SPSS Modeler培训课

【课程目标】
本课程面向数据分析部等专门负责数据分析与挖掘的人士，专注大数据挖掘工具SPSS Statistics的培训。
本课程培训覆盖以下内容：
1、数据挖掘标准流程。
2、数据挖掘模型原理。
3、数据挖掘方法及应用。
本课程从实际的业务需求出发，对数据分析及数据挖掘技术进行了全面的介绍，通过大量的操作演练，帮助学员掌握数据分析和数据挖掘的思路、方法、工具，从大量的企业经营数据中进行分析，发现业务运作规律，进行客户洞察，挖掘客户行为特点，消费行为，实现精准营销，帮助运营团队深入理解业务运作，以达到提升学员的数据综合分析能力，支撑运营决策的目的。

通过本课程的学习，达到如下目的：
1、了解大数据基础知识，理解大数据思维方式。
2、了解数据分析与数据挖掘的基本知识（统计、分布、概率等）。
3、掌握数据挖掘的基本过程和步骤，掌握数据挖掘的方法。
4、理解数据挖掘的常见模型，原理及适用场景。
5、熟练掌握Modeler基本操作，能利用Modeler进行数据挖掘。
【授课时间】
2~4天时间，或根据客户需求选择

【授课对象】
业务支撑、网络中心、IT系统部、数据分析部等对业务数据分析有较高要求的相关专业人员。
【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SPSS modeler v14.1版本以上软件。
注：讲师可以提供试用版本软件及分析数据源。
【授课方式】
基础知识精讲 + 案例演练 + 实际业务问题分析 + 工具实际操作
本课程突出数据挖掘的实际应用，结合行业的典型应用特点，从实际问题入手，引出相关知识，进行大数据的收集与处理；探索数据之间的规律及关联性，帮助学员掌握系统的数据预处理方法；介绍常用的模型，训练模型，并优化模型，以达到最优分析结果。

【课程大纲】
IBM SPPS Modeler 是一个数据流处理工具，适用于数据探索与数据挖掘，包括数据预处理、数据探索、数据可视化、数据建模、数据模型优化。
第一部分：大数据的核心理念
问题：大数据的核心价值是什么？大数据是怎样用于业务决策？
1、大数据时代：你缺的不是一堆方法，而是大数据思维
2、大数据是探索事物发展和变化规律的工具
3、一切不以解决业务问题为导向的大数据都是耍流氓
4、大数据的核心能力
.发现业务运行规律及问题
.探索业务未来发展趋势
5、从案例看大数据的核心本质
.用趋势图来探索产品销量规律
.从谷歌的GFT产品探索用户需求变化
.从美国总统竞选看大数据对选民行为进行分析
.从大数据炒股看大数据如何探索因素的相关性

6、认识大数据分析
.什么是数据分析
.数据分析的三大作用
.常用分析的三大类别
案例：喜欢赚“差价”的营业员（用数据管理来识别）
7、数据分析需要什么样的能力
.懂业务、懂管理、懂分析、懂工具、懂呈现
8、大数据应用系统的四层结构
.数据基础层、数据模型层、业务模型层、业务应用层
9、大数据分析的两大核心理念
10、大数据分析面临的常见问题
.不知道分析什么（分析目的不明确）
.不知道怎样分析（缺少分析方法）
.不知道收集什么样的数据（业务理解不足）
.不知道下一步怎么做（不了解分析过程）
.看不懂数据表达的意思（数据解读能力差）
.担心分析不够全面（分析思路不系统）

第二部分：数据挖掘标准流程
1、数据挖掘概述
2、数据挖掘的标准流程（CRISP-DM）
.商业理解
.数据准备
.数据理解
.模型建立
.模型评估
.模型应用
案例：客户匹配度建模—找到你的准客户
案例：客户流失预测及客户挽留
3、数据集概述
4、数据集的类型
5、数据集属性的类型
.标称
.序数
.度量
6、数据质量三要素
.准确性
.完整性
.一致性

第三部分：数据预处理过程
1、SPSS工具简介
2、数据预处理的主要任务
.数据集成：多个数据集的合并
.数据清理：异常值的处理
.数据处理：数据筛选、数据精简、数据平衡
.变量处理：变量变换、变量派生、变量精简
.数据归约：实现降维，避免维灾难
3、数据集成
.外部数据读入：Txt/Excel/SPSS/Database
.数据追加（添加数据）
.变量合并（添加变量）

4、数据理解（异常数据处理）
.取值范围限定
.重复值处理
.无效值/错误值处理
.缺失值处理
.离群值/极端值处理
.数据质量评估
5、数据准备：数据处理
.数据筛选：数据抽样/选择（减少样本数量）
.数据精简：数据分段/离散化（减少变量的取值个数）
.数据平衡：正反样本比例均衡
6、数据准备：变量处理
.变量变换：原变量取值更新，比如标准化
.变量派生：根据旧变量生成新的变量
.变量精简：降维，减少变量个数

7、数据降维
.常用降维的方法
.如何确定变量个数
.特征选择：选择重要变量，剔除不重要的变量
.从变量本身考虑
.从输入变量与目标变量的相关性考虑
.对输入变量进行合并
.因子分析（主成分分析）
.因子分析的原理
.因子个数如何选择
.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
8、数据探索性分析
.常用统计指标分析
.单变量：数值变量/分类变量
.双变量：交叉分析/相关性分析
.多变量：特征选择、因子分析
演练：描述性分析（频数、描述、探索、分类汇总）

第四部分：数据可视化篇
1、数据可视化的原则
2、常用可视化工具
3、常用可视化图形
.柱状图、条形图、饼图、折线图、箱图、散点图等
4、图形的表达及适用场景
演练：各种图形绘制

第五部分：影响因素分析篇
问题：如何判断一个因素对另一个因素有影响？比如营销费用是否会影响销售额？产品价格是否会影响销量？产品的陈列位置是否会影响销量？
风险控制的关键因素有哪些？如何判断？
1、影响因素分析的常见方法
2、相关分析（衡量变量间的的相关性）
问题：这两个属性是否会相互影响？影响程度大吗？营销费用会影响销售额吗？
.什么是相关关系
.相关系数：衡量相关程度的指标
.相关系数的三个计算公式
.相关分析的假设检验
.相关分析的基本步骤
.相关分析应用场景
演练：体重与腰围的关系
演练：营销费用会影响销售额吗
演练：哪些因素与汽车销量有相关性
演练：通信费用与开通月数的相关分析
案例：酒楼生意好坏与报纸销量的相关分析
.偏相关分析
.距离相关分析

3、方差分析
问题：哪些才是影响销量的关键因素？
.方差分析解决什么问题
.方差分析种类：单因素/双因素可重复/双因素无重复
.方差分析的应用场景
.方差分析的原理与步骤
.如何解决方差分析结果
演练：终端摆放位置与终端销量有关吗？
演练：开通月数驿客户流失的影响分析
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、技能级别产品销量有影响吗？
案例：2015年大学生工资与父母职业的关系
案例：医生洗手与婴儿存活率的关系
演练：寻找影响产品销量的关键因素
.多因素方差分析原理
.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（多因素）
.协方差分析原理
演练：饲料对生猪体重的影响分析（协方差分析）

4、列联分析（两类别变量的相关性分析）
.交叉表与列联表
.卡方检验的原理
.卡方检验的几个计算公式
.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

第六部分：数值预测模型篇
问题：如何预测产品的销量/销售金额？如果产品跟随季节性变动，该如何预测？新产品上市，如果评估销量上限及销售增速？
1、销量预测与市场预测——让你看得更远
2、回归预测/回归分析
问题：如何预测未来的销售量（定量分析）？
.回归分析的基本原理和应用场景
.回归分析的种类（一元/多元、线性/曲线）
.得到回归方程的几种常用方法
.回归分析的五个步骤与结果解读
.回归预测结果评估（如何评估预测质量，如何选择最佳回归模型）
演练：散点图找推广费用与销售额的关系（一元线性回归）
演练：推广费用、办公费用与销售额的关系（多元线性回归）
演练：让你的营销费用预算更准确
演练：如何选择最佳的回归预测模型（曲线回归）
.带分类变量的回归预测
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配置（营业厅）

3、时序预测
问题：随着时间变化，未来的销量变化趋势如何？
.时序分析的应用场景（基于时间的变化规律）
.移动平均MA的预测原理
.指数平滑ES的预测原理
.自回归移动平均ARIMA模型
.如何评估预测值的准确性？
案例：销售额的时序预测及评估
演练：汽车销量预测及评估
演练：电视机销量预测分析
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

第七部分：回归模型优化篇
1、回归模型的基本原理
.三个基本概念：总变差、回归变差、剩余变差
.方程的显着性检验：是否可以做回归分析？
.拟合优度检验：回归模型的质量评估？
.因素的显着性检验：自变量是否可用？
.理解标准误差的含义：预测的准确性？
2、模型优化思路：寻找最佳回归拟合线
.如何处理异常数据（残差与异常值排除）
.如何剔除非显着因素（因素显着性检验）
.如何进行非线性关系检验
.如何进行相互作用检验
.如何进行多重共线性检验
.如何检验误差项
.如何判断模型过拟合
案例：模型优化案例

第八部分：分类预测模型篇
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
2、常见分类预测模型
3、逻辑回归模型
.逻辑回归模型原理及适用场景
.逻辑回归种类：二元/多元逻辑回归
.如何解读逻辑回归方程
案例：如何评估用户是否会购买某产品（二元逻辑）
.消费者品牌选择模型分析
案例：品牌选择模型分析，你的品牌适合哪些人群？（多元逻辑）
4、分类决策树
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？
.决策树分类简介
.如何评估分类性能？
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
.构建决策树的三个关键问题
.如何选择最佳属性来构建节点
.如何分裂变量
.修剪决策树
.选择最优属性
.熵、基尼索引、分类错误
.属性划分增益
.如何分裂变量
.多元划分与二元划分
.连续变量离散化（最优划分点）
.修剪决策树
.剪枝原则
.预剪枝与后剪枝
.构建决策树的四个算法
.C5.0、CHAID、CART、QUEST
.各种算法的比较
.如何选择最优分类模型？
.案例：商场酸奶购买用户特征提取
.案例：电信运营商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

5、人工神经网络（ANN）
.神经网络概述
.神经网络基本原理
.神经网络的结构
.神经网络的建立步骤
.神经网络的关键问题
.BP反向传播网络（MLP）
.径向基网络（RBF）
案例：评估银行用户拖欠货款的概率
6、支持向量机（SVM）
.SVM基本原理
.线性可分问题：最大边界超平面
.线性不可分问题：特征空间的转换
.维空难与核函数
7、判别分析
.判别分析原理
.距离判别法
.典型判别法
.贝叶斯判别法
案例：MBA学生录取判别分析
案例：上市公司类别评估

第九部分：市场细分模型篇
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
.有指导细分
.无指导细分
2、聚类分析
.如何更好的了解客户群体和市场细分？
.如何识别客户群体特征？
.如何确定客户要分成多少适当的类别？
.聚类方法原理介绍
.聚类方法作用及其适用场景
.聚类分析的种类
.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
.层次聚类（系统聚类）：发现多个类别
.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）
.两步聚类
3、主成分分析PCA分析
.主成分分析原理
.主成分分析基本步骤
.主成分分析结果解读
演练：PCA探索汽车购买者的细分市场
4、RFM模型客户细分框架

第十部分：客户价值评估
1、客户价值评估与RFM模型
问题：如何评估客户的价值？如何针对不同客户采取不同的营销策略？
.RFM模型，更深入了解你的客户价值
.RFM的客户细分框架理解
.RFM模型与市场策略
.RFM模型与活跃度
演练：“双11”淘宝商家如何选择客户进行促销
演练：结合响应模型，宜家IKE实现最大化营销利润
演练：重购用户特征分析

第十一部分：产品推荐模型
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、常用产品推荐模型
2、关联分析
.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
.关联分析模型原理（Association）
.关联规则的两个关键参数
.支持度
.置信度
.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：理财产品的交叉销售与产品推荐
.如何提取关联规则（关联分析的算法）
.Apriori算法
.FP-Growth算法
3、协同过滤
4、分类预测模型
结束：课程总结与问题答疑。

SPSS Modeler培训课