(微信同号)【课程目标】
本课程为高阶课程，面向所有业务支撑部门及数据分析部门。
本课程的主要目的是，帮助学员掌握一些业务专题挖掘模型，帮助学员建立对复杂业务问题的数据挖掘综合能力。
本课程具体内容包括：
1、 数据挖掘流程，数据预处理
2、 用户专题分析：用户群划分/客户价值评估/客户偏好分析/用户行为预测
3、 产品专题分析：产品设计优化、产品功能评估、产品最优定价策略
4、 精准推荐算法：协同过滤、关联分析、基于内容/用户的推荐(CBR/UBR)
5、 金融风险评估：信用评分卡模型、风险预测模型
本系列课程从实际的业务需求出发，结合行业的典型应用特点，围绕实际的商业问题，对数据预测建模的过程进行了全面的介绍（从模型选择，到特征选择，再到训练模型，评估模型，以及优化模型和模型解读），通过大量的操作演练，帮助学员掌握数据建模的思路、方法、技巧，以提升学员的数据建模的能力，支撑运营决策的目的。
通过本课程的学习，达到如下目的：
1、 熟悉数据挖掘的标准过程，熟悉每个步骤的具体操作。
2、 掌握数据预处理的任务，熟练使用SPSS工具完成预处理。
3、 熟练掌握常用的业务专题分析模型：
a) 学会做市场客户细分，划分客户群
b) 学会实现客户价值评估
c) 学会产品功能设计与新产品销量预测
d) 熟悉产品定价策略，寻找产品最优定价
e) 熟悉精准推荐策略，学会精准推荐产品
f) 掌握信用评分卡的模型构建
【授课时间】
2-3天时间（每天6个小时）
【授课对象】
业务支撑部、运营分析部、数据分析部、大数据系统开发部等对业务数据分析有较高要求的相关人员。
【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。
【授课方式】
数据分析基础 + 方法讲解 + 实际业务问题分析 + 工具实践操作
采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中获得能力提升。
【课程大纲】
第一部分： 数据挖掘流程—挖掘步骤篇
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、 数据集概述
4、 SPSS工具介绍
5、 数据挖掘常用模型
第二部分： 数据挖掘流程—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
Ø 数据集成：多个数据集合并
Ø 数据清洗：异常值的处理
Ø 样本处理：样本筛选、样本抽样、样本平衡
Ø 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）
Ø 样本追加（添加数据行）：横向合并
Ø 变量合并（添加变量列）：纵向合并
3、 数据清洗（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
4、 样本处理：行处理
Ø 样本筛选：指定条件筛选指定样本集（减少样本数量）
Ø 样本抽样：随机抽取部分样本集（减少样本数量）
Ø 样本平衡：正反样本比例均衡
5、 变量处理：列处理
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：变量删除/降维，减少变量个数
Ø 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
Ø 常用降维方法
Ø 如何确定降维后变量个数
Ø 特征选择：选择重要变量，剔除不重要变量
² 基于变量本身特征来选择属性
² 基于数据间的相关性来选择属性
² 利用IV值筛选
² 基于信息增益来选择属性
Ø 因子合并：将多个变量进行合并
² PCA主成分分析
² 判别分析
7、 类型转换
8、 因子合并/主成分分析
Ø 因子分析的原因
Ø 因子个数选择原则
Ø 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
演练：描述性分析（频数、描述、探索、分类汇总）
10、 数据可视化
演练：各种图形绘制
第三部分： 市场细分模型—聚类模型篇
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
² K均值聚类
² 层次聚类
² 两步聚类
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
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
第四部分： 客户价值评估—RFM模型篇
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
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
第五部分： 产品设计优化—随机效用理论
1、 产品专题分析主要任务
Ø 产品设计分析
Ø 市场占有分析
Ø 累计销量分析
Ø 定价策略分析
2、 产品设计优化（联合分析法）
问题：如何设计最优的功能特征？
Ø 评估功能特征的重要性
Ø 评估功能特征的价值
案例：产品开发与设计分析
3、 产品评估模型（随机效用理论）
Ø 属性重要性评估
Ø 市场占有率评估
Ø 产品价格弹性评估
Ø 评估产品的品牌价值
Ø 动态调价（纳会均衡价格）
案例：品牌价值与价格敏感度分析
案例：纳什均衡价格
第六部分： 产品定价策略—最优定价篇
营销问题：产品如何实现最优定价？套餐价格如何确定？采用哪种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）
第七部分： 产品推荐算法—推荐模型篇
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、 从搜索引擎到推荐引擎
2、 常用产品推荐模型及算法
3、 基于流行度的推荐
Ø 基于排行榜的推荐，适用于刚注册的用户
Ø 优化思路：分群推荐
4、 基于内容的推荐CBR
Ø 关键问题：如何计算物品的相似度
Ø 优缺点
Ø 优化：Rocchio算法、基于标签的推荐、基于兴趣度的推荐
5、 基于用户的推荐
Ø 关键问题：如何对用户分类/计算用户的相似度
Ø 算法：按属性分类、RFM模型、PCA、聚类、按偏好分类、按地理位置
6、 协同过滤的推荐
Ø 基于用户的协同过滤
Ø 基于物品的协同过滤
Ø 冷启动的问题
案例：计算用户相似度、计算物品相似度
7、 基于关联分析的推荐
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：通信产品的交叉销售与产品推荐
8、 基于分类模型的推荐
9、 其它推荐算法
Ø LFM基于隐语义模型
Ø 按社交关系
Ø 基于时间上下文
10、 多推荐引擎的协同工作
第八部分： 银行信用评估—信用评分卡模型
信用评分卡模型简介
评分卡的关键问题
信用评分卡建立过程
Ø 筛选重要属性
Ø 数据集转化
Ø 建立分类模型
Ø 计算属性分值
Ø 确定审批阈值
筛选重要属性
Ø 属性分段
Ø 基本概念：WOE、IV
Ø 属性重要性评估
数据集转化
Ø 连续属性最优分段
Ø 计算属性取值的WOE
建立分类模型
Ø 训练逻辑回归模型
Ø 评估模型
Ø 得到字段系数
计算属性分值
Ø 计算补偿与刻度值
Ø 计算各字段得分
Ø 生成评分卡
确定审批阈值
Ø 画K-S曲线
Ø 计算K-S值
Ø 获取最优阈值
案例：构建银行小额贷款的用户信用模型
结束：课程总结与问题答疑。
