与目标变量的相关性考虑
因子分析（主成分分析）
因子分析的原理
因子个数如何选择
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？
常用特征重要性分析的方法
特征选择（减少变量个数）：相关分析、方差分析、卡方检验
因子分析（减少变量个数）：主成分分析
确定变量个数参考表
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？
相关分析概述
相关系数计算公式
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
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？
方差分析原理
方差分析的步骤
方差分析适用场景
案例：开通月数对客户流失的影响分析
列联分析（分类+分类，影响因素分析）
列联表的原理
卡方检验的步骤
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
分类概述
分类的基本过程
常见分类预测模型
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？
逻辑回归分析
逻辑回归的原理
案例：客户购买预测分析（二元逻辑回归）
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？
决策树分类的原理
决策树的三个关键问题
决策树算法
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
神经网络
神经网络概述
神经元工作原理
神经网络的建立步骤
B-P反向传播网络（MLP）
径向基函数网络（RBF）
支持向量机
SVM基本原理
维灾难与核函数
朴素贝叶斯分类
条件概率
朴素贝叶斯
TAN贝叶斯网络
马尔科夫毯网络
第五部分：市场细分与客户细分
客户细分常用方法
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？
聚类方法原理介绍
聚类方法适用场景
如何细分客户群，并提取出客户群的特征？
K均值聚类（快速聚类）
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？
RFM模型分析
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
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
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？
关联规则原理介绍
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。
加入收藏
官方微博
