推廣 熱搜: 2022  財務  微信  法律    網(wǎng)格化  管理  營銷  總裁班  安全 

大數(shù)據(jù)挖掘工具: SPSS Statistics入門與提高

主講老師: 傅一航 傅一航

主講師資:傅一航

課時安排: 1天/6小時
學習費用: 面議
課程預約: 隋老師 (微信同號)
課程簡介: 本課程從實際的業(yè)務需求出發(fā),對數(shù)據(jù)分析及數(shù)據(jù)挖掘技術進行了全面的介紹,將數(shù)據(jù)挖掘標準流程、分析思路、分析方法、分析模型,全部落地在SPSS工具中,通過大量的工具操作和演練,幫助學員熟練掌握SPSS工具的使用,并能夠將SPSS工具在實際的業(yè)務數(shù)據(jù)分析中滿地,實現(xiàn)“知行合一”。
內訓課程分類: 綜合管理 | 人力資源 | 市場營銷 | 財務稅務 | 基層管理 | 中層管理 | 領導力 | 管理溝通 | 薪酬績效 | 企業(yè)文化 | 團隊管理 | 行政辦公 | 公司治理 | 股權激勵 | 生產管理 | 采購物流 | 項目管理 | 安全管理 | 質量管理 | 員工管理 | 班組管理 | 職業(yè)技能 | 互聯(lián)網(wǎng)+ | 新媒體 | TTT培訓 | 禮儀服務 | 商務談判 | 演講培訓 | 宏觀經濟 | 趨勢發(fā)展 | 金融資本 | 商業(yè)模式 | 戰(zhàn)略運營 | 法律風險 | 沙盤模擬 | 國企改革 | 鄉(xiāng)村振興 | 黨建培訓 | 保險培訓 | 銀行培訓 | 電信領域 | 房地產 | 國學智慧 | 心理學 | 情緒管理 | 時間管理 | 目標管理 | 客戶管理 | 店長培訓 | 新能源 | 數(shù)字化轉型 | 工業(yè)4.0 | 電力行業(yè) |
更新時間: 2023-09-01 11:17


課程目標】

本課程為數(shù)據(jù)分析和挖掘的工具篇,本課程面向數(shù)據(jù)分析部等專門負責數(shù)據(jù)分析與挖掘的人士,專注大數(shù)據(jù)挖掘工具SPSS Statistics的培訓。

IBM SPSS工具是面向非專業(yè)人士的高級的分析工具(挖掘工具),它提供大量的分析方法和分析模型,能夠解決更復雜的業(yè)務問題,比如影響因素分析、客戶行為預測/精準營銷、客戶群劃分、產品交叉銷售、產品銷量預測等等。工具它封裝了復雜難懂的算法實現(xiàn),即使你沒有深厚的技能能力,也能夠勝任復雜的數(shù)據(jù)分析和挖掘。

 

本課程實際的業(yè)務需求出發(fā),對數(shù)據(jù)分析數(shù)據(jù)挖掘技術進行了全面的介紹,將數(shù)據(jù)挖掘標準流程、分析思路、分析方法、分析模型,全部落地在SPSS工具中,通過大量的工具操作和演練,幫助學員熟練掌握SPSS工具的使用,并能夠將SPSS工具在實際的業(yè)務數(shù)據(jù)分析中滿地,實現(xiàn)“知行合一”。

通過本課程的學習,達到如下目的:

1、 了解大數(shù)據(jù)挖掘的標準過程和挖掘步驟

2、 掌握常用的統(tǒng)計分析方法,以及可視化

3、 掌握常用的影響因素分析方法,學會根因分析

4、 理解數(shù)據(jù)挖掘的常見模型,原理及適用場景。

5、 熟練掌握SPSS基本操作,能利用SPSS解決實際的商業(yè)問題。

【授課時間】

2~4時間,或根據(jù)客戶需求選擇(每天6個小時)

知識點

2

4

數(shù)據(jù)挖掘標準流程

數(shù)據(jù)流預處理

數(shù)據(jù)可視化

影響因素分析

回歸預測模型

時序預測模型

√(部分)

回歸模型優(yōu)化


分類預測模型


市場客戶劃


客戶價值評估


假設檢驗


【授課對象】

市場部、業(yè)務支撐部、數(shù)據(jù)分析部、運營分析部等對業(yè)務數(shù)據(jù)分析有較高要求的相關人員。

【學員要求】

1、 每個學員自備一臺便攜機(必須)

2、 便攜機中事先安裝好Microsoft Office Excel 2013版本及以上。

3、 便攜機中事先安裝好SPSS Statistics v24版本及以上

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】

基礎知識 + 案例演練 + 實際業(yè)務問題分析 + 工具實際操作

本課程突出數(shù)據(jù)挖掘的實際應用,結合行業(yè)的典型應用特點,從實際問題入手,引出相關知識,進行大數(shù)據(jù)的收集與處理;引導學員思考,構建分析模型,進行數(shù)據(jù)分析與挖掘,以及數(shù)據(jù)呈現(xiàn)與解讀,全過程演練操作,以達到提升學員的數(shù)據(jù)綜合分析能力,支撐運營決策的目的。

課程大綱】

第一部分: 數(shù)據(jù)挖掘標準流程

1、 數(shù)據(jù)挖掘概述

2、 數(shù)據(jù)挖掘標準流程CRISP-DM

商業(yè)理解

數(shù)據(jù)準備

數(shù)據(jù)理解

模型建立

模型評估

模型應用

案例:客戶流失預測及客戶挽留

3、 數(shù)據(jù)集概述

4、 SPSS工具介紹

5、 數(shù)據(jù)挖掘常用模型

第二部分: 數(shù)據(jù)預處理

如何整理數(shù)據(jù),了解數(shù)據(jù),對數(shù)據(jù)進行預處理?

1、 數(shù)據(jù)預處理的四大任務

數(shù)據(jù)集成:多個數(shù)據(jù)集合并

數(shù)據(jù)清:異常值的處理

樣本處理:樣本篩選、樣本抽樣、樣本平衡

變量處理:變量變換、變量派生、變量精簡

2、 數(shù)據(jù)集成(數(shù)據(jù)集合并)

樣本追加(添加數(shù)據(jù)行):橫向合并

變量合并(添加變量列):縱向合并

3、 數(shù)據(jù)清洗異常數(shù)據(jù)處理

取值范圍限定

重復值處理

無效值/錯誤值處理

缺失值處理

離群值/極端值處理

數(shù)據(jù)質量評估

4、 樣本處理:行處理

樣本篩選:指定條件篩選指定樣本集(減少樣本數(shù)量)

樣本抽樣:隨機抽取部分樣本集(減少樣本數(shù)量)

樣本平衡:正反樣本比例均衡

5、 變量處理:列處理

變量變換:原變量取值更新,比如標準化

變量派生:根據(jù)舊變量生成新的變量

變量精簡:變量刪除/降維,減少變量個數(shù)

類型轉換:數(shù)據(jù)類型的相互轉換

6、 變量精簡/變量降維常用方法

常用降維方法

如何確定降維后變量個數(shù)

特征選擇:選擇重要變量,剔除不重要變量

基于變量本身特征來選擇屬性

基于數(shù)據(jù)間的相關性來選擇屬性

利用IV值篩選

基于信息增益來選擇屬性

因子合并:將多個變量進行合并

PCA主成分分析

判別分析

7、 類型轉換

8、 因子合并/主成分分析

因子分析的原因

因子個數(shù)選擇原則

如何解讀因子含義

案例:提取影響電信客戶流失的主成分分析

9、 數(shù)據(jù)探索性分析

常用統(tǒng)計指標分析

單變量:數(shù)值變量/分類變量

雙變量:交叉分析/相關性分析

多變量:特征選擇、因子分析

演練:描述性分析(頻數(shù)、描述、探索、分類匯總)

第三部分: 數(shù)據(jù)可視化

1、 數(shù)據(jù)可視化的原則

2、 常用可視化工具

3、 常用可視化圖形

柱狀圖、條形圖、餅圖、折線圖、箱圖、散點圖等

4、 圖形的表達及適用場景

演練:各種圖形繪制

第四部分: 影響因素分析

營銷問題:哪些因素是影響業(yè)務目標的關鍵要素?比如,產品在貨架上的位置是否對銷量有影響?價格和廣告開銷是如何影響銷量的?影響風控的關鍵因素有哪些?如何判斷?

1、 影響因素分析的常見方法

2、 相關分析(衡量兩數(shù)據(jù)型變量的線性相關性)

相關分析簡介

相關分析的應用場景

相關分析的種類

簡單相關分析

偏相關分析

距離相關分析

相關系數(shù)的三種計算公式

Pearson相關系數(shù)

Spearman相關系數(shù)

Kendall相關系數(shù)

相關分析的假設檢驗

相關分析的四個基本步驟

演練:營銷費用會影響銷售額嗎?影響程度如何量化?

演練:哪些因素與汽車銷量有相關性

演練影響用戶消費水平的因素會有哪些

偏相關分析

偏相關原理:排除不可控因素后的兩變量的相關性

偏相關系數(shù)的計算公式

偏相關分析的適用場景

距離相關分析

3、 方差分析(衡量類別變量與數(shù)值變量間的相關性)

方差分析的應用場景

方差分析的三個種類

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

方差分析的四個步驟

解讀方差分析結果的兩個要點

演練擺放位置與銷量有關嗎

演練:客戶學歷對消費水平的影響分析

演練廣告和價格是影響終端銷量的關鍵因素嗎

演練營業(yè)員的性別、技能級別對產品銷量有影響嗎

演練:尋找影響產品銷量的關鍵因素

多因素方差分析原理

多因素方差分析的作用

多因素方差結果的解讀

演練:廣告形式、地區(qū)對銷量的影響因素分析

協(xié)方差分析原理

協(xié)方差分析的適用場景

演練:排除產品價格,收入對銷量有影響嗎?

4、 列聯(lián)分析/卡方檢驗(兩類別變量的相關性分析)

交叉表與列聯(lián)表:計數(shù)值與期望值

卡方檢驗的原理

卡方檢驗的幾個計算公式

列聯(lián)表分析的適用場景

案例:套餐類型對客戶流失的影響分析

案例:學歷對業(yè)務套餐偏好的影響分析

案例:行業(yè)/規(guī)模對風控的影響分析

5、 相關性分析方法總結

第五部分: 回歸預測模型

營銷問題:如何預測未來的產品銷量/銷售額?如果產品跟隨季節(jié)性變動,該如何預測?

1、 回歸分析簡介和原理

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

散點圖+趨勢線(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:散點圖找營銷費用與銷售額的關系

4、 線性回歸分析的五個步驟

演練:營銷費用、辦公費用與銷售額的關系(線性回歸)

5、 線性回歸方程的解讀技巧

定性描述:正相關/負相關

定量描述:自變量變化導致因變量的變化程度

6、 回歸預測模型評估

質量評估指標: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測模型(一元曲線回歸)

7、 帶分類自變量的回歸預測

演練:汽車季度銷量預測

演練工齡、性別與終端銷量的關系

演練:如何評估銷售目標與資源最佳配置

第六部分: 回歸模型優(yōu)化

1、 回歸分析的基本原理

三個基本概念:總變差、回歸變差、剩余變差

方程的顯著性檢驗:方程可用性

因素的顯著性檢驗:因素可用性

方程擬合優(yōu)度檢驗:質量好壞程度

理解標準誤差含義:預測準確性?

2、 回歸模型優(yōu)化措施:尋找最佳回歸擬合線

如何處理預測離群值(剔除離群值)

如何剔除顯著因素(剔除不顯著因素

如何進行非線性關系檢驗(增加非線性自變量)

如何進行相互作用檢驗(增加相互作用自變量)

如何進行多重共線性檢驗(剔除共線性自變量)

演練:模型優(yōu)化演示

3、 好模型都是優(yōu)化出來的

第七部分: 自定義回歸模型

1、 回歸建模的本質

2、 規(guī)劃求解工具簡介

3、 自定義回歸模型

案例:如何對客流量進行建模預測及模型優(yōu)化

4、 回歸季節(jié)預測模型模型

回歸季節(jié)模型的原理及應用場景

加法季節(jié)模型

乘法季節(jié)模型

模型解讀

案例美國航空旅客里程的季節(jié)性趨勢分析

5、 新產品累計銷量的S曲線

S曲線模型的應用場景(最大累計銷量及銷量增長的拐點)

珀爾曲線

龔鉑茲曲線

案例如何預測產品的銷售增長拐點,以及銷量上限

演練:預測IPad產品的銷量

第八部分: 回歸模型質量評估

1、 定量預測模型的評估

方程顯著性評估

因素顯著性評估

擬合優(yōu)度的評估

估計標準誤差評估

預測值準確度評估

2、 模型擬合度評估

判定系數(shù):

調整判定系數(shù):

3、 預測值準確度評估

平均絕對誤差:MAE

根均方差:RMSE

平均誤差率:MAPE

4、 其它評估:殘差檢驗、過擬合檢驗

第九部分: 時序預測模型

營銷問題:像利率/CPI/GDP等按時序變化的指標如何預測?當銷量隨季節(jié)周期變動時該如何預測?

1、 回歸預測vs時序預測

2、 因素分解思想

3、 時序預測常用模型

趨勢擬合

季節(jié)擬合

平均序列擬合

4、 評估預測值的準確度指標:MAD、RMSE、MAPE

5、 移動平均(MA)

應用場景及原理

移動平均種類

一次移動平均

二次移動平均

加權移動平均

移動平均比率法

移動平均關鍵問題

如何選取最優(yōu)參數(shù)N

如何確定最優(yōu)權重系數(shù)

演練:平板電腦銷量預測及評估

演練:快銷產品季節(jié)銷量預測及評估

6、 指數(shù)平滑(ES)

應用場景及原理

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:煤炭產量預測

演練:航空旅客量預測及評估

7、 溫特斯季節(jié)預測模型

適用場景及原理

Holt-Winters加法模型

Holt-Winters乘法模型

演練:汽車銷量預測及評估

8、 平穩(wěn)序列模型(ARIMA

序列的平穩(wěn)性檢驗

平穩(wěn)序列的擬合模型

AR(p)自回歸模型

MA(q)移動模型

ARMA(p,q)自回歸移動模型

模型的識別與定階

ACF圖/PACF

最小信息準則

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)性趨勢預測分析

平穩(wěn)序列的建模流程

第十部分: 分類預測模型篇

問題:如何評估客戶購買產品的可能性?如何預測客戶的購買行為?如何提取某類客戶的典型特征?如何向客戶精準推薦產品或業(yè)務?

1、 分類模型概述及其應用場景

2、 常見分類預測模型

3、 邏輯回歸(LR)

邏輯回歸的適用場景

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

二項邏輯回歸

多項邏輯回歸

如何解讀邏輯回歸方程

帶分類自變量的邏輯回歸分析

多項邏輯回歸/多分類邏輯回歸

案例如何評估用戶是否會購買某產品(二邏輯回歸

案例多品牌選擇模型分析(多項邏輯回歸)

4、 分類決策樹(DT)

問題:如何預測客戶行為?如何識別潛在客戶?

風控:如何識別欠貸者的特征,以及預測欠貸概率?

客戶保有:如何識別流失客戶特征,以及預測客戶流失概率?

決策樹分類簡介

案例:美國零售商(Target)如何預測少女懷孕

演練:識別銀行欠貨風險,提取欠貸者的特征

決策樹分類的幾何意義

構建決策樹的三個關鍵問題

如何選擇最佳屬性來構建節(jié)點

如何分裂變量

修剪決策樹

選擇最優(yōu)屬性生長

熵、基尼索引、分類錯誤

屬性劃分增益

如何分裂變量

多元劃分與二元劃分

連續(xù)變量離散化(最優(yōu)分割點)

修剪決策樹

剪枝原則

預剪枝與后剪枝

構建決策樹的四個算法

C5.0、CHAID、CART、QUEST

各種算法的比較

如何選擇最優(yōu)分類模型?

案例商場用戶的典型特征提取

案例:客戶流失預警與客戶挽留

案例:識別拖欠銀行貨款者的特征,避免不良貨款

案例:識別電信詐騙者嘴臉,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用

5、 人工神經網(wǎng)絡(ANN)

神經網(wǎng)絡概述

神經網(wǎng)絡基本原理

神經網(wǎng)絡的結構

神經網(wǎng)絡分類的幾何意義

神經網(wǎng)絡的建立步驟

神經網(wǎng)絡的關鍵問題

BP反向傳播網(wǎng)絡(MLP)

徑向基網(wǎng)絡(RBF)

案例評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學生錄取判別分析

案例:上市公司類別評估

7、 最近鄰分類(KNN)

KNN模型的基本原理

KNN分類的幾何意義

K近鄰的關鍵問題

第十一部分: 市場細分模型

問題:我們的客戶有幾類?各類特征是什么?如何實現(xiàn)客戶細分,開發(fā)符合細分市場的新產品?如何提取客戶特征,從而對產品進行市場定位?

1、 市場細分的常用方法

有指導細分

無指導細分

2、 聚類分析

如何更好的了解客戶群體和市場細分?

如何識別客戶群體特征?

如何確定客戶要分成多少適當?shù)念悇e?

聚類方法原理介紹

聚類方法作用及其適用場景

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)

案例移動三大品牌細分市場合適嗎?

演練:寶潔公司如何選擇新產品試銷區(qū)域?

演練如何自動評選優(yōu)秀員工?

演練:中國各省份發(fā)達程度分析,讓數(shù)據(jù)自動聚類

層次聚類(系統(tǒng)聚類):發(fā)現(xiàn)多個類別

R型聚類與Q型聚類的區(qū)別

案例:中移動如何實現(xiàn)客戶細分及營銷策略

演練中國省市經濟發(fā)展情況分析(Q型聚類)

演練:裁判評分的標準衡量,避免“黑哨”(R型聚類)

兩步聚類

3、 客戶細分與PCA分析法

PCA主成分分析的原理

PCA分析法的適用場景

演練:利用PCA對汽車客戶群進行細分

演練如何針對汽車客戶群設計汽車

第十二部分: 客戶價值評估

營銷問題:如何評估客戶的價值?不同的價值客戶有何區(qū)別對待?

1、 如何評價客戶生命周期的價值

貼現(xiàn)率與留存率

評估客戶的真實價值

使用雙向表衡量屬性敏感度

變化的邊際利潤

案例評估營銷行為的合理性

2、 RFM模型(客戶價值評估)

RFM模型,更深入了解你的客戶價值

RFM模型與市場策略

RFM模型與活躍度分析

演練:“雙11”淘寶商家如何選擇價值客戶進行促銷

演練:結合響應模型,宜家IKE實現(xiàn)最大化營銷利潤

案例:重購用戶特征分析

第十三部分: 假設檢驗

1、 參數(shù)檢驗分析(樣本均值檢驗)

問題:如何驗證營銷效果的有效性?

假設檢驗概述

單樣本T檢驗

兩獨立樣本T檢驗

兩配對樣本T檢驗

假設檢驗適用場景

電信行業(yè)

案例:電信運營商ARPU值評估分析(單樣本)

案例:營銷活動前后分析(兩配對樣本)

 

金融行業(yè)

案例信用卡消費金額評估分(單樣本)

 

醫(yī)療行業(yè)

案例:吸煙與膽固醇升高的分析(兩獨立樣本)

案例減肥效果評估(兩配對樣本)

 

2、 參數(shù)檢驗分析(樣本分布檢驗)

問題:這些屬性數(shù)據(jù)的分布情況如何?如何從數(shù)據(jù)分布中看出問題?

參數(shù)檢驗概述

單樣本檢驗

兩獨立樣本檢驗

兩相關樣本檢驗

兩配對樣本檢驗

非參數(shù)檢驗適用場景

案例產品合格率檢驗(單樣本-二項分布)

案例訓練新方法有效性檢驗(兩配對樣本-符號/秩檢驗

案例促銷方式效果檢驗(多相關樣本-Friedman檢驗)

案例客戶滿意差異檢驗(多相關樣本-Cochran Q檢驗)

 

結束:課程總結問題答疑

 
反對 0舉報 0 收藏 0
更多>與大數(shù)據(jù)挖掘工具: SPSS Statistics入門與提高相關內訓課
企業(yè)家經營哲學與企業(yè)經營之道 高   效   執(zhí)   行   力 教練式經銷商管理 商業(yè)模式創(chuàng)新 創(chuàng)新思維管理應用訓練?—創(chuàng)造性解決問題 創(chuàng)新思維和有效執(zhí)行 微課的設計與制作 高效能主管風暴訓練營
傅一航老師介紹>傅一航老師其它課程
大數(shù)據(jù)產業(yè)現(xiàn)狀及應用創(chuàng)新 大數(shù)據(jù)挖掘工具:SPSS Modeler入門與提高 大數(shù)據(jù)挖掘工具: SPSS Statistics入門與提高 大數(shù)據(jù)建模與模型優(yōu)化實戰(zhàn)培訓 金融行業(yè)風險預測模型實戰(zhàn) 數(shù)說營銷——大數(shù)據(jù)營銷實戰(zhàn)培訓 大數(shù)據(jù)分析與挖掘綜合能力提升實戰(zhàn) 助力市場營銷與服務的數(shù)據(jù)分析實戰(zhàn)
網(wǎng)站首頁  |  關于我們  |  聯(lián)系方式  |  誠聘英才  |  網(wǎng)站聲明  |  隱私保障及免責聲明  |  網(wǎng)站地圖  |  排名推廣  |  廣告服務  |  積分換禮  |  網(wǎng)站留言  |  RSS訂閱  |  違規(guī)舉報  |  京ICP備11016574號-25