数说营销——大数据营销实战培训

【课程目标】

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/影响因素/行为预测/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）

【授课对象】

市场营销部、运营分析部、业务支撑等偏业务人员。

本课程由浅入深，结合原理主讲分析方法和常规分析工具的应用，不需要太深的数学知识，但希望掌握数据分析的相关人员。

【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Excel 2013版本及以上（前两天用）。

3、 便携机中事先安装好IBM SPSS Statistics v24版本及以上（后两天用）。

注：讲师可以提供试用版本软件及分析数据源。

【授课方式】

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，介绍常用的方法和模型，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。

【课程大纲】

第一部分： 数据核心理念—数据思维篇

问题：什么是数据思维？大数据决策的底层逻辑以及决策依据是什么？

1、 数字化五大技术战略：ABCDI战略

Ø A：人工智能，目的是用机器模拟人类行为

Ø B：区块链，构建不可篡改的分布记账系统

Ø C：云计算，搭建按需分配的计算资源平台

Ø D：大数据，实现智能化的判断和决策机制

Ø I：物联网，实现万物互联通信的基础架构

2、 大数据的本质

Ø 数据，是事物发展和变化过程中留下的痕迹

Ø 大数据不在于量大，而在于全（多维性）

Ø 业务导向还是技术导向

3、 大数据决策的底层逻辑（即四大核心价值）

Ø 探索业务规律，按规律来管理决策

案例：客流规律与排班及最佳营销时机

案例：致命交通事故发生的时间规律

Ø 发现运营变化，定短板来运营决策

案例：考核周期导致的员工月初懈怠

案例：工序信号异常监测设备故障

Ø 理清要素关系，找影响因素来决策

案例：情绪对于股市涨跌的影响

案例：为何升职反而会增加离职风险？

Ø 预测未来趋势，通过预判进行决策

案例：惠普预测员工离职风险及挽留

案例：保险公司的车险预测与个性化保费定价

4、 大数据决策的三个关键环节

Ø 业务数据化：将业务问题转化为数据问题

Ø 数据信息化：提取数据中的业务规律信息

Ø 信息策略化：基于规律形成业务应对策略

案例：用数据来识别喜欢赚“差价”的营业员

第二部分： 数据精准营销—分析过程篇

问题：大数据实现精准营销的整个过程是什么？要经历哪些步骤？如何构建精准营销的数据支撑框架？需要采集哪些数据？

1、 数据分析的六步曲

Ø 明确目标，确定分析思路

Ø 收集数据，寻找分析素材

Ø 整理数据，确保数据质量

Ø 分析数据，寻找业务答案

Ø 呈现数据，解读业务规律

Ø 撰写报告，形成业务策略

2、 精准营销的业务分析框架（6R准则）

Ø 寻找正确的客户

Ø 匹配正确的产品

Ø 确定合理的价格

Ø 通过合适的渠道

Ø 采用合适的方式

Ø 设计恰当的信息

演练：如何构建一个良好的大数据精准营销分析框架

3、 精准营销项目的整个分析过程

演练：如何用大数据来支撑产品精准营销项目

第三部分： 用户行为分析—分析方法篇

问题：数据分析方法的种类？分析方法的不同应用场景？

1、 业务分析的三个阶段

Ø 现状分析：通过企业运营指标来发现规律及短板

Ø 原因分析：查找数据相关性，探寻目标影响因素

Ø 预测分析：合理配置资源，预判业务未来的趋势

2、 常用的数据分析方法种类

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 统计分析两大关键要素（类别、指标）

Ø 统计分析的操作模式（类别à指标）

Ø 统计分析三个操作步骤（统计、画图、解读）

Ø 透视表的三个组成部分

4、 常用的描述性指标

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，发现事物变化）

演练：寻找用户的地域分布特征

演练：分析产品受欢迎情况及贡献大小

演练：用数据来探索增量不增收困境的解决方案

Ø 分布分析（查看数据分布，探索业务层次）

演练：银行用户的消费水平和消费层次分析

演练：客户年龄分布/收入分布分析

案例：通信运营商的流量套餐划分合理性的评估

演练：呼叫中心接听电话效率分析（呼叫中心）

Ø 结构分析（查看指标构成，评估结构合理性）

案例：增值业务收入结构分析（通信）

案例：物流费用成本结构分析（物流）

案例：中移动用户群动态结构分析

演练：财务领域的结构瀑布图、财务收支的变化瀑布图

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

案例：微信用户的活跃时间规律

演练：发现客流量的时间规律

Ø 交叉分析（从多个维度的数据指标分析）

演练：用户性别+地域分布分析

演练：不同客户的产品偏好分析

演练：不同学历用户的套餐偏好分析

演练：银行用户的违约影响因素分析

第四部分： 用户行为分析—分析框架篇

问题：如何才能全面/系统地分析而不遗漏？如何分解和细化业务问题？

1、 业务分析思路和分析框架来源于业务模型

2、 常用的业务模型

Ø 外部环境分析：PEST

Ø 业务专题分析：5W2H

Ø 竞品/竞争分析：SWOT、波特五力

Ø 营销市场专题分析：4P/4C等

3、 用户行为分析（5W2H分析思路和框架）

Ø WHY：原因（用户需求、产品亮点、竞品优劣势）

Ø WHAT：产品（产品喜好、产品贡献、产品功能、产品结构）

Ø WHO：客户（基本特征、消费能力、产品偏好）

Ø WHEN：时间（淡旺季、活跃时间、重购周期）

Ø WHERE：区域/渠道（区域喜好、渠道偏好）

Ø HOW：支付/促销（支付方式、促销方式有效性评估等）

Ø HOW MUCH：价格（费用、成本、利润、收入结构、价格偏好等）

案例讨论：结合公司情况，搭建用户消费习惯的分析框架（5W2H）

4、 数据分析策略

第五部分： 影响因素分析—原因分析篇

营销问题：哪些因素是影响业务目标的关键要素？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？影响风控的关键因素有哪些？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）

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：营销费用会影响销售额吗？影响程度如何量化？

演练：哪些因素与汽车销量有相关性

演练：影响用户消费水平的因素会有哪些

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）

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 单因素方差分析的原理

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：摆放位置与销量有关吗

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

Ø 协方差分析原理

Ø 协方差分析的适用场景

演练：排除产品价格，收入对销量有影响吗？

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：计数值与期望值

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

第六部分： 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/销售额？如果产品跟随季节性变动，该如何预测？

1、 回归分析简介和原理

2、 回归分析的种类

Ø 一元回归/多元回归

Ø 线性回归/非线性回归

3、 常用回归分析方法

Ø 散点图+趋势线（一元）

Ø 线性回归工具（多元线性）

Ø 规划求解工具（非线性回归）

演练：散点图找营销费用与销售额的关系

4、 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）

5、 线性回归方程的解读技巧

Ø 定性描述：正相关/负相关

Ø 定量描述：自变量变化导致因变量的变化程度

6、 回归预测模型评估

Ø 质量评估指标：判定系数R^2

Ø 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）

7、 带分类自变量的回归预测

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最佳配置

8、 回归分析的基本原理

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：方程可用性

Ø 因素的显著性检验：因素可用性

Ø 方程拟合优度检验：质量好坏程度

Ø 理解标准误差含义：预测准确性？

9、 回归模型优化措施：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）

演练：模型优化演示

10、 好模型都是优化出来的

第七部分： 客流预测模型—自定义回归篇

1、 回归建模的本质

2、 规划求解工具简介

3、 自定义回归模型

案例：如何对客流量进行建模预测及模型优化

4、 季节性预测模型

Ø 回归季节模型的原理及应用场景

Ø 加法季节模型

Ø 乘法季节模型

Ø 模型解读

案例：美国航空旅客里程的季节性趋势分析

5、 新产品累计销量的S曲线

Ø S曲线模型的应用场景（最大累计销量及销量增长的拐点）

Ø 珀尔曲线

Ø 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

第八部分： 产品销量预测—时序预测篇

营销问题：像利率/CPI/GDP等按时序变化的指标如何预测？当销量随季节周期变动时该如何预测？

1、 回归预测vs时序预测

2、 因素分解思想

3、 时序预测常用模型

Ø 趋势拟合

Ø 季节拟合

Ø 平均序列拟合

4、 评估预测值的准确度指标：MAD、RMSE、MAPE

5、 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 如何选取最优参数N

² 如何确定最优权重系数

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

6、 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

7、 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

8、 平稳序列模型（ARIMA）

Ø 序列的平稳性检验

Ø 平稳序列的拟合模型

² AR(p)自回归模型

² MA(q)移动模型

² ARMA(p,q)自回归移动模型

Ø 模型的识别与定阶

² ACF图/PACF图

² 最小信息准则

Ø 序列平稳化处理

² 变量变换

² k次差分

² d阶差分

Ø ARIMA(p,d,q)模型

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

Ø 平稳序列的建模流程

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、 分类模型概述及其应用场景

2、 常见分类预测模型

3、 逻辑回归（LR）

Ø 逻辑回归的适用场景

Ø 逻辑回归的模型原理

Ø 逻辑回归分类的几何意义

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 多项逻辑回归/多分类逻辑回归

案例：如何评估用户是否会购买某产品（二项逻辑回归）

案例：多品牌选择模型分析（多项逻辑回归）

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

演练：识别银行欠货风险，提取欠贷者的特征

Ø 决策树分类的几何意义

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 选择最优属性生长

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（最优分割点）

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：商场用户的典型特征提取

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

Ø 多分类决策树

案例：不同套餐用户的典型特征

Ø 决策树模型的保存与应用

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 神经网络分类的几何意义

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

6、 判别分析（DA）

Ø 判别分析原理

Ø 判别分析种类

Ø Fisher线性判别分析

案例：MBA学生录取判别分析

案例：上市公司类别评估

7、 最近邻分类（KNN）

Ø KNN模型的基本原理

Ø KNN分类的几何意义

Ø K近邻的关键问题

8、 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 维灾难与核函数

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 预测分类概率（计算概率）

Ø 拉普拉斯修正

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—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

第十一部分： 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

第十二部分： 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

第十三部分： 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）

第十四部分： 实战篇(客户行为预测)

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。