傅一航:大数据挖掘工具:SPSS Statistics入门与提高

傅一航:大数据挖掘工具:SPSS Statistics入门与提高

价格:联系客服报价

授课讲师:傅一航

讲师资历

培训时长 0
授课对象 市场部、业务支撑、运营分析部等对业务数据分析有较高要求的相关人员。
授课方式 内训

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。