CDA數(shù)據(jù)分析員培訓

CDA數(shù)據(jù)分析員培訓
【授課對象】
本課程要求有一定的數(shù)學基礎，掌握概率論和統(tǒng)計理論基礎，有一定的數(shù)據(jù)分析經驗。
適合于如下人員：數(shù)據(jù)分析師、大數(shù)據(jù)系統(tǒng)研發(fā)人員、大數(shù)據(jù)系統(tǒng)架構師、業(yè)務支撐部等對業(yè)務數(shù)據(jù)分析與挖掘有專業(yè)要求的相關人員。
【課程目標】
CDA（Certified Data Analyst）全稱“注冊數(shù)據(jù)分析師”，由“CERTIFIED DATA ANALYST INSTITUTE（CDA數(shù)據(jù)分析師協(xié)會）”發(fā)起成立的職業(yè)簡稱，旨在培養(yǎng)正規(guī)化、科學化、專業(yè)化的數(shù)據(jù)分析人才隊伍，進一步提升數(shù)據(jù)分析師的職業(yè)素養(yǎng)與能力水平，促進數(shù)據(jù)分析行業(yè)的高質量持續(xù)快速發(fā)展。CDA數(shù)據(jù)分析師面向商業(yè)職場數(shù)據(jù)分析，分為三個等級，在國內由人大經濟論壇主辦資格考試，通過考試者可以獲得CDA協(xié)會頒發(fā)的數(shù)據(jù)分析師資格證書，此證書代表數(shù)據(jù)分析師人才技能水平，為企業(yè)事業(yè)單位選拔和聘用專業(yè)人才的參考依據(jù)。
本課程基于CDA的認證知識要求，圍繞商業(yè)問題，全面介紹了數(shù)據(jù)挖掘的標準流程，數(shù)據(jù)預處理，數(shù)據(jù)挖掘方法，數(shù)據(jù)挖掘模型，模型評估，模型參數(shù)優(yōu)化，等等，使得學員掌握數(shù)據(jù)挖掘的方法、模型、工具。
通過本課程的學習，達到如下目的：
了解數(shù)據(jù)分析與數(shù)據(jù)挖掘的基本知識，理解大數(shù)據(jù)思維方式。
掌握數(shù)據(jù)挖掘的基本過程和步驟，掌握數(shù)據(jù)挖掘的思路和框架。
能夠理解分析模型原理，掌握模型應用場景，能夠利用模型解決復雜的商業(yè)問題。
掌握常用的數(shù)據(jù)模型，能夠根據(jù)商業(yè)問題選擇合適的分析模型。
熟悉SPSS基本操作，掌握分析操作，能夠解讀分析結果，并轉化為業(yè)務策略。
【授課時間】
4~5天時間
【學員要求】
每個學員自備一臺便攜機(必須)。
便攜機中事先安裝好Excel 2013軟件。
便攜機中事先安裝好SPSS v19軟件。
注：講師可以提供試用版本軟件及分析數(shù)據(jù)源。
【授課方式】
基礎知識精講 + 案例講解 + 操作演練 + 實際業(yè)務問題分析 + SPSS實際操作
本課程突出數(shù)據(jù)挖掘的實際應用，結合行業(yè)的典型應用特點，從實際問題入手，引出相關知識，進行大數(shù)據(jù)的收集與處理；引導學員思考，構建分析模型，進行數(shù)據(jù)分析與挖掘，以及數(shù)據(jù)呈現(xiàn)與解讀，全過程演練操作，以達到提升學員的數(shù)據(jù)綜合分析能力，支撐運營決策的目的。
【課程大綱】
第一部分：數(shù)據(jù)集基礎知識（了解你的數(shù)據(jù)集）
數(shù)據(jù)集概述
數(shù)據(jù)集的類型
數(shù)據(jù)集屬性的類型
標稱
序數(shù)
度量
數(shù)據(jù)質量三要素
準確性
完整性
一致性
數(shù)據(jù)預處理的內容
數(shù)據(jù)清理（缺失值、離群值的處理方法）
數(shù)據(jù)歸約（維災難、維歸約、主成分分析）
特征子集選擇
特征創(chuàng)建/屬性構造
數(shù)據(jù)離散化和二元化
屬性/變量轉換
數(shù)據(jù)探索性分析
統(tǒng)計匯總
可視化
演練：描述性分析（頻數(shù)、描述、探索、分類匯總）
第二部分：數(shù)據(jù)挖掘流程（基礎，決定你的高度）
數(shù)據(jù)挖掘概述
數(shù)據(jù)挖掘的標準流程（CRISP-DM）
商業(yè)理解
數(shù)據(jù)準備
數(shù)據(jù)理解
模型建立
模型評估
模型應用
案例：4G終端營銷項目挖掘過程分析
案例：客戶匹配度模型—數(shù)據(jù)建模
常用數(shù)據(jù)統(tǒng)計指標
集中程度：均值、中位數(shù)、眾數(shù)
離開程度：方差、標準差、極差
分布趨勢：偏度、峰度
理解分布：正態(tài)分布、T分布、F分布
SPSS基本操作（預處理）
數(shù)據(jù)導入
數(shù)據(jù)排序（排序個案）
重復數(shù)據(jù)處理（標識重復個案）
缺失值處理（替換缺失值）
生成新變量（計算變量、重新編碼）
數(shù)據(jù)分組（分類匯總）
數(shù)據(jù)合并（合并文件）
演練：SPSS基本操作
第三部分：數(shù)據(jù)挖掘實戰(zhàn)篇
參數(shù)檢驗分析（樣本均值檢驗）
商業(yè)問題：如何驗證營銷效果的有效性？
參數(shù)檢驗概述
單樣本T檢驗
兩獨立樣本T檢驗
兩配對樣本T檢驗
參數(shù)檢驗原理以及步驟
參數(shù)檢驗適用場景
案例：電信運營商的ARPU值評估分析（單樣本）
案例：信用卡消費金額評估分析（單樣本）
案例：營銷方式與產品銷量的影響分析（兩獨立樣本）
案例：吸煙與膽固醇升高的分析（兩獨立樣本）
案例：營銷方式有效性評估（兩配對樣本）
案例：減肥效果評估（兩配對樣本）
非參數(shù)檢驗分析（樣本分布檢驗）
商業(yè)問題：這些屬性數(shù)據(jù)的分布情況如何？如何從數(shù)據(jù)分布中看出問題？
非參數(shù)檢驗概述
單樣本檢驗
兩獨立樣本檢驗
兩相關樣本檢驗
兩配對樣本檢驗
非參數(shù)檢驗原理
卡方檢驗、二項分布、游程檢驗的原理及適用場景
案例：死亡分布檢驗（單樣本-卡方檢驗）
案例：產品合格率檢驗（單樣本-二項分布）
案例：身高分布差異檢驗（單樣本-KS檢驗）
案例：設備正常工作檢驗（單樣本-隨機分布）
案例：制造工藝差異檢驗（兩獨立樣本-MW檢驗）
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)
案例：評委評判黑幕檢驗（多相關樣本-Kendall W檢驗）
相關分析（相關程度計算）
商業(yè)問題：這兩個屬性是否會相互影響？影響程度大嗎？
相關分析概述
計算相關系數(shù)的三個公式
案例：家庭生活開支的相關分析（Pearson簡單相關系數(shù)）
案例：營銷費用與銷售額的相關分析
案例：哪些因素與汽車銷量有相關性
案例：腰圍與體重的相關分析（偏相關分析）
方差分析（影響因素分析）
商業(yè)問題：哪些才是影響銷量的關鍵因素？
方差分析原理
方差分析的步驟
方差分析適用場景
如何解讀方差分析結果
案例：終端陳列位置對終端銷量的影響分析（單因素）
案例：廣告形式、地區(qū)對銷量的影響因素分析（多因素）
案例：2015年大學生工資與父母職業(yè)的關系
案例：飼料對生豬體重的影響分析（協(xié)方差分析）
回歸分析（預測分析）
商業(yè)問題：如何預測未來的銷售量（定量分析）？
回歸分析概述及適用場景
回歸分析的檢驗過程
如何選擇最優(yōu)回歸模型
解讀回歸分析結果
案例：推廣費用、辦公費用與銷售額的關系（線性回歸）
案例：人均現(xiàn)金消費支出對人均食品消費支出的影響（曲線回歸）
帶分類變量的回歸分析
比如，如何預測隨著季節(jié)性變化的銷量情況
案例：員工工齡、性別與終端銷售的關系分析
案例：產品銷量的季節(jié)性變化預測
邏輯回歸分析（預測分析）
商業(yè)問題：如果評估用戶購買某產品的概率？
邏輯回歸分析原理
邏輯回歸分析的適用場景
案例：客戶購買預測分析（二元邏輯回歸）
案例：品牌選擇預測分析（多項邏輯回歸）
時間序列分析（預測分析）
商業(yè)問題：隨著時間變化，未來的銷量變化趨勢如何？
時序分析概述
移動平均MA模型
指數(shù)平滑ES模型
自回歸滑動平均ARIMA模型
季節(jié)分解模型
時序分析適用場景
案例：汽車銷量預測分析（指數(shù)平滑）
案例：上交所指數(shù)收益率預測分析（ARIMA）
案例：服裝銷售數(shù)據(jù)季節(jié)性趨勢預測分析（季節(jié)分解）
第四部分：高級數(shù)據(jù)挖掘方法
聚類分析（Clustering）
商業(yè)問題：我們的客戶有幾類？各類特征是什么？
聚類方法原理介紹
聚類方法適用場景
系統(tǒng)聚類（層次聚類）算法原理
如何判定最佳聚類類別數(shù)量
案例：數(shù)據(jù)聚類分析--小康指數(shù)劃分（Q型聚類）
案例：變量聚類分析--裁判標準一致性分析（R型聚類）
K均值聚類（快速聚類）算法原理
案例：移動三大品牌細分市場合適嗎？
案例：如何評選優(yōu)秀員工（固定聚類中心）
演練：如何選擇新產品試銷地點？
決策樹分類分析（Classification）
商業(yè)問題：這類客戶有什么特征？有什么潛在銷售機會？
決策樹原理介紹
構建決策樹的三個關鍵問題
如何選擇最佳屬性來構建節(jié)點
如何分裂變量
修剪決策樹
選擇最優(yōu)屬性
熵、基尼索引、分類錯誤
屬性劃分增益
如何分裂變量
多元劃分與二元劃分
連續(xù)變量離散化（最優(yōu)劃分點）
修剪決策樹
剪枝原則
預剪枝與后剪枝
如何評估分類性能
案例：銀行低信用客戶特征分析（決策樹分類）
基于規(guī)則的分類
基于規(guī)則分類原理介紹
評估規(guī)則的質量
構建分類規(guī)則：順序覆蓋法
規(guī)則增長策略
最近鄰分類
樸素貝葉斯分類
貝葉斯分類原理
計算類別屬性的條件概率
估計連續(xù)屬性的條件概率
預測分類概率（計算概率）
案例：評估銀行用戶拖欠貨款的概率
人工神經網(wǎng)絡（ANN）
神經網(wǎng)絡基本原理
神經網(wǎng)絡的結構
ANN關鍵問題
MLP與RBF
案例：評估銀行用戶拖欠貨款的概率
判別分析
判別分析原理
距離判別法
典型判別法
貝葉斯判別法
案例：MBA學生錄取判別分析
案例：上市公司類別評估
關聯(lián)分析（Association）
商業(yè)問題：購買A產品的顧客還常常要購買其他什么產品？
關聯(lián)規(guī)則原理介紹
關聯(lián)規(guī)則的兩個關鍵參數(shù)
支持度
置信度
Apriori算法介紹
FP-Growth算法介紹
關聯(lián)規(guī)則適用場景
案例：商品套餐設計、商品交叉銷售（關聯(lián)分析）
客戶價值評估RFM模型
商業(yè)問題：如何評估客戶的價值？不同價值客戶的營銷策略有什么區(qū)別？
RFM模型介紹
RFM模型用戶分類與業(yè)務策略
RFM與客戶活躍度分析
案例：客戶價值如何評估（什么才是VIP用戶）
案例：如何選擇促銷用戶（響應模型與促銷）
案例：回頭客用戶特征分析（決策樹分析）
主成分分析
主成分分析方法介紹
主成分分析基本思想
主成分分析步驟
案例：評估汽車購買者關注的哪些因素
第五部分：統(tǒng)計圖表篇（看圖說話）
柱狀圖/線圖/餅圖/高低圖/箱圖/散點圖/直方圖
圖形的表達及適用場景
案例：各種圖形繪制
實戰(zhàn)1：客戶流失預警與客戶挽留之真實數(shù)據(jù)分析實踐
實戰(zhàn)2：銀行信用風險分析
結束：課程總結與問題答疑。

駱飛老師的其它課程