第一部分：  數據(ju)挖掘流(liu)程—挖掘步驟篇(pian)

1、         數(shu)據挖掘概(gai)述(shu)

2、         數(shu)據挖(wa)掘的(de)標準(zhun)流程（CRISP-DM）

‐  商業理解

‐  數據(ju)準(zhun)備

‐  數據理解

‐  模型建立

‐  模(mo)型評估

‐  模型(xing)應用

案例：客戶流失(shi)預測及客戶挽留

3、         數據集概述

4、         SPSS工(gong)具(ju)介(jie)紹

5、         數據(ju)挖掘常用模型

第二部分：  數據挖掘(jue)流程(cheng)—數據預處理

如何(he)整理數據(ju)，了解數據(ju)，對數據(ju)進行(xing)預(yu)處理？

1、數據(ju)預處理(li)的四大任務(wu)

‐  數(shu)據集成：多個數(shu)據集合并(bing)

‐  數(shu)據(ju)清洗：異常值的(de)處理

‐  樣(yang)本處理：樣(yang)本篩選、樣(yang)本抽樣(yang)、樣(yang)本平衡

‐  變量處(chu)理：變量變換、變量派生、變量精簡

2、數(shu)據集成（數(shu)據集合(he)并）

‐  樣本追(zhui)加(jia)（添加(jia)數據(ju)行）：橫向合(he)并

‐  變量(liang)合(he)并（添加變量(liang)列）：縱向合(he)并

3、數據清洗（異常數(shu)據(ju)處理）

‐  取(qu)值范圍限定

‐  重(zhong)復值處理

‐  無效值/錯誤值處理

‐  缺失值處(chu)理

‐  離群值/極端值處理

‐  數據(ju)質(zhi)量評估

4、樣本(ben)處理(li)：行處理(li)

‐  樣(yang)本篩(shai)(shai)選：指(zhi)(zhi)定(ding)條件篩(shai)(shai)選指(zhi)(zhi)定(ding)樣(yang)本集（減少樣(yang)本數量）

‐  樣本(ben)抽樣：隨機抽取(qu)部(bu)分樣本(ben)集（減少(shao)樣本(ben)數量）

‐  樣本(ben)平衡(heng)：正反樣本(ben)比例均衡(heng)

5、變量處理：列(lie)處理

‐  變量變換：原(yuan)變量取值(zhi)更新，比如標(biao)準化

‐  變量派生：根據舊變量生成新(xin)的變量

‐  變量精簡：變量刪除/降維，減少變量個數

‐  類型轉換(huan)：數(shu)據類型的相互(hu)轉換(huan)

6、變量精簡/變量降維常用方法

‐  常(chang)用(yong)降(jiang)維方法

‐  如何確定(ding)降(jiang)維(wei)后變量個數

‐  特征選擇：選擇重要(yao)(yao)變量(liang)，剔除不重要(yao)(yao)變量(liang)

◢    基于變量本身(shen)特征來(lai)選擇(ze)屬性

◢    基于數據間(jian)的相關性來選(xuan)擇屬性

◢    利用IV值篩選

◢    基于信息增(zeng)益來選擇屬性

‐  因子合(he)并(bing)：將多個(ge)變量進(jin)行合(he)并(bing)

◢    PCA主成分分析(xi)

◢    判(pan)別(bie)分析

7、類型(xing)轉(zhuan)換

8、因子合并/主成分分析

‐  因(yin)子(zi)分析(xi)的原(yuan)因(yin)

‐  因子(zi)個數(shu)選(xuan)擇(ze)原則(ze)

‐  如何解讀因子(zi)含義

案例：提取影響電(dian)信客戶流失的主成分分析(xi)

9、數據探索性(xing)分(fen)析

演練：描(miao)述(shu)性(xing)分(fen)(fen)析（頻(pin)數、描(miao)述(shu)、探索(suo)、分(fen)(fen)類(lei)匯(hui)總）

10、    數據可視化

演(yan)練：各種圖形繪制

第三部分：  市場細分模型—聚類(lei)模(mo)型篇

問題：我們(men)的客戶有幾類？各(ge)類特(te)征是什么？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(dao)細(xi)分

‐  無指導(dao)細分

2、 聚類分析

‐  如何更(geng)好的了解客(ke)戶群體和市場細分？

‐  如何(he)識別(bie)客戶群(qun)體特征？

‐  如(ru)何確定客(ke)戶要分成多(duo)少適當的類別(bie)？

‐  聚類方(fang)法(fa)原理介紹

‐  聚類方法作用及(ji)其(qi)適用場景

‐  聚(ju)類分(fen)析的種類

◢    K均值聚類

◢    層次聚類

◢    兩步聚類

‐  K均值聚(ju)類(lei)（快速聚(ju)類(lei)）

案(an)例：移(yi)動三(san)大品(pin)牌(pai)細(xi)分(fen)市(shi)場合適嗎？

演練：寶(bao)潔公(gong)司如(ru)何選擇新產品試(shi)銷區域？

演練(lian)：如何(he)自動評選優秀員工？

演(yan)練：中國各省份發達程度分析，讓數據自(zi)動聚類

‐  層(ceng)次聚(ju)類（系(xi)統聚(ju)類）：發現多個類別

‐  R型聚類與Q型聚類的區別

案例：中移動如(ru)何(he)實現客戶(hu)細分及營銷策略(lve)

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(ju)類

3、 客戶細分與PCA分析法

‐  PCA主(zhu)成分(fen)分(fen)析的(de)原理

‐  PCA分析法的適用(yong)場景

演練：利用PCA對汽車客戶群進行細分

演練：如何針對汽車客戶群設計汽車

第四部分：  客戶價值評估—RFM模型篇

營銷(xiao)問題：如何(he)評估客(ke)戶的(de)價值？不同的(de)價值客(ke)戶有何(he)區(qu)別(bie)對待？

1、 如何評(ping)價客戶生(sheng)命周期的(de)價值

‐  貼現率與(yu)留存率

‐  評估客(ke)戶的(de)真實價值(zhi)

‐  使用雙向(xiang)表衡量屬性敏感度(du)

‐  變化的(de)邊際利潤

案例：評估(gu)營銷行為的合理性

2、 RFM模型(xing)（客戶(hu)價值(zhi)評估）

‐  RFM模型，更(geng)深入(ru)了解你的客戶價(jia)值(zhi)

‐  RFM模型與市場策略

‐  RFM模型與活躍(yue)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：重購用戶特征分析

第五部分：  產品設計優(you)化—隨機效用理論

1、 產品專題(ti)分析(xi)主要任務

‐  產(chan)品(pin)設計分析(xi)

‐  市場占有分析

‐  累計銷量分析(xi)

‐  定價策(ce)略(lve)分析(xi)

2、 產品設計優化（聯合分析法）

問題：如何設(she)計(ji)最優的功能特征(zheng)？

‐  評估(gu)功能特征的重要性

‐  評(ping)估功能特(te)征的價(jia)值

案(an)例：產品(pin)開發與設計(ji)分析

3、 產品評(ping)估模型（隨機(ji)效用理論(lun)）

‐  屬性(xing)(xing)重要性(xing)(xing)評估

‐  市場占有率評估(gu)

‐  產品(pin)價格彈性評估

‐  評估產品的品牌價值

‐  動(dong)態(tai)調價（納會(hui)均衡價格(ge)）

案(an)例：品(pin)牌價值(zhi)與價格敏感度分析

案(an)例：納什(shen)均(jun)衡價格(ge)

第六部分：  產品(pin)定價策略(lve)—最優定價篇

營銷問(wen)題：產品(pin)如何實現最(zui)優定價(jia)？套餐價(jia)格如何確定？采用哪種定價(jia)策略可(ke)達到利(li)潤(run)最(zui)大化(hua)？

1、 常見的定價方法

2、 產品定(ding)價的理論依據

‐  需求曲線與(yu)利(li)潤最大(da)化(hua)

‐  如何求解最優定價

案例：產品最優定價(jia)求解(jie)

3、 如何評估需求曲線

‐  價(jia)格彈性(xing)

‐  曲線方程（線性(xing)、乘冪）

4、 如何做產品組合(he)定(ding)價

5、 如何做產品捆綁/套餐定價

‐  最(zui)大收益定價（演進規劃求解）

‐  避(bi)免價格反轉的套(tao)餐定價

案例：電信公司的寬帶、IPTV、移動電話套餐定價

6、 非線性定價(jia)原理

‐  要理解支付(fu)意(yi)愿(yuan)曲線

‐  支付意(yi)愿曲線(xian)與需求曲線(xian)的異同

案例：雙重收費如何定價（如會費+按次計費）

7、 階梯定價策略

案例(li)：電力公司如何做(zuo)階梯(ti)定價

8、 數量(liang)折扣定(ding)價(jia)策略(lve)

案(an)例：如何通(tong)過折扣來實現薄利多銷

9、 定價策略的評估與選擇

案(an)例：零售(shou)公司如何選擇最優定價(jia)策略

10、     航空公司的收益管理

‐  收益管理介紹

‐  如何(he)確(que)定機(ji)票預訂(ding)限制

‐  如何確定機票超售數量

‐  如何評估模型的收益

案例：FBN航空公司如何實現收益管理（預訂/超售）

第七部分：  產品推薦算法—推(tui)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)搜索引(yin)擎到推薦引(yin)擎

2、 常用產(chan)品推薦模(mo)型及算法

3、 基于流(liu)行度(du)的推薦

‐  基于排行榜的(de)推薦，適用于剛注冊的(de)用戶

‐  優化思路(lu)：分群(qun)推薦

4、 基于內容的推薦CBR

‐  關鍵問題：如何計算物品的相似(si)度

‐  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(yong)戶的推薦

‐  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、 協同過濾的推薦

‐  基于(yu)用戶(hu)的(de)協同過濾

‐  基(ji)于物品的(de)協(xie)同過濾

‐  冷啟動的問題

案例：計(ji)算用(yong)戶(hu)相似度、計(ji)算物(wu)品相似度

7、 基(ji)于關聯分析(xi)的推(tui)薦

‐  如何制定套餐，實現交叉/捆綁銷售

案(an)例(li)：啤酒與(yu)尿布、颶風與(yu)蛋撻

‐  關聯分析模型原理（Association）

‐  關(guan)聯規則(ze)的兩個關(guan)鍵參數(shu)

◢   支持度

◢   置信度

‐  關聯(lian)分析的(de)適(shi)用場(chang)景

案(an)例：購物籃分析與產品捆綁銷售/布局優化

案(an)例(li)：通信產(chan)品的交叉(cha)銷售與產(chan)品推薦

8、 基于分類模(mo)型的推薦

9、 其它(ta)推薦算法

‐  LFM基于(yu)隱語義模型

‐  按社交關系

‐  基于(yu)時間上(shang)下(xia)文

10、     多推(tui)薦引擎的協同工作

第八部分：  銀行信用(yong)評(ping)估—信用評(ping)分卡模型(xing)

1、 信用評(ping)分卡模型簡介

2、 評分卡的關鍵問題

3、 信用評分卡建(jian)立過程

‐  篩選重(zhong)要屬性

‐  數(shu)據(ju)集轉化

‐  建立分類模型

‐  計算(suan)屬(shu)性(xing)分值

‐  確定審批閾值

4、 篩選重要(yao)屬性

‐  屬性分段

‐  基本概念：WOE、IV

‐  屬性重要性評估(gu)

5、 數據(ju)集轉化

‐  連續(xu)屬性最優分(fen)段

‐  計算屬性取值的WOE

6、 建(jian)立分類模型(xing)

‐  訓練邏輯回歸(gui)模(mo)型(xing)

‐  評(ping)估模型

‐  得到字(zi)段系數

7、 計算屬性分(fen)值

‐  計(ji)算補償與刻度值

‐  計算各(ge)字段得分

‐  生成(cheng)評(ping)分卡

8、 確定(ding)審批閾值

‐  畫K-S曲線

‐  計算K-S值

‐  獲取(qu)最(zui)優閾值

案例：構(gou)建(jian)銀(yin)行小額(e)貸款的用戶信用模(mo)型(xing)

結(jie)束：課程總結(jie)與問題(ti)答(da)疑(yi)。