第一部分：  數(shù)據(jù)挖掘流程—挖掘步驟篇

1、         數(shù)據(jù)挖掘概述

2、         數(shù)據(jù)挖掘的標(biāo)準(zhǔn)流程（CRISP-DM）

‐  商業(yè)理解

‐  數(shù)據(jù)準(zhǔn)備

‐  數(shù)據(jù)理解

‐  模型建立

‐  模型評(píng)估

‐  模型應(yīng)用

案例：客戶流失預(yù)測(cè)及客戶挽留

3、         數(shù)據(jù)集概述

4、         SPSS工具介紹

5、         數(shù)據(jù)挖掘常用模型

第二部分：  數(shù)據(jù)挖掘流程—數(shù)據(jù)預(yù)處理

如何整理數(shù)據(jù)，了解數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理？

1、數(shù)據(jù)預(yù)處理的四大任務(wù)

‐  數(shù)據(jù)集成：多個(gè)數(shù)據(jù)集合并

‐  數(shù)據(jù)清洗：異常值的處理

‐  樣本處理：樣本篩選、樣本抽樣、樣本平衡

‐  變量處理：變量變換、變量派生、變量精簡

2、數(shù)據(jù)集成（數(shù)據(jù)集合并）

‐  樣本追加（添加數(shù)據(jù)行）：橫向合并

‐  變量合并（添加變量列）：縱向合并

3、數(shù)據(jù)清洗（異常數(shù)據(jù)處理）

‐  取值范圍限定

‐  重復(fù)值處理

‐  無效值/錯(cuò)誤值處理

‐  缺失值處理

‐  離群值/極端值處理

‐  數(shù)據(jù)質(zhì)量評(píng)估

4、樣本處理：行處理

‐  樣本篩選：指定條件篩選指定樣本集（減少樣本數(shù)量）

‐  樣本抽樣：隨機(jī)抽取部分樣本集（減少樣本數(shù)量）

‐  樣本平衡：正反樣本比例均衡

5、變量處理：列處理

‐  變量變換：原變量取值更新，比如標(biāo)準(zhǔn)化

‐  變量派生：根據(jù)舊變量生成新的變量

‐  變量精簡：變量刪除/降維，減少變量個(gè)數(shù)

‐  類型轉(zhuǎn)換：數(shù)據(jù)類型的相互轉(zhuǎn)換

6、變量精簡/變量降維常用方法

‐  常用降維方法

‐  如何確定降維后變量個(gè)數(shù)

‐  特征選擇：選擇重要變量，剔除不重要變量

◢    基于變量本身特征來選擇屬性

◢    基于數(shù)據(jù)間的相關(guān)性來選擇屬性

◢    利用IV值篩選

◢    基于信息增益來選擇屬性

‐  因子合并：將多個(gè)變量進(jìn)行合并

◢    PCA主成分分析

◢    判別分析

7、類型轉(zhuǎn)換

8、因子合并/主成分分析

‐  因子分析的原因

‐  因子個(gè)數(shù)選擇原則

‐  如何解讀因子含義

案例：提取影響電信客戶流失的主成分分析

9、數(shù)據(jù)探索性分析

演練：描述性分析（頻數(shù)、描述、探索、分類匯總）

10、    數(shù)據(jù)可視化

演練：各種圖形繪制

第三部分：  市場細(xì)分模型—聚類模型篇

問題：我們的客戶有幾類？各類特征是什么？如何實(shí)現(xiàn)客戶細(xì)分，開發(fā)符合細(xì)分市場的新產(chǎn)品？如何提取客戶特征，從而對(duì)產(chǎn)品進(jìn)行市場定位？

1、 市場細(xì)分的常用方法

‐  有指導(dǎo)細(xì)分

‐  無指導(dǎo)細(xì)分

2、 聚類分析

‐  如何更好的了解客戶群體和市場細(xì)分？

‐  如何識(shí)別客戶群體特征？

‐  如何確定客戶要分成多少適當(dāng)?shù)念悇e？

‐  聚類方法原理介紹

‐  聚類方法作用及其適用場景

‐  聚類分析的種類

◢    K均值聚類

◢    層次聚類

◢    兩步聚類

‐  K均值聚類（快速聚類）

案例：移動(dòng)三大品牌細(xì)分市場合適嗎？

演練：寶潔公司如何選擇新產(chǎn)品試銷區(qū)域？

演練：如何自動(dòng)評(píng)選優(yōu)秀員工？

演練：中國各省份發(fā)達(dá)程度分析，讓數(shù)據(jù)自動(dòng)聚類

‐  層次聚類（系統(tǒng)聚類）：發(fā)現(xiàn)多個(gè)類別

‐  R型聚類與Q型聚類的區(qū)別

案例：中移動(dòng)如何實(shí)現(xiàn)客戶細(xì)分及營銷策略

演練：中國省市經(jīng)濟(jì)發(fā)展情況分析（Q型聚類）

演練：裁判評(píng)分的標(biāo)準(zhǔn)衡量，避免“黑哨”（R型聚類）

‐  兩步聚類

3、 客戶細(xì)分與PCA分析法

‐  PCA主成分分析的原理

‐  PCA分析法的適用場景

演練：利用PCA對(duì)汽車客戶群進(jìn)行細(xì)分

演練：如何針對(duì)汽車客戶群設(shè)計(jì)汽車

第四部分：  客戶價(jià)值評(píng)估—RFM模型篇

營銷問題：如何評(píng)估客戶的價(jià)值？不同的價(jià)值客戶有何區(qū)別對(duì)待？

1、 如何評(píng)價(jià)客戶生命周期的價(jià)值

‐  貼現(xiàn)率與留存率

‐  評(píng)估客戶的真實(shí)價(jià)值

‐  使用雙向表衡量屬性敏感度

‐  變化的邊際利潤

案例：評(píng)估營銷行為的合理性

2、 RFM模型（客戶價(jià)值評(píng)估）

‐  RFM模型，更深入了解你的客戶價(jià)值

‐  RFM模型與市場策略

‐  RFM模型與活躍度分析

演練：“雙11”淘寶商家如何選擇價(jià)值客戶進(jìn)行促銷

演練：結(jié)合響應(yīng)模型，宜家IKE實(shí)現(xiàn)最大化營銷利潤

案例：重購用戶特征分析

第五部分：  產(chǎn)品設(shè)計(jì)優(yōu)化—隨機(jī)效用理論

1、 產(chǎn)品專題分析主要任務(wù)

‐  產(chǎn)品設(shè)計(jì)分析

‐  市場占有分析

‐  累計(jì)銷量分析

‐  定價(jià)策略分析

2、 產(chǎn)品設(shè)計(jì)優(yōu)化（聯(lián)合分析法）

問題：如何設(shè)計(jì)最優(yōu)的功能特征？

‐  評(píng)估功能特征的重要性

‐  評(píng)估功能特征的價(jià)值

案例：產(chǎn)品開發(fā)與設(shè)計(jì)分析

3、 產(chǎn)品評(píng)估模型（隨機(jī)效用理論）

‐  屬性重要性評(píng)估

‐  市場占有率評(píng)估

‐  產(chǎn)品價(jià)格彈性評(píng)估

‐  評(píng)估產(chǎn)品的品牌價(jià)值

‐  動(dòng)態(tài)調(diào)價(jià)（納會(huì)均衡價(jià)格）

案例：品牌價(jià)值與價(jià)格敏感度分析

案例：納什均衡價(jià)格

第六部分：  產(chǎn)品定價(jià)策略—最優(yōu)定價(jià)篇

營銷問題：產(chǎn)品如何實(shí)現(xiàn)最優(yōu)定價(jià)？套餐價(jià)格如何確定？采用哪種定價(jià)策略可達(dá)到利潤最大化？

1、 常見的定價(jià)方法

2、 產(chǎn)品定價(jià)的理論依據(jù)

‐  需求曲線與利潤最大化

‐  如何求解最優(yōu)定價(jià)

案例：產(chǎn)品最優(yōu)定價(jià)求解

3、 如何評(píng)估需求曲線

‐  價(jià)格彈性

‐  曲線方程（線性、乘冪）

4、 如何做產(chǎn)品組合定價(jià)

5、 如何做產(chǎn)品捆綁/套餐定價(jià)

‐  最大收益定價(jià)（演進(jìn)規(guī)劃求解）

‐  避免價(jià)格反轉(zhuǎn)的套餐定價(jià)

案例：電信公司的寬帶、IPTV、移動(dòng)電話套餐定價(jià)

6、 非線性定價(jià)原理

‐  要理解支付意愿曲線

‐  支付意愿曲線與需求曲線的異同

案例：雙重收費(fèi)如何定價(jià)（如會(huì)費(fèi)+按次計(jì)費(fèi)）

7、 階梯定價(jià)策略

案例：電力公司如何做階梯定價(jià)

8、 數(shù)量折扣定價(jià)策略

案例：如何通過折扣來實(shí)現(xiàn)薄利多銷

9、 定價(jià)策略的評(píng)估與選擇

案例：零售公司如何選擇最優(yōu)定價(jià)策略

10、     航空公司的收益管理

‐  收益管理介紹

‐  如何確定機(jī)票預(yù)訂限制

‐  如何確定機(jī)票超售數(shù)量

‐  如何評(píng)估模型的收益

案例：FBN航空公司如何實(shí)現(xiàn)收益管理（預(yù)訂/超售）

第七部分：  產(chǎn)品推薦算法—推薦模型篇

問題：購買A產(chǎn)品的顧客還常常要購買其他什么產(chǎn)品？應(yīng)該給客戶推薦什么產(chǎn)品最有可能被接受？

1、 從搜索引擎到推薦引擎

2、 常用產(chǎn)品推薦模型及算法

3、 基于流行度的推薦

‐  基于排行榜的推薦，適用于剛注冊(cè)的用戶

‐  優(yōu)化思路：分群推薦

4、 基于內(nèi)容的推薦CBR

‐  關(guān)鍵問題：如何計(jì)算物品的相似度

‐  優(yōu)缺點(diǎn)

‐  優(yōu)化：Rocchio算法、基于標(biāo)簽的推薦、基于興趣度的推薦

5、 基于用戶的推薦

‐  關(guān)鍵問題：如何對(duì)用戶分類/計(jì)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(xié)同過濾的推薦

‐  基于用戶的協(xié)同過濾

‐  基于物品的協(xié)同過濾

‐  冷啟動(dòng)的問題

案例：計(jì)算用戶相似度、計(jì)算物品相似度

7、 基于關(guān)聯(lián)分析的推薦

‐  如何制定套餐，實(shí)現(xiàn)交叉/捆綁銷售

案例：啤酒與尿布、颶風(fēng)與蛋撻

‐  關(guān)聯(lián)分析模型原理（Association）

‐  關(guān)聯(lián)規(guī)則的兩個(gè)關(guān)鍵參數(shù)

◢   支持度

◢   置信度

‐  關(guān)聯(lián)分析的適用場景

案例：購物籃分析與產(chǎn)品捆綁銷售/布局優(yōu)化

案例：通信產(chǎn)品的交叉銷售與產(chǎn)品推薦

8、 基于分類模型的推薦

9、 其它推薦算法

‐  LFM基于隱語義模型

‐  按社交關(guān)系

‐  基于時(shí)間上下文

10、     多推薦引擎的協(xié)同工作

第八部分：  銀行信用評(píng)估—信用評(píng)分卡模型

1、 信用評(píng)分卡模型簡介

2、 評(píng)分卡的關(guān)鍵問題

3、 信用評(píng)分卡建立過程

‐  篩選重要屬性

‐  數(shù)據(jù)集轉(zhuǎn)化

‐  建立分類模型

‐  計(jì)算屬性分值

‐  確定審批閾值

4、 篩選重要屬性

‐  屬性分段

‐  基本概念：WOE、IV

‐  屬性重要性評(píng)估

5、 數(shù)據(jù)集轉(zhuǎn)化

‐  連續(xù)屬性最優(yōu)分段

‐  計(jì)算屬性取值的WOE

6、 建立分類模型

‐  訓(xùn)練邏輯回歸模型

‐  評(píng)估模型

‐  得到字段系數(shù)

7、 計(jì)算屬性分值

‐  計(jì)算補(bǔ)償與刻度值

‐  計(jì)算各字段得分

‐  生成評(píng)分卡

8、 確定審批閾值

‐  畫K-S曲線

‐  計(jì)算K-S值

‐  獲取最優(yōu)閾值

案例：構(gòu)建銀行小額貸款的用戶信用模型

結(jié)束：課程總結(jié)與問題答疑。