傅一航:大数据挖掘工具：SPSS Statistics入门与提高

讲师资历

课程目标

提升大数据挖掘能力，利用大数据思维解决商业问题。

课程大纲

IBM SPPS Statistics是一个专业的数据挖掘工具，其中内置了大量的数据分析常用方法、模型。专业人员和非专业人员都适用，不需要懂太多的挖掘算法和模型，专业人员也可以用来作深入的数据分析与数据挖掘。 第一部分：数据集基础知识（了解你的数据集） 1、数据集概述 2、数据集的类型 3、数据集属性的类型 Ø  标称 Ø  序数 Ø  度量 4、数据质量三要素 Ø  准确性 Ø  完整性 Ø  一致性 5、数据预处理的内容 Ø  数据清理（缺失值、离群值的处理方法） Ø  数据归约（维灾难、维归约、主成分分析） Ø  特征子集选择 Ø  特征创建/属性构造 Ø  数据离散化和二元化 Ø  属性/变量转换 6、数据探索性分析 Ø  统计汇总 Ø  可视化 演练：描述性分析（频数、描述、探索、分类汇总） 第二部分：数据挖掘基础知识（基础，决定你的高度） 1、数据统计分析软件简介 Ø  EXCEL表格处理与数据分析工具库 Ø  SAS统计分析系统 Ø  SPSS统计产品与服务解决方案 2、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？ 3、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：客户匹配度建模—找到你的准客户 案例：4G终端营销项目挖掘过程分析 4、常用数据统计指标 Ø  集中程度：均值、中位数、众数 Ø  离开程度：方差、标准差、极差 Ø  分布趋势：偏度、峰度 Ø  理解分布：正态分布、T分布、F分布 5、SPSS基本操作（预处理） Ø  数据导入 Ø  数据排序（排序个案） Ø  重复数据处理（标识重复个案） Ø  缺失值处理（替换缺失值） Ø  生成新变量（计算变量、重新编码） Ø  数据分组（分类汇总） Ø  数据合并（合并文件） 6、数据描述性统计 Ø  连续变量统计描述 Ø  分类变量统计描述 第三部分：数据挖掘实战篇 1、参数检验分析（样本均值检验） 问题：如何验证营销效果的有效性？ Ø  假设检验概述 ²  单样本T检验 ²  两独立样本T检验 ²  两配对样本T检验 Ø  假设检验适用场景 案例：电信运营商ARPU值评估分析（单样本） 案例：营销活动前后分析（两配对样本） 案例：信用卡消费金额评估分析（单样本） 案例：吸烟与胆固醇升高的分析（两独立样本） 案例：减肥效果评估（两配对样本） 2、非参数检验分析（样本分布检验） 问题：这些属性数据的分布情况如何？如何从数据分布中看出问题？ Ø  非参数检验概述 ²  单样本检验 ²  两独立样本检验 ²  两相关样本检验 ²  两配对样本检验 Ø  非参数检验适用场景 案例：产品合格率检验（单样本-二项分布） 案例：训练新方法有效性检验（两配对样本-符号/秩检验） 案例：促销方式效果检验(多相关样本-Friedman检验) 案例：客户满意度差异检验(多相关样本-Cochran Q检验) 3、相关分析（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？ Ø  相关分析概述 案例：家庭生活开支的相关分析 案例：营销费用与销售额的相关分析 案例：哪些因素与汽车销量有相关性 4、方差分析（影响因素分析） 问题：哪些才是影响销量的关键因素？ Ø  方差分析原理 Ø  方差分析的步骤 Ø  方差分析适用场景 案例：陈列位置对终端销量的影响分析（单因素） 案例：广告形式、地区对销量的影响因素分析（多因素） 案例：2015年大学生工资与父母职业的关系 5、回归分析（预测分析） 问题：如何预测未来的销售量（定量分析）？ Ø  回归分析概述及适用场景 Ø  回归分析的检验过程 Ø  如何选择最优回归模型 Ø  解读回归分析结果 案例：推广费用、办公费用与销售额的关系（线性回归） 案例：人均现金消费支出对人均食品消费支出的影响（曲线回归） Ø  带分类变量的回归分析 Ø  如何预测随着季节性变化的销量情况 案例：员工工龄、性别与终端销售的关系分析 案例：产品销量的季节性变化预测 6、逻辑回归分析 问题：如果评估用户是否购买产品的概率？ Ø  逻辑回归分析 Ø  逻辑回归的原理 案例：客户购买预测分析（二元逻辑回归） 案例：品牌选择预测分析（多项逻辑回归） 7、时间序列分析（预测分析） 问题：随着时间变化，未来的销量变化趋势如何？ Ø  时序分析概述 ²  移动平均MA模型 ²  指数平滑ES模型 ²  自回归滑动平均ARIMA模型 ²  季节分解模型 Ø  时序分析适用场景 案例：汽车销量预测分析（指数平滑） 案例：上交所指数收益率预测分析（ARIMA） 案例：服装销售数据季节性趋势预测分析（季节分解） 第四部分：高级数据挖掘方法 1、聚类分析（Clustering） 问题：我们的客户有几类？各类特征是什么？ Ø  聚类方法原理介绍 Ø  聚类方法适用场景 Ø  系统聚类（层次聚类） 案例：小康指数划分（Q型聚类） 案例：裁判标准一致性分析（R型聚类） 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？ 案例：如何评选优秀员工（固定聚类中心） 演练：如何选择新产品试销地点？ 2、决策树分类分析（Classification） 问题：这类客户有什么特征？有什么潜在销售机会？ Ø  决策树原理介绍 Ø  分类适用场景 案例：银行低信用客户特征分析（决策树分类） 3、关联分析（Association） 问题：购买A产品的顾客还常常要购买其他什么产品？ Ø  关联规则原理介绍 Ø  关联规则适用场景 案例：超市商品交叉销售与布局优化（关联分析） 4、客户价值评估RFM模型 问题：如何评估客户的价值？不同价值客户的营销策略有什么区别？ Ø  RFM模型介绍 Ø  RFM模型适用场景 Ø  RFM与客户活跃度分析 案例：客户用户价值评估（RFM分析） 案例：重购用户特征分析（决策树分析） 第五部分：统计图表篇（看图说话） 1、柱状图/线图/饼图/高低图/箱图/散点图/直方图 2、图形的表达及适用场景 案例：各种图形绘制 第六部分：实战-数据挖掘项目 实战1：客户流失预警与客户挽留之真实数据分析实践 实战2：银行信用风险分析 结束：课程总结与问题答疑。