本課程從實際的業務需求出(chu)發(fa)，對數(shu)(shu)據(ju)分析(xi)及數(shu)(shu)據(ju)挖掘技術進行了全(quan)面(mian)的介紹，將數(shu)(shu)據(ju)挖掘標準流程、分析(xi)思(si)路、分析(xi)方法、分析(xi)模(mo)型，全(quan)部落地在(zai)SPSS工具(ju)(ju)中，通(tong)過大量的工具(ju)(ju)操作和(he)演(yan)練，幫(bang)助學員(yuan)熟(shu)練掌握(wo)SPSS工具的(de)使用，并能(neng)夠將SPSS工具(ju)在實際的(de)業務(wu)數據分(fen)析中滿地，實現“知行合一”。

通(tong)過本課程的學習，達到如下目的：

1、  了解(jie)大數(shu)據(ju)挖掘的標準過程(cheng)和(he)挖掘步驟

2、  掌握常用(yong)的統(tong)計分析方法，以及(ji)可視(shi)化

3、  掌握常用的影(ying)響因素分析方(fang)法，學會根因分析

4、  理解數據挖(wa)掘的常見(jian)模(mo)型，原理及適用場景。

5、  熟練(lian)掌(zhang)握SPSS基本操作(zuo)，能(neng)利用SPSS解決實(shi)際的商業問題。

第一部分：  數(shu)據挖掘標準流程

1、         數(shu)據(ju)挖掘概(gai)述(shu)

2、         數據挖掘的標(biao)準(zhun)流程（CRISP-DM）

‐  商業理解

‐  數據準備

‐  數據理解(jie)

‐  模型建立

‐  模型評估

‐  模型應用

案例：客(ke)戶流失(shi)預測及客(ke)戶挽留(liu)

3、         數據集概述(shu)

4、         SPSS工(gong)具介紹

5、         數(shu)據挖掘(jue)常用模型

第二部分：  數(shu)據預(yu)處理

如(ru)何整理(li)數(shu)(shu)據，了解數(shu)(shu)據，對數(shu)(shu)據進行預(yu)處理(li)？

1、數(shu)據預處理的四大任務

‐  數據集成：多(duo)個數據集合并

‐  數據(ju)清(qing)洗：異常值的(de)處理(li)

‐  樣(yang)本(ben)(ben)處理：樣(yang)本(ben)(ben)篩選、樣(yang)本(ben)(ben)抽樣(yang)、樣(yang)本(ben)(ben)平衡

‐  變(bian)量(liang)處理：變(bian)量(liang)變(bian)換、變(bian)量(liang)派生、變(bian)量(liang)精簡

2、數據集(ji)成（數據集(ji)合(he)并）

‐  樣(yang)本追加(jia)（添加(jia)數據行(xing)）：橫(heng)向合并(bing)

‐  變(bian)(bian)量(liang)合(he)并（添加變(bian)(bian)量(liang)列）：縱向合(he)并

3、數據(ju)清洗（異常數據處理）

‐  取值范圍(wei)限(xian)定

‐  重復值處理(li)

‐  無效值/錯誤值處理

‐  缺失值處理

‐  離群值/極端值處理

‐  數(shu)據質量評(ping)估

4、樣(yang)本處(chu)(chu)理：行(xing)處(chu)(chu)理

‐  樣(yang)本篩選：指(zhi)定條件篩選指(zhi)定樣(yang)本集（減少樣(yang)本數量(liang)）

‐  樣(yang)本抽(chou)樣(yang)：隨機抽(chou)取部(bu)分樣(yang)本集（減(jian)少(shao)樣(yang)本數量）

‐  樣本平衡(heng)：正反樣本比例均衡(heng)

5、變量處理：列(lie)處理

‐  變量變換：原(yuan)變量取值更新，比如標準化(hua)

‐  變量(liang)派(pai)生(sheng)：根(gen)據舊(jiu)變量(liang)生(sheng)成新的變量(liang)

‐  變量精簡：變量刪除/降維，減少變量個數

‐  類型轉換(huan)：數據(ju)類型的相(xiang)互轉換(huan)

6、變量精簡/變量降維常用方法

‐  常用降維方法

‐  如(ru)何確定降(jiang)維(wei)后變量個(ge)數(shu)

‐  特征選(xuan)擇：選(xuan)擇重要變(bian)量，剔除不重要變(bian)量

◢    基于變量本身特征來(lai)選擇屬性

◢    基(ji)于數據間(jian)的相關性來選擇屬性

◢    利用IV值篩選

◢    基于信息增益(yi)來選擇屬性

‐  因子(zi)合(he)(he)并(bing)：將(jiang)多個變量(liang)進行合(he)(he)并(bing)

◢    PCA主(zhu)成分分析

◢    判別分析

7、類型轉(zhuan)換

8、因子合并/主成分分析

‐  因子分析的原因

‐  因子個(ge)數(shu)選(xuan)擇原則

‐  如何(he)解(jie)讀(du)因子含(han)義

案(an)例(li)：提(ti)取影響電信客戶流失的主成分分析

9、數據探索性分析

‐  常(chang)用統計指標分析

‐  單變量：數值變量/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、描述、探索、分類匯總）

第三部分：  數據可視化

1、數據可視化的原則

2、常用可視(shi)化工具

3、常用可視化圖形(xing)

‐  柱狀圖(tu)、條形(xing)圖(tu)、餅圖(tu)、折線圖(tu)、箱圖(tu)、散點圖(tu)等

4、圖(tu)形(xing)的(de)表達及適用(yong)場(chang)景

演練：各種圖形繪(hui)制

第四部分：  影響因(yin)素分析篇

營銷(xiao)問題：哪些因素(su)是影響業務目標的關(guan)鍵要素(su)？比(bi)如，產品在貨架上的位置是(shi)否(fou)對銷(xiao)量(liang)有(you)影響？價格和廣告開銷(xiao)是(shi)如(ru)何影響銷(xiao)量(liang)的？影響風控的關鍵因素有哪些？如(ru)何(he)判(pan)斷？

1、 影(ying)響因素分(fen)析的常見方法

2、 相關分(fen)析（衡量兩(liang)數(shu)據型變量的線性相關性）

‐  相關分析(xi)簡(jian)介

‐  相關(guan)分析的應用場景(jing)

‐  相關分析的種類

◢    簡單相關分(fen)析

◢    偏相(xiang)關(guan)分(fen)析

◢    距(ju)離相關(guan)分析(xi)

‐  相關系數(shu)的三種計算公(gong)式

◢    Pearson相關系數

◢    Spearman相(xiang)關(guan)系數

◢    Kendall相(xiang)關系數

‐  相關分析的假設檢驗

‐  相關分析的四個(ge)基(ji)本步驟

演練(lian)：營銷費用會(hui)影響(xiang)銷售額嗎？影響(xiang)程(cheng)度如何(he)量化？

演練：哪些因素與汽車(che)銷量(liang)有相(xiang)關(guan)性

演練：影響用戶消費(fei)水平的因(yin)素會有哪些

‐  偏(pian)相(xiang)關分析(xi)

◢    偏相(xiang)關(guan)原理：排除(chu)不(bu)可(ke)控因素(su)后(hou)的(de)兩變量的(de)相(xiang)關(guan)性

◢    偏(pian)相關系數(shu)的計算公(gong)式

◢    偏(pian)相關分(fen)析的適用場景

‐  距離相關分(fen)析

3、 方差分析（衡(heng)量類別(bie)變量與數值變量間(jian)的相關性）

‐  方差分析的(de)應用(yong)場景

‐  方差分析的(de)三個(ge)種類

◢    單因素方差分(fen)析

◢    多(duo)因素方差分析

◢    協方差(cha)分(fen)析

‐  單因素方(fang)差分析的原(yuan)理

‐  方差(cha)分析的四個步驟

‐  解讀方差分析結果的兩個要點

演(yan)練(lian)：擺放位置(zhi)與銷量(liang)有關(guan)嗎

演練：客(ke)戶學歷(li)對消費水平的影(ying)響分析(xi)

演練：廣告(gao)和(he)價(jia)格是(shi)影響(xiang)終端(duan)銷量(liang)的關鍵因素(su)嗎(ma)

演練：營業員的性(xing)別、技能(neng)級別對產(chan)品(pin)銷(xiao)量有(you)影(ying)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(fang)差分(fen)析的作(zuo)用

‐  多(duo)因素(su)方差結果的解讀

演練(lian)：廣告(gao)形式(shi)、地(di)區對銷量的影響(xiang)因素分析(xi)

‐  協方(fang)差分(fen)析原(yuan)理

‐  協方差分析的適用場景(jing)

演練：排除產品價(jia)格(ge)，收入對銷量有影響嗎？

4、 列聯分析/卡方檢驗（兩類別變量的相關性分析）

‐  交叉表(biao)與列聯表(biao)：計數值與期望值

‐  卡方(fang)檢驗的原理

‐  卡方(fang)檢驗的幾個(ge)計算公式

‐  列(lie)聯表分析的適用場景

案例：套餐類型(xing)對客戶流失的影(ying)響分析

案例(li)：學歷對(dui)業務套餐偏(pian)好的影響分析

案例：行業/規模對風控的影響分析

5、 相關性分析方法(fa)總(zong)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？如果產品跟隨季節性變動，該如何預測？

1、 回歸分析簡介(jie)和原(yuan)理(li)

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(fen)析方法

‐  散點圖+趨勢線（一元）

‐  線性回歸工具（多元線性）

‐  規(gui)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(hui)歸分析(xi)的五(wu)個步驟

演練(lian)：營(ying)銷(xiao)費用、辦公費用與銷(xiao)售額的(de)關(guan)系（線(xian)性回歸）

5、 線性回歸(gui)方(fang)程的(de)解讀技巧

‐  定性描述：正相關/負相關

‐  定(ding)量(liang)(liang)描述：自變量(liang)(liang)變化(hua)導致(zhi)因(yin)變量(liang)(liang)的變化(hua)程度(du)

6、 回(hui)歸(gui)預測模型評(ping)估

‐  質量評估指標：判定系數R^2

‐  如何選擇最(zui)佳回歸模(mo)型

演練：如何選擇最佳(jia)的(de)回歸預測(ce)模型（一元曲線回歸）

7、 帶分類自變量的回歸預測

演練：汽(qi)車季(ji)度銷量預測

演練：工(gong)齡、性別與(yu)終(zhong)端銷量的關系(xi)

演練：如何評估銷售目標與資(zi)源最(zui)佳配置

第六部分：        ;      回歸模型優化

1、 回(hui)歸分析的基本原理

‐  三(san)個基本(ben)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(yin)素的(de)顯著性(xing)檢驗：因(yin)素可用性(xing)

‐  方程擬合優度(du)檢驗：質量好壞程度(du)

‐  理解標準(zhun)誤差含義：預測準(zhun)確(que)性(xing)？

2、 回歸模(mo)型優化措施(shi)：尋(xun)找最佳回歸擬合線

‐  如何處理預測(ce)離群(qun)值（剔除(chu)離群(qun)值）

‐  如何(he)剔除不顯著(zhu)因(yin)(yin)素(su)（剔除不顯著(zhu)因(yin)(yin)素(su)）

‐  如何進行非線(xian)性(xing)關系(xi)檢驗（增加非線(xian)性(xing)自變(bian)量）

‐  如何進行相互作(zuo)用(yong)檢驗（增加(jia)相互作(zuo)用(yong)自變(bian)量）

‐  如何(he)進行多重共線(xian)性檢(jian)驗（剔除共線(xian)性自變量）

演練：模型優(you)化演示

3、 好模型都是優化出來的

第七部分：     自定義(yi)回歸模型

1、 回歸(gui)建(jian)模的(de)本質

2、 規劃(hua)求解(jie)工具(ju)簡介

3、 自定義(yi)回歸模型

案例：如何對客流量進行建模(mo)預測(ce)及模(mo)型(xing)優化

4、 回歸季節(jie)預測模(mo)型模(mo)型

‐  回歸季節(jie)模型的(de)原理及應用場(chang)景

‐  加法季節(jie)模型

‐  乘法季(ji)節模型

‐  模型解讀(du)

案(an)例：美國航空(kong)旅(lv)客里程的季節性趨(qu)勢分(fen)析

5、 新產品累計銷量的S曲線

‐  S曲(qu)線模型的(de)應用場(chang)景（最(zui)大累計銷量及銷量增長的(de)拐點(dian)）

‐  珀(po)爾曲線

‐  龔鉑茲曲(qu)線

案例：如何預(yu)測產品的銷售增長拐(guai)點，以及銷量(liang)上限

演練：預測IPad產品的銷量

第八部分：     ;         回歸模型質量(liang)評估

1、定量(liang)預(yu)測模型的評估

‐  方程顯(xian)著性評估

‐  因素顯著性評(ping)估(gu)

‐  擬合優度的(de)評估

‐  估計標準(zhun)誤(wu)差(cha)評估

‐  預測值準確度(du)評估

2、模型擬合(he)度評估

‐    判定系數：                                              

‐    調整(zheng)判定(ding)系數：

3、預測值準確度評估(gu)

‐  平均絕對誤差：MAE

‐  根均方差：RMSE

‐  平均誤差率：MAPE

4、其它(ta)評(ping)估：殘差(cha)檢驗、過擬合檢驗

第九部分：  時序預(yu)測(ce)模(mo)型(xing)

營銷問題：像利率/CPI/GDP等按時序變化的指標如(ru)何預測？當(dang)銷量隨季節周(zhou)期變動時(shi)該如(ru)何預測？

1、 回歸預測vs時序預測

2、 因素分解(jie)思(si)想

3、 時序預測常(chang)用模(mo)型(xing)

‐  趨勢擬合

‐  季(ji)節擬合

‐  平(ping)均序列擬合(he)

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(ji)原理

‐  移動平均種類

◢    一(yi)次移動(dong)平均(jun)

◢    二次(ci)移(yi)動平均

◢    加(jia)權(quan)移動平均

◢    移動平均(jun)比率法(fa)

‐  移動(dong)平均關(guan)鍵問題

◢    如何選取最優參數N

◢    如(ru)何確(que)定(ding)最優權重系(xi)數

演練(lian)：平板電腦銷量預(yu)測及評估(gu)

演(yan)練：快銷產品季節(jie)銷量(liang)預測(ce)及評估

6、 指數平滑（ES）

‐  應(ying)用場景(jing)及原理

‐  最優平滑系(xi)數的選取原(yuan)則

‐  指數平(ping)滑種類

◢    一(yi)次(ci)指數平滑

◢    二次指數平滑（Brown線性、Holt線性、Holt指數、阻尼線性、阻尼指數）

◢    三次指(zhi)數平滑

演練：煤(mei)炭產量預測

演練(lian)：航空旅客(ke)量預測及(ji)評估

7、 溫特斯(si)季節預測模型

‐  適用場景及原理(li)

‐  Holt-Winters加法模型

‐  Holt-Winters乘(cheng)法模(mo)型(xing)

演練：汽車銷量預(yu)測(ce)及評估

8、 平穩序列模型（ARIMA）

‐  序列(lie)的平穩性檢驗

‐  平穩序列的擬合模型

◢   AR(p)自(zi)回歸(gui)模型

◢   MA(q)移動模型

◢   ARMA(p,q)自回歸移動(dong)模型(xing)

‐  模型(xing)的識別與定階

◢   ACF圖/PACF圖

◢   最小信息準則

‐  序(xu)列平穩化處(chu)理(li)

◢   變(bian)量變(bian)換

◢   k次差分

◢   d階差分

‐  ARIMA(p,d,q)模型

演練：上(shang)海證券交易所綜合(he)指(zhi)數收(shou)益(yi)率序列分析

演(yan)練(lian)：服裝銷(xiao)售數據(ju)季節(jie)性趨勢(shi)預測分析

‐  平(ping)穩序(xu)列(lie)的建模流(liu)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務？

1、 分類模型概述及其應用場景

2、 常(chang)見(jian)分類預測(ce)模(mo)型

3、 邏輯回歸（LR）

‐  邏輯回歸的適用場景

‐  邏輯回歸(gui)的模型原理

‐  邏(luo)輯回歸分類的幾何意義(yi)

‐  邏輯(ji)回(hui)歸的種(zhong)類

2  二項邏輯(ji)回歸(gui)

2  多項邏(luo)輯(ji)回歸

‐  如何解讀(du)邏輯(ji)回歸方程

‐  帶(dai)分(fen)類自變量的(de)邏(luo)輯回歸(gui)分(fen)析

‐  多項邏(luo)輯回歸(gui)/多分類邏輯回歸

案例：如何評估用戶是否會購買某產品（二項邏輯回歸）

案(an)例：多(duo)品(pin)牌(pai)選擇(ze)模型分(fen)析（多(duo)項邏輯回歸）

4、 分類決策樹（DT）

問題：如何(he)預(yu)測客(ke)戶行為(wei)？如何(he)識(shi)別(bie)潛(qian)在客(ke)戶？

風控：如(ru)何識別欠(qian)(qian)貸(dai)者的特征(zheng)，以及預測欠(qian)(qian)貸(dai)概率？

客(ke)(ke)戶保有(you)：如何識別流失(shi)客(ke)(ke)戶特征，以及預測客(ke)(ke)戶流失(shi)概率(lv)？

‐  決策樹(shu)分類簡介

案例：美國零售商（Target）如何預測少女懷孕

演練：識別(bie)銀行欠貨風險，提取欠貸(dai)者的特征(zheng)

‐  決策(ce)樹分(fen)類的(de)幾何意義

‐  構(gou)建決策樹的三(san)個(ge)關鍵問題

◢   如(ru)何選擇最佳屬性來構建(jian)節點

◢   如何分裂變量

◢   修剪決策樹

‐  選擇(ze)最優屬性生長

◢   熵、基尼索引、分類錯誤

◢    屬性劃分增益

‐  如何(he)分裂變(bian)量

◢    多元劃分(fen)與二元劃分(fen)

◢    連(lian)續變(bian)量離散化（最優分割點）

‐  修剪決策樹

◢    剪枝原則

◢    預剪(jian)枝與后(hou)剪(jian)枝

‐  構建決策樹(shu)的四個(ge)算法

◢   C5.0、CHAID、CART、QUEST

◢    各(ge)種算法的(de)比(bi)較

‐  如何選擇最(zui)優分類模型？

案例：商場用(yong)戶的典型特征提(ti)取

案例：客(ke)戶(hu)流(liu)失預警與客(ke)戶(hu)挽(wan)留

案例：識別拖欠銀行貨款者的特(te)征，避免不良貨款

案例：識別(bie)電信(xin)詐騙者嘴臉，讓(rang)通(tong)信(xin)更安全

‐  多分類(lei)決策(ce)樹

案例：不同(tong)套餐用戶的典型特征

‐  決策樹模型(xing)的(de)保(bao)存與應(ying)用

5、 人工神經網絡（ANN）

‐  神經(jing)網絡概述

‐  神經網絡基本原理

‐  神經網絡的結(jie)構(gou)

‐  神經網(wang)絡分類的(de)幾何意義(yi)

‐  神經網(wang)絡的建立步驟

‐  神經網絡的關鍵問題

‐  BP反向傳播網絡（MLP）

‐  徑向基網絡（RBF）

案例：評估銀行用戶拖欠貨款(kuan)的概率

6、 判別分析（DA）

‐  判別(bie)分析原理(li)

‐  判(pan)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(lei)別評估

7、 最近鄰分類（KNN）

‐  KNN模型的(de)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(chang)細分模型

問題：我們的客戶(hu)有(you)幾類？各類特征(zheng)是(shi)什么？如何實現客戶細分，開發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(yong)方法(fa)

‐  有指導細分

‐  無指導細分

2、 聚類分析

‐  如何更(geng)好的了解(jie)客戶(hu)群(qun)體和市場細分？

‐  如何識別客(ke)戶群體(ti)特征？

‐  如何確定客戶要分(fen)成多少(shao)適當的類(lei)別(bie)？

‐  聚(ju)類(lei)方法原理介(jie)紹

‐  聚(ju)類方法作(zuo)用及(ji)其適用場景(jing)

‐  聚(ju)類(lei)(lei)分析的種類(lei)(lei)

◢    K均值聚類

◢    層次聚類

◢    兩步(bu)聚類

‐  K均值(zhi)聚類（快(kuai)速聚類）

案例：移動三大品牌細分(fen)市場合適嗎？

演練(lian)：寶(bao)潔公(gong)司如何選擇新(xin)產品試(shi)銷(xiao)區域？

演練：如何(he)自動評(ping)選優秀員工？

演(yan)練：中國各省份發達(da)程度(du)分析，讓數據自動(dong)聚類

‐  層次聚類（系統聚類）：發現(xian)多(duo)個(ge)類別(bie)

‐  R型聚類與Q型聚類的區別

案例(li)：中移動如何實(shi)現(xian)客戶細分及營銷策略

演練：中國省市經濟發展情況分析（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(bu)聚類

3、 客戶細分與PCA分析法

‐  PCA主成分(fen)分(fen)析的原理

‐  PCA分(fen)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(che)客戶群設計汽車(che)

第十二部分：        客戶價值(zhi)評估

營銷問題：如何評估(gu)客(ke)戶的(de)價(jia)值(zhi)？不同的(de)價(jia)值(zhi)客(ke)戶有何區別對(dui)待(dai)？

1、 如(ru)何評價客戶生(sheng)命周期的價值

‐  貼現率與留存率

‐  評(ping)估客戶的真實價值

‐  使(shi)用雙(shuang)向表衡(heng)量屬(shu)性敏感(gan)度

‐  變化(hua)的(de)邊際(ji)利潤

案例：評估營銷行為的(de)合理性

2、 RFM模型（客(ke)戶價值評估(gu)）

‐  RFM模型，更(geng)深入了解你的客戶價值

‐  RFM模(mo)型與(yu)市場策(ce)略

‐  RFM模型與活躍度(du)分析(xi)

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實現最大化營銷利潤

案例：重(zhong)購用戶特征分(fen)析

第十三部分：        假設檢驗

1、 參(can)數檢驗分析（樣本均值檢驗）

問題：如何(he)驗證營銷效(xiao)果的有效(xiao)性？

‐  假(jia)設檢驗概述(shu)

◢   單樣本T檢驗

◢   兩獨立樣本T檢驗

◢   兩配對樣本T檢驗

‐  假設(she)檢驗適(shi)用場(chang)景

電信行(xing)業

案例：電信運營商ARPU值評估分析（單樣本）

案例(li)：營銷活動前后分析（兩配對樣本(ben)）

金融行業

案例(li)：信用(yong)卡(ka)消費(fei)金額評估分析（單樣(yang)本）

醫療行(xing)業

案例(li)：吸煙與(yu)膽固醇升(sheng)高的分析（兩(liang)獨立樣本）

案例：減肥效果評估（兩配對樣(yang)本(ben)）

2、 非參數檢驗(yan)分(fen)析（樣本分(fen)布檢驗(yan)）

問題：這些屬性數據的分(fen)(fen)布情況如何？如何從數據分(fen)(fen)布中看出(chu)問題？

‐  非參數(shu)檢驗概(gai)述

◢   單樣本(ben)檢(jian)驗

◢   兩獨立樣本(ben)檢(jian)驗

◢   兩(liang)相關樣本檢驗

◢   兩配(pei)對(dui)樣(yang)本檢(jian)驗

‐  非參數檢驗適用場景(jing)

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：客戶滿意度差異檢驗(多相關樣本-Cochran Q檢驗)

結束：課(ke)程總結與問題(ti)答疑(yi)。