A15CDA数据分析师认证之数据挖掘实战培训.docx
《A15CDA数据分析师认证之数据挖掘实战培训.docx》由会员分享,可在线阅读,更多相关《A15CDA数据分析师认证之数据挖掘实战培训.docx(10页珍藏版)》请在冰豆网上搜索。
![A15CDA数据分析师认证之数据挖掘实战培训.docx](https://file1.bdocx.com/fileroot1/2023-1/24/eb8ffe6a-82ca-48c7-9da1-a34fb4a8edf8/eb8ffe6a-82ca-48c7-9da1-a34fb4a8edf81.gif)
A15CDA数据分析师认证之数据挖掘实战培训
CDA数据分析师认证之数据挖掘实战培训
【授课对象】
本课程为参加CDAII(建模分析师)认证的数据分析与数据挖掘专业人员,为数据挖掘高级班,要求有一定的数学基础,掌握概率论和统计理论基础,有一定的数据分析经验。
适合于如下人员:
数据分析师、大数据系统研发人员、大数据系统架构师、业务支撑部等对业务数据分析与挖掘有专业要求的相关人员。
【课程目标】
CDA(CertifiedDataAnalyst)全称“注册数据分析师”,由“CERTIFIEDDATAANALYSTINSTITUTE(CDA数据分析师协会)”发起成立的职业简称,旨在培养正规化、科学化、专业化的数据分析人才队伍,进一步提升数据分析师的职业素养与能力水平,促进数据分析行业的高质量持续快速发展。
CDA数据分析师面向商业职场数据分析,分为三个等级,在国内由人大经济论坛主办资格考试,通过考试者可以获得CDA协会颁发的数据分析师资格证书,此证书代表数据分析师人才技能水平,为企业事业单位选拔和聘用专业人才的参考依据。
本课程为CDAII(建模分析师)课程培训大纲。
本课程基于CDA的认证知识要求,围绕商业问题,全面介绍了数据挖掘的标准流程,数据预处理,数据挖掘方法,数据挖掘模型,模型评估,模型参数优化,等等,使得学员掌握数据挖掘的方法、模型、工具。
通过本课程的学习,达到如下目的:
1、了解数据分析与数据挖掘的基本知识,理解大数据思维方式。
2、掌握数据挖掘的基本过程和步骤,掌握数据挖掘的思路和框架。
3、能够理解分析模型原理,掌握模型应用场景,能够利用模型解决复杂的商业问题。
4、掌握常用的数据模型,能够根据商业问题选择合适的分析模型。
5、熟悉SPSS基本操作,掌握分析操作,能够解读分析结果,并转化为业务策略。
【授课时间】
4~5天时间
【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Excel2013软件。
3、便携机中事先安装好SPSSv19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+案例讲解+操作演练+实际业务问题分析+SPSS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;引导学员思考,构建分析模型,进行数据分析与挖掘,以及数据呈现与解读,全过程演练操作,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。
【课程大纲】
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:
数据挖掘流程(基础,决定你的高度)
1、数据挖掘概述
2、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:
4G终端营销项目挖掘过程分析
案例:
客户匹配度模型—数据建模
3、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
4、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)
演练:
SPSS基本操作
第三部分:
数据挖掘实战篇
1、参数检验分析(样本均值检验)
商业问题:
如何验证营销效果的有效性?
Ø参数检验概述
✧单样本T检验
✧两独立样本T检验
✧两配对样本T检验
Ø参数检验原理以及步骤
Ø参数检验适用场景
案例:
电信运营商的ARPU值评估分析(单样本)
案例:
信用卡消费金额评估分析(单样本)
案例:
营销方式与产品销量的影响分析(两独立样本)
案例:
吸烟与胆固醇升高的分析(两独立样本)
案例:
营销方式有效性评估(两配对样本)
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)
商业问题:
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
✧单样本检验
✧两独立样本检验
✧两相关样本检验
✧两配对样本检验
Ø非参数检验原理
Ø卡方检验、二项分布、游程检验的原理及适用场景
案例:
死亡分布检验(单样本-卡方检验)
案例:
产品合格率检验(单样本-二项分布)
案例:
身高分布差异检验(单样本-KS检验)
案例:
设备正常工作检验(单样本-随机分布)
案例:
制造工艺差异检验(两独立样本-MW检验)
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-CochranQ检验)
案例:
评委评判黑幕检验(多相关样本-KendallW检验)
3、相关分析(相关程度计算)
商业问题:
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
Ø计算相关系数的三个公式
案例:
家庭生活开支的相关分析(Pearson简单相关系数)
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
案例:
腰围与体重的相关分析(偏相关分析)
4、方差分析(影响因素分析)
商业问题:
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
Ø如何解读方差分析结果
案例:
终端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
案例:
饲料对生猪体重的影响分析(协方差分析)
5、回归分析(预测分析)
商业问题:
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比如,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(预测分析)
商业问题:
如果评估用户购买某产品的概率?
Ø逻辑回归分析原理
Ø逻辑回归分析的适用场景
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)
商业问题:
随着时间变化,未来的销量变化趋势如何?
Ø时序分析概述
✧移动平均MA模型
✧指数平滑ES模型
✧自回归滑动平均ARIMA模型
✧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)
商业问题:
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)算法原理
Ø如何判定最佳聚类类别数量
案例:
数据聚类分析--小康指数划分(Q型聚类)
案例:
变量聚类分析--裁判标准一致性分析(R型聚类)
ØK均值聚类(快速聚类)算法原理
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)
商业问题:
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
Ø选择最优属性
✧熵、基尼索引、分类错误
✧属性划分增益
Ø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)
Ø修剪决策树
✧剪枝原则
✧预剪枝与后剪枝
Ø如何评估分类性能
案例:
银行低信用客户特征分析(决策树分类)
3、基于规则的分类
Ø基于规则分类原理介绍
Ø评估规则的质量
Ø构建分类规则:
顺序覆盖法
Ø规则增长策略
4、最近邻分类
5、朴素贝叶斯分类
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)
案例:
评估银行用户拖欠货款的概率
6、人工神经网络(ANN)
Ø神经网络基本原理
Ø神经网络的结构
ØANN关键问题
ØMLP与RBF
案例:
评估银行用户拖欠货款的概率
7、判别分析
Ø判别分析原理
Ø距离判别法
Ø典型判别法
Ø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
8、关联分析(Association)
商业问题:
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关联规则的两个关键参数
✧支持度
✧置信度
ØApriori算法介绍
ØFP-Growth算法介绍
Ø关联规则适用场景
案例:
商品套餐设计、商品交叉销售(关联分析)
9、客户价值评估RFM模型
商业问题:
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?
ØRFM模型介绍
ØRFM模型用户分类与业务策略
ØRFM与客户活跃度分析
案例:
客户价值如何评估(什么才是VIP用户)
案例:
如何选择促销用户(响应模型与促销)
案例:
回头客用户特征分析(决策树分析)
10、主成分分析
Ø主成分分析方法介绍
Ø主成分分析基本思想
Ø主成分分析步骤
案例:
评估汽车购买者关注的哪些因素
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
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。