2-4天時間，或者根據培訓需求選(xuan)擇組合（每天6個小(xiao)時）

【學員(yuan)要求】

1、     每個學員自備一臺(tai)便攜機(必須)。

2、     便攜機中事先安裝好Excel 2013版本及以(yi)上（前兩(liang)天用）。

3、     便(bian)攜機中事(shi)先安裝好IBM SPSS Statistics v24版本及以上（后兩天用）。

注：講師可以提供試用版(ban)本軟件及(ji)分析數據源。

【授課方式】

理論(lun)精講 + 案例(li)演練 + 實際業務問題分析(xi) + Excel實踐操(cao)作 + SPSS實踐操作

本課(ke)程突出數(shu)(shu)(shu)據分析(xi)的(de)(de)實(shi)際(ji)應(ying)用，結合(he)行業的(de)(de)典型應(ying)用特點，圍繞實(shi)際(ji)的(de)(de)商業問題，進行大數(shu)(shu)(shu)據的(de)(de)分析(xi)與挖掘，介紹常用的(de)(de)方法和模(mo)型，以(yi)及模(mo)型適用場景(jing)，通過(guo)演練操(cao)作，以(yi)達(da)到提(ti)升學(xue)員對營(ying)銷(xiao)數(shu)(shu)(shu)據的(de)(de)分析(xi)以(yi)及對數(shu)(shu)(shu)據模(mo)型的(de)(de)深(shen)入理(li)解。

 第一部分：  數據核心理念(nian)—數據思(si)維篇

問題：什么(me)是數據思維？大數據決策的底層邏輯以及決策依據是什么(me)？

1、 數字化五大技術戰略：ABCDI戰略

2、 大數據的本質

‐  數據，是事(shi)物發展和變化過程中留(liu)下的痕(hen)跡

‐  大數(shu)據不在(zai)于量大，而在(zai)于全(quan)（多維性）

‐  業務導向(xiang)還是(shi)技術(shu)導向(xiang)

3、 大數據決策的(de)底層邏輯（即(ji)四大核心價值）

‐  探索業務規(gui)律(lv)，按規(gui)律(lv)來管理決(jue)策

案例：客流規律與(yu)排班及最佳營銷時(shi)機

案例：致命交通事故發生的時間規律

‐  發現運營變化，定短板來(lai)運營決策

案例：考核(he)周(zhou)期導致的員工月初(chu)懈(xie)怠

案例：工序信號異常監測設(she)備故障(zhang)

‐  理清要素關系，找影響因素來決策

案(an)例：情(qing)緒對(dui)于股市漲(zhang)跌(die)的影響

案例：為(wei)何升(sheng)職反(fan)而會(hui)增加離職風險(xian)？

‐  預測未來(lai)趨勢(shi)，通過預判進行決策

案(an)例：惠(hui)普預測(ce)員(yuan)工離職(zhi)風(feng)險及挽留(liu)

案例(li)：保(bao)險(xian)公(gong)司的車(che)險(xian)預測與個性化保(bao)費定價(jia)

4、 大數據決策的三個關鍵(jian)環節

‐  業務數據(ju)化(hua)：將業務問題轉化(hua)為數據(ju)問題

‐  數(shu)據(ju)信(xin)息化：提取數(shu)據(ju)中的業務規律(lv)信(xin)息

‐  信息策略(lve)化：基于規(gui)律(lv)形成業務應(ying)對策略(lve)

案例(li)：用數據來識別喜(xi)歡(huan)賺“差價”的營(ying)業員

第二部分：  數據精準營銷(xiao)—分析過程篇(pian)

問題：大數據(ju)實現精準(zhun)營(ying)銷的(de)整(zheng)個過(guo)程是什(shen)么？要(yao)經(jing)歷哪(na)(na)些(xie)步驟？如何構建精準(zhun)營(ying)銷的(de)數據(ju)支撐(cheng)框架？需要(yao)采集(ji)哪(na)(na)些(xie)數據(ju)？

1、 數據(ju)分(fen)析的六步曲

‐  明確目標，確定分析思(si)路

‐  收集數(shu)據(ju)，尋找分析(xi)素材

‐  整理數(shu)據(ju)，確保(bao)數(shu)據(ju)質(zhi)量

‐  分析數據，尋找業(ye)務答(da)案

‐  呈(cheng)現(xian)數據，解讀業(ye)務規律

‐  撰寫(xie)報告，形成(cheng)業務策略

2、 精準營銷的業務分析框架（6R準則）

‐  尋(xun)找正確的客戶

‐  匹配正確的產品

‐  確(que)定合理的價(jia)格(ge)

‐  通過合適(shi)的渠道

‐  采用合適(shi)的方式(shi)

‐  設計(ji)恰當的信息

演練(lian)：如(ru)何構建一個良好(hao)的大數據精準營銷分析框架(jia)

3、 精準(zhun)營銷項目的(de)整個分析過程

演(yan)練(lian)：如何用大數據來支撐(cheng)產(chan)品精準(zhun)營銷(xiao)項目(mu)

第三部分：  用戶(hu)行為分析—分析方法(fa)篇(pian)

問題：數據分(fen)析(xi)方法的種類？分(fen)析(xi)方法的不同應用場景？

1、 業務分析的三個階段

‐  現狀分析：通過企業(ye)運營指標來發現規律(lv)及短板

‐  原因分(fen)析：查找數(shu)據相(xiang)關性(xing)，探尋目標影響(xiang)因素

‐  預(yu)測(ce)分析(xi)：合理配置(zhi)資源(yuan)，預(yu)判業務未來的趨(qu)勢

2、 常用的(de)數據分析方法種類

‐  描述性分析法（對比/分組/結構/趨勢/交叉…）

‐  相關性分析法（相關/方差/卡方…）

‐  預測性分析法（回歸/時序/決策樹/神經網絡…）

‐  專題性分析法（聚類/關聯/RFM模型/…）

3、 統計分(fen)析基(ji)礎

‐  統計分析兩大(da)關鍵要素（類別、指(zhi)標）

‐  統計分析的操(cao)作模式（類(lei)別à指標(biao)）

‐  統(tong)計分析三個操作步驟（統(tong)計、畫(hua)圖、解讀）

‐  透視表的三(san)個組(zu)成部分(fen)

4、 常用的描述性指標

‐  集(ji)中程度：均值、中位數、眾數

‐  離散程度：極差、方差/標準差、IQR

‐  分布(bu)形態：偏度(du)、峰度(du)

5、 基本分(fen)析(xi)方法及其適用場(chang)景(jing)

‐  對比分析(xi)（查(cha)看數據差距，發現(xian)事物變化）

演練(lian)：尋找用戶(hu)的地(di)域分布特(te)征

演練：分析產品受歡迎情況及(ji)貢獻(xian)大小

演練：用數據來探索增量不增收困境的解決方案

‐  分(fen)布分(fen)析（查(cha)看數據分(fen)布，探索業務層次）

演練：銀行用戶(hu)的消費水(shui)平和消費層次分析

演練：客戶年齡分布/收入分布分析

案例：通信(xin)運營(ying)商(shang)的流量套餐(can)劃分(fen)合理性的評估

演練(lian)：呼叫中心接聽電話效率(lv)分析（呼叫中心）

‐  結(jie)構(gou)(gou)分析（查看(kan)指(zhi)標構(gou)(gou)成，評估結(jie)構(gou)(gou)合理(li)性）

案(an)例：增值(zhi)業務收入結構分析（通信）

案例：物流(liu)費用成本結構分析(xi)（物流(liu)）

案例：中移動用戶群動態結構分析

演練：財務領域的結構瀑布圖、財務收支的變化瀑布圖

‐  趨勢分析（發現事物隨時間的變化規律）

案例：破解零售店銷售規律

案例：手(shou)機銷量的淡旺(wang)季分析

案例：微信用戶的(de)活(huo)躍時間規律

演練(lian)：發(fa)現(xian)客(ke)流量(liang)的時間規律

‐  交叉分(fen)(fen)析（從多個維度的數據指標分(fen)(fen)析）

演練：用戶性別+地域分布分析

演練(lian)：不同客戶的產品(pin)偏好(hao)分析(xi)

演(yan)練(lian)：不同學(xue)歷用(yong)戶(hu)的(de)套(tao)餐偏(pian)好(hao)分析(xi)

演練：銀行用(yong)戶的違約影(ying)響因(yin)素分析

第四部分：  用戶行為(wei)分析—分析框架篇

問題：如何才能全面/系統地分析而不遺漏？如何分解和細化業務問題？

1、 業務分析(xi)思路(lu)和分析(xi)框架來源于業務模型

2、 常用的業務模型

‐  外部環境分析：PEST

‐  業務專題分析：5W2H

‐  競品/競爭分析：SWOT、波特五力

‐  營銷市場專題分析：4P/4C等

3、 用戶行為分析（5W2H分析思路和框架）

‐  WHY：原因（用戶(hu)需(xu)求、產品亮(liang)點、競品優劣勢）

‐  WHAT：產(chan)(chan)品(pin)（產(chan)(chan)品(pin)喜(xi)好、產(chan)(chan)品(pin)貢獻、產(chan)(chan)品(pin)功能、產(chan)(chan)品(pin)結構）

‐  WHO：客戶（基(ji)本特(te)征、消費能(neng)力、產品偏好）

‐  WHEN：時(shi)(shi)間（淡旺季、活躍時(shi)(shi)間、重購周期）

‐  WHERE：區域/渠道（區域喜好、渠道偏好）

‐  HOW：支付/促銷（支付方式、促銷方式有效性評估等）

‐  HOW MUCH：價格(ge)（費用、成本、利潤、收入結(jie)構、價格(ge)偏(pian)好等）

案例討論：結合公司情況，搭建用戶消費習慣的分析框架（5W2H）

4、 數據分析策略(lve)

第五部分：  影響因素分(fen)析—原因分析篇(pian)

營銷問題：哪些因素是影(ying)響業務(wu)目標的關鍵要(yao)素？比如，產品在貨架(jia)上(shang)的位置是(shi)否對(dui)銷量有影(ying)(ying)響？價格和廣告開銷是(shi)如(ru)何影(ying)(ying)響銷量的？影響(xiang)風控(kong)的關鍵(jian)因(yin)素有(you)哪些？如(ru)何判斷？

1、 影響因素分析的(de)常(chang)見方法(fa)

2、 相關分析（衡量兩(liang)數據型變量的線(xian)性相關性）

‐  相關分析簡介

‐  相關分析的(de)應用場景

‐  相(xiang)關分析的種(zhong)類(lei)

◢   簡(jian)單相關分析(xi)

◢   偏相(xiang)關分析

◢   距離(li)相關分析

‐  相關系(xi)數的三種計算公式

◢   Pearson相關系(xi)數(shu)

◢   Spearman相關系數(shu)

◢   Kendall相關(guan)系(xi)數

‐  相關分析的假(jia)設檢驗

‐  相關分析的(de)四個基本步驟(zou)

演練：營銷費用(yong)會影響銷售(shou)額嗎？影響程度如何量(liang)化？

演練：哪些因素與汽(qi)車銷(xiao)量有相(xiang)關性(xing)

演練(lian)：影(ying)響(xiang)用戶消費水平的(de)因素會有哪些

‐  偏(pian)相關分(fen)析

◢   偏(pian)相關(guan)(guan)原理：排除不可控因(yin)素后的兩(liang)變量的相關(guan)(guan)性

◢   偏相關(guan)系數的計算公式

◢   偏相關分(fen)析(xi)的適用(yong)場(chang)景(jing)

‐  距離相(xiang)關分析

3、 方差分析(xi)（衡量類別變量與(yu)數值(zhi)變量間的相(xiang)關(guan)性）

‐  方差(cha)分析的應用場(chang)景(jing)

‐  方差分析的三個(ge)種類(lei)

◢   單(dan)因素(su)方差分(fen)析(xi)

◢   多因(yin)素方差分(fen)析

◢   協方差(cha)分(fen)析

‐  單因素方(fang)差分(fen)析的原理

‐  方差分析的四個步驟

‐  解讀(du)方差分析結(jie)果(guo)的(de)兩個要(yao)點(dian)

演練：擺放位置與銷量有(you)關嗎

演練(lian)：客戶學歷對消費水平(ping)的影(ying)響分析

演練：廣(guang)告和價格是影響終(zhong)端銷量(liang)的(de)關鍵(jian)因素(su)嗎

演練：營業員的性別、技(ji)能級別對產品銷(xiao)量有影響嗎

演練：尋找(zhao)影響產品銷量的關鍵因素

‐  多(duo)因素方(fang)差分析原理

‐  多因素方(fang)差分析的作用

‐  多因(yin)素方差結果的解讀

演練：廣告形(xing)式、地區對銷量的影響因素(su)分析

‐  協(xie)方差分析原理(li)

‐  協(xie)方差(cha)分析的(de)適用場景

演練：排(pai)除產品價格，收入對銷量有影(ying)響嗎？

4、 列聯分析/卡方檢驗（兩類別變量的相關性分析）

‐  交叉表與列(lie)聯(lian)表：計數值與期望值

‐  卡方檢(jian)驗的原理

‐  卡方檢驗的(de)幾(ji)個計算公式

‐  列聯表(biao)分析的適用場景(jing)

案(an)例：套餐類型對客戶流失的影響分(fen)析

案例：學歷對業務套餐偏(pian)好(hao)的影響分析

案例：行業/規模對風控的影響分析

5、 相關(guan)性分析方法總(zong)結

第六部分：  產(chan)品銷量預測(ce)—回歸(gui)預測篇

營銷問題(ti)：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(he)原理

2、 回歸分析的種(zhong)類

‐  一元回歸/多元回歸

‐  線性回歸/非線性回歸

3、 常(chang)用回(hui)歸分析(xi)方法

‐  散點圖+趨勢線（一元）

‐  線(xian)性回歸(gui)工(gong)具（多元線(xian)性）

‐  規劃求解工具（非(fei)線性回歸）

演練：散點(dian)圖找營銷(xiao)(xiao)費用與銷(xiao)(xiao)售(shou)額(e)的關系

4、 線性回歸(gui)分析(xi)的五個步驟

演練：營銷費用、辦公費用與銷售額的關系（線性回歸）

5、 線性回歸方(fang)程的解(jie)讀技巧

‐  定性描述：正相關/負相關

‐  定量描述：自變(bian)量變(bian)化導致(zhi)因變(bian)量的變(bian)化程度

6、 回(hui)歸(gui)預測模型評估

‐  質量評估指標：判定系數R^2

‐  如何(he)選擇最佳回歸(gui)模型(xing)

演練：如(ru)何選擇最佳的回(hui)歸(gui)預測模型（一元曲線(xian)回(hui)歸(gui)）

7、 帶分類自變量的回歸(gui)預(yu)測

演練：汽車季度銷量預測

演練：工齡、性別與終端銷量的關系

演(yan)練(lian)：如何評估銷售目標與(yu)資(zi)源(yuan)最佳配置

8、 回(hui)歸分(fen)析的基本(ben)原理(li)

‐  三個(ge)基本概念：總變(bian)(bian)差(cha)、回歸變(bian)(bian)差(cha)、剩(sheng)余變(bian)(bian)差(cha)

‐  方程的顯著性檢(jian)驗：方程可(ke)用性

‐  因(yin)素的(de)顯(xian)著性檢驗(yan)：因(yin)素可(ke)用(yong)性

‐  方程擬合(he)優度檢驗：質(zhi)量(liang)好壞程度

‐  理解標準誤差含義：預(yu)測準確性？

9、 回(hui)歸模型(xing)優化措(cuo)施：尋(xun)找最佳回(hui)歸擬(ni)合線

‐  如何處理預測離群值（剔除離群值）

‐  如何剔(ti)除(chu)不(bu)顯著因素(su)（剔(ti)除(chu)不(bu)顯著因素(su)）

‐  如何(he)進行非線(xian)性關系檢驗（增(zeng)加非線(xian)性自變量）

‐  如何(he)進行相互作(zuo)用檢驗（增(zeng)加(jia)相互作(zuo)用自(zi)變量(liang)）

‐  如何進行多重(zhong)共(gong)線(xian)性(xing)檢驗（剔除(chu)共(gong)線(xian)性(xing)自變量）

演(yan)練：模型優(you)化演(yan)示(shi)

10、     好模型(xing)都是優化出來(lai)的(de)

第七部分：  客流預測模型—自定義回歸篇

1、 回(hui)歸建模的本質

2、 規劃(hua)求解工(gong)具簡介(jie)

3、 自(zi)定義(yi)回(hui)歸模(mo)型

案例：如何對客流量(liang)進(jin)行建模(mo)預測及模(mo)型優化(hua)

4、 季(ji)節性(xing)預測模型

‐  回歸季(ji)節(jie)模(mo)型的原(yuan)理及(ji)應用場景(jing)

‐  加法季節模型

‐  乘法季節模型(xing)

‐  模(mo)型解讀

案例：美國(guo)航(hang)空旅客里程的季節性趨勢分析

5、 新產品累計銷量的S曲線

‐  S曲(qu)線模型的應用(yong)場(chang)景（最大累(lei)計銷(xiao)量(liang)(liang)及銷(xiao)量(liang)(liang)增長的拐點(dian)）

‐  珀爾曲線

‐  龔鉑(bo)茲(zi)曲線

案例：如(ru)何預測產品的銷(xiao)售(shou)增(zeng)長拐點，以(yi)及(ji)銷(xiao)量上限

演練：預測IPad產品的銷量

第八部分：  產品(pin)銷(xiao)量預(yu)測—時序(xu)預測篇

營銷問題：像利率/CPI/GDP等按時序變化的指標如何預測？當銷量(liang)隨(sui)季節周期變動時該如何預測？

1、 回歸預測vs時序預測

2、 因素分解思想

3、 時(shi)序(xu)預測(ce)常用模型

‐  趨(qu)勢擬(ni)合

‐  季節(jie)擬合

‐  平(ping)均序(xu)列擬(ni)合

4、 評估預測值的準確度指標：MAD、RMSE、MAPE

5、 移動平均（MA）

‐  應用場景及原(yuan)理

‐  移動平均種類

◢   一次移動平(ping)均

◢   二次(ci)移動平均

◢   加權移(yi)動平均

◢   移(yi)動平均比率法

‐  移(yi)動平(ping)均關鍵問題

◢   如何選取最優參數N

◢   如何確(que)定最優權(quan)重系數

演(yan)練：平(ping)板電腦銷量預測及評估(gu)

演練：快(kuai)銷(xiao)產品季節銷(xiao)量預測及評估

6、 指數平滑（ES）

‐  應用場景及原理

‐  最優平滑系(xi)數的選取原則

‐  指數平滑(hua)種類

◢   一(yi)次指數平滑

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

◢   三次指數平滑

演練：煤炭產量預(yu)測

演(yan)練：航空旅客量預測及評(ping)估

7、 溫特斯季節(jie)預測模型(xing)

‐  適用場景及原(yuan)理

‐  Holt-Winters加法模型(xing)

‐  Holt-Winters乘(cheng)法模型(xing)

演練：汽車(che)銷量預測及評估

8、 平穩序列模型（ARIMA）

‐  序列的平穩性(xing)檢驗

‐  平穩序(xu)列的(de)擬合(he)模(mo)型(xing)

◢   AR(p)自回(hui)歸模型(xing)

◢   MA(q)移動模(mo)型

◢   ARMA(p,q)自回歸移(yi)動模(mo)型

‐  模(mo)型的(de)識別與定(ding)階

◢   ACF圖/PACF圖

◢   最(zui)小(xiao)信息準則

‐  序列平(ping)穩(wen)化處理

◢   變量(liang)變換

◢   k次差分

◢   d階(jie)差(cha)分(fen)

‐  ARIMA(p,d,q)模型

演練：上海證券交易(yi)所(suo)綜合(he)指數收(shou)益率序列分(fen)析

演練(lian)：服裝銷售數據季節性趨勢預測(ce)分析

‐  平穩(wen)序(xu)列的建(jian)模流程(cheng)

第九部分：  客戶行為(wei)預測—分類預(yu)測篇

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(lei)模型概述及其(qi)應用場景

2、 常(chang)見分類(lei)預測模型

3、 邏輯回歸（LR）

‐  邏輯回歸的適(shi)用場(chang)景

‐  邏輯回(hui)歸的模型原理

‐  邏輯回歸分類的幾何意義

‐  邏輯回歸的(de)種類(lei)

2  二項邏(luo)輯回歸(gui)

2  多項(xiang)邏(luo)輯回歸

‐  如何解讀邏輯回歸方程

‐  帶分(fen)類自變量(liang)的邏(luo)輯回歸分(fen)析

‐  多項邏(luo)輯回歸/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）

案例：多品牌(pai)選擇模型分析（多項邏輯回歸）

4、 分類決策樹（DT）

問題：如何預測(ce)客戶行為？如何識別潛在(zai)客戶？

風(feng)控：如(ru)何識(shi)別欠貸者的特征，以(yi)及(ji)預測欠貸概率？

客(ke)戶(hu)保有：如何(he)識別流(liu)失(shi)客(ke)戶(hu)特征，以及預測客(ke)戶(hu)流(liu)失(shi)概率？

‐  決策(ce)樹分類簡(jian)介

案例：美國零售商（Target）如何預測少女懷孕

演(yan)練：識別銀行(xing)欠(qian)貨(huo)風險，提取欠(qian)貸者(zhe)的特(te)征

‐  決策樹分類的幾何意義

‐  構建決(jue)策樹(shu)的三個關(guan)鍵問題

◢   如何選擇最(zui)佳屬性來構建節點

◢   如何(he)分(fen)裂(lie)變量(liang)

◢   修剪決策樹

‐  選擇最(zui)優屬性生長

◢   熵、基尼索引(yin)、分類錯誤

◢   屬性劃(hua)分增益

‐  如何分(fen)裂變量

◢   多元劃分與二元劃分

◢   連續變(bian)量離散化（最(zui)優分割點）

‐  修剪決策樹

◢   剪枝(zhi)原則(ze)

◢   預剪枝與后剪枝

‐  構(gou)建決策樹的四(si)個(ge)算法

◢   C5.0、CHAID、CART、QUEST

◢   各(ge)種算法的比較

‐  如何選擇最優分(fen)類模型(xing)？

案例：商場用戶的典型特征提取(qu)

案例：客(ke)戶流失預警與客(ke)戶挽(wan)留

案例：識別拖欠銀行貨(huo)款(kuan)者的特征，避免不(bu)良(liang)貨(huo)款(kuan)

案例：識(shi)別電(dian)信詐騙者嘴(zui)臉，讓(rang)通信更安全

‐  多分(fen)類決(jue)策樹(shu)

案例：不(bu)同套餐(can)用戶的典型特征

‐  決策樹(shu)模型的保存與應用

5、 人工神經網絡（ANN）

‐  神經網絡概述

‐  神(shen)經網絡(luo)基本(ben)原理

‐  神經(jing)網絡(luo)的(de)結構(gou)

‐  神經(jing)網(wang)絡(luo)分類的(de)幾何意義

‐  神經網絡的建立步(bu)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(huo)款的概率

6、 判別分析（DA）

‐  判別分(fen)析原理

‐  判別分析種類

‐  Fisher線性(xing)判(pan)別分析(xi)

案例：MBA學生錄取判別分析

案例：上市公司類別評估

7、 最近鄰分類（KNN）

‐  KNN模型的基(ji)本原理

‐  KNN分(fen)類的幾何意義(yi)

‐  K近鄰的關(guan)鍵(jian)問題

8、 支持向量機（SVM）

‐  SVM基本原(yuan)理

‐  線性可分問題：最大(da)邊界超平面

‐  線(xian)性不可分問(wen)題：特征(zheng)空間的轉換(huan)

‐  維災難與核函(han)數(shu)

9、 貝葉斯分類（NBN）

‐  貝葉斯分類原理

‐  計算(suan)類別屬性的條件概率

‐  估計連(lian)續屬性的條件概率

‐  預測分類概(gai)率（計算概(gai)率）

‐  拉(la)普拉(la)斯修正(zheng)

案例：評估銀行用(yong)戶(hu)拖欠貨(huo)款的概率

第十部分：  市場細分(fen)模型—聚(ju)類模型篇

問題：我(wo)們的(de)客戶有幾類(lei)？各(ge)類(lei)特征(zheng)是什么？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、 市場細分的常用方法

‐  有指導細分

‐  無指導細分

2、 聚類(lei)分析

‐  如何更好(hao)的了解客戶群體和(he)市(shi)場細分？

‐  如(ru)何(he)識別客戶(hu)群體特征？

‐  如何確(que)定客戶(hu)要分成多少適(shi)當的類別？

‐  聚類方(fang)法原理介紹(shao)

‐  聚(ju)類方法作用(yong)及(ji)其(qi)適用(yong)場景

‐  聚類(lei)分析的(de)種類(lei)

◢   K均值聚類(lei)

◢   層次聚類

◢   兩步(bu)聚類

‐  K均值聚類(lei)（快速聚類(lei)）

案(an)例：移動三大品牌細分市場合適嗎？

演練：寶潔公司如何選擇(ze)新(xin)產品試銷區(qu)域？

演練：如(ru)何自動評選優秀員(yuan)工(gong)？

演練：中(zhong)國各(ge)省份發達程(cheng)度分(fen)析，讓數據自動(dong)聚類

‐  層次聚類(lei)（系(xi)統聚類(lei)）：發(fa)現(xian)多個類(lei)別

‐  R型聚類與Q型聚類的區別

案例：中移動(dong)如何實現客戶(hu)細分及營銷(xiao)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）

‐  兩步聚類(lei)

3、 客戶細分與PCA分析法

‐  PCA主成分分析的原理

‐  PCA分析(xi)法的適(shi)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(hu)群(qun)設計(ji)汽車(che)

第十一部分：        客戶價值評估—RFM模(mo)型篇

營銷問(wen)題：如何評(ping)估(gu)客(ke)戶(hu)的價值？不同的價值客(ke)戶(hu)有何區別對待？

1、 如何(he)評價(jia)客(ke)戶生(sheng)命(ming)周期的價(jia)值(zhi)

‐  貼現率與留存(cun)率

‐  評估(gu)客戶的真實(shi)價值

‐  使用(yong)雙向表(biao)衡量屬(shu)性敏感(gan)度

‐  變(bian)化(hua)的邊際(ji)利潤

案例(li)：評估營(ying)銷(xiao)行為的合理性

2、 RFM模型(xing)（客戶價值(zhi)評估）

‐  RFM模型，更深入了解你(ni)的客戶價值(zhi)

‐  RFM模型與(yu)市場(chang)策(ce)略

‐  RFM模型與活躍度分析

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：重購(gou)用戶(hu)特征(zheng)分析

第十二部分：        產品推薦算法—推薦模型篇

問題：購買A產品的顧客還常常要購買其他什么產品？應該給客戶推薦什么產品最有可能被接受？

1、 從(cong)搜(sou)索(suo)引(yin)擎到推薦引(yin)擎

2、 常用產品推薦模型及算(suan)法(fa)

3、 基于流行度的推薦(jian)

‐  基于排行(xing)榜的(de)推薦，適用于剛注冊的(de)用戶

‐  優化思(si)路：分群推(tui)薦

4、 基于內容的推薦CBR

‐  關鍵問(wen)題：如何(he)計算物品的相(xiang)似度(du)

‐  優缺點

‐  優化：Rocchio算法、基于標簽的推薦、基于興趣度的推薦

5、 基于用戶的推(tui)薦

‐  關鍵問題：如何對用戶分類/計算用戶的相似度

‐  算法：按屬性分類、RFM模型、PCA、聚類、按偏好分類、按地理位置

6、 協同過濾的推(tui)薦(jian)

‐  基于(yu)用(yong)戶的協同過濾(lv)

‐  基于物品(pin)的協同(tong)過濾

‐  冷啟動的問題

案(an)例：計(ji)算用戶相似度、計(ji)算物品相似度

7、 基于關聯分析的推薦

‐  如何制定套餐，實現交叉/捆綁銷售

案(an)例：啤酒與尿布、颶風與蛋撻

‐  關聯分析模型原理（Association）

‐  關聯規則(ze)的(de)兩個關鍵參數

◢   支(zhi)持度

◢   置信度

‐  關聯分析的適(shi)用場景

案(an)例：購物籃分析與產品捆綁銷售/布局優化

案例：通信產(chan)品(pin)(pin)的交叉銷(xiao)售與產(chan)品(pin)(pin)推薦

8、 基于分類模型的(de)推薦

9、 其它推薦(jian)算法

‐  LFM基(ji)于隱語義模型

‐  按社交關系

‐  基于時間(jian)上下(xia)文

10、     多推(tui)薦(jian)引擎(qing)的協同工作(zuo)

第十三部分：        產品定價策(ce)略—最優(you)定價篇

營銷問題：產品(pin)如何實現最(zui)(zui)優定(ding)價(jia)？套餐價(jia)格(ge)如何確定(ding)？采用哪(na)種定(ding)價(jia)策略可達到(dao)利潤最(zui)(zui)大化？

1、 常見的(de)定(ding)價方法

2、 產品(pin)定價(jia)的理論依據

‐  需求曲線與利潤(run)最大(da)化

‐  如何求解最優定價(jia)

案例：產(chan)品(pin)最(zui)優定價(jia)求(qiu)解(jie)

3、 如何評估需求曲線(xian)

‐  價格彈性

‐  曲線方程（線性、乘(cheng)冪(mi)）

4、 如(ru)何做產品組(zu)合定價

5、 如何做產品捆綁/套餐定價

‐  最大收益定價（演(yan)進規劃(hua)求解）

‐  避免價格反轉的套餐(can)定價

案例：電信公司的寬帶、IPTV、移動電話套餐定價

6、 非(fei)線(xian)性(xing)定價原理

‐  要理解支付意(yi)愿曲線

‐  支付意愿曲線與(yu)需求曲線的異同

案例：雙重收費如何定價（如會費+按次計費）

7、 階梯(ti)定價策(ce)略

案(an)例：電力公司如何做階梯定(ding)價

8、 數(shu)量折扣定(ding)價策(ce)略

案例：如何通過折扣來(lai)實現薄利(li)多銷

9、 定價策(ce)略的評估與選擇

案例：零售公司如何(he)選(xuan)擇最優定價(jia)策略(lve)

10、     航空公司(si)的收益管(guan)理

‐  收益管理介紹

‐  如何確定機票預訂限制

‐  如何確定機票超(chao)售數量(liang)

‐  如(ru)何評(ping)估模型的收益(yi)

案例：FBN航空公司如何實現收益管理（預訂/超售）

第十四部分：        實戰篇(pian)(客戶行(xing)為預測)

1、電信業客戶流失預警(jing)與客戶挽留模型

2、銀行欠貸風險(xian)預測模(mo)型

結束：課程總(zong)結與問題(ti)答疑。