推廣 熱搜: 2022  財務  微信  法律    網格化  管理  營銷  總裁班  安全 

Python數據挖掘專題實戰(zhàn)培訓

主講老師: 傅一航 傅一航

主講師資:傅一航

課時安排: 2天/6小時一天
學習費用: 面議
課程預約: 隋老師 (微信同號)
課程簡介: 1、 全面掌握Python語言以及其編程思想。 2、 掌握常用擴展庫的使用,特別是數據挖掘相關庫的使用。 3、 學會使用Python完成數據挖掘項目整個過程。
內訓課程分類: 綜合管理 | 人力資源 | 市場營銷 | 財務稅務 | 基層管理 | 中層管理 | 領導力 | 管理溝通 | 薪酬績效 | 企業(yè)文化 | 團隊管理 | 行政辦公 | 公司治理 | 股權激勵 | 生產管理 | 采購物流 | 項目管理 | 安全管理 | 質量管理 | 員工管理 | 班組管理 | 職業(yè)技能 | 互聯網+ | 新媒體 | TTT培訓 | 禮儀服務 | 商務談判 | 演講培訓 | 宏觀經濟 | 趨勢發(fā)展 | 金融資本 | 商業(yè)模式 | 戰(zhàn)略運營 | 法律風險 | 沙盤模擬 | 國企改革 | 鄉(xiāng)村振興 | 黨建培訓 | 保險培訓 | 銀行培訓 | 電信領域 | 房地產 | 國學智慧 | 心理學 | 情緒管理 | 時間管理 | 目標管理 | 客戶管理 | 店長培訓 | 新能源 | 數字化轉型 | 工業(yè)4.0 | 電力行業(yè) |
更新時間: 2023-09-01 11:30


課程目標】

本課程主要講解如何利用Python進行時間序列的數據建模。

通過本課程的學習,達到如下目的:

1、 全面掌握Python語言以及其編程思想。

2、 掌握常用擴展庫的使用,特別是數據挖掘相關庫的使用

3、 學會使用Python完成數據挖掘項目整個過程。

4、 掌握利用Python實現可視化呈現。

5、 掌握數據挖掘常見算法在Python中的實現。

【授課時間】

2-5天時間

(要根據學員的實際情況調整重點內容及時間)

【授課對象】

業(yè)務支持部、IT系統(tǒng)部、大數據系統(tǒng)開發(fā)、大數據分析中心、網絡運維部等相關技術人員。

【學員要求】

1、 每個學員自備一臺便攜機(必須)。

2、 便攜機中事先安裝好Python 3.9版本及以上。

3、 安裝好Numpy,Pandas,statsmodels,sklearn,scipy等常用庫。

注:講師現場提供分析的數據源。

 

【授課方式】

語言基礎 + 挖掘模型 + 案例演練 + 開發(fā)實踐 + 可視化呈現

采用互動式教學,圍繞業(yè)務問題,展開數據分析過程,全過程演練操作,讓學員在分析、分享、講授、總結、自我實踐過程中獲得能力提升。

課程大綱】

第一部分: 數據挖掘基礎

1、 數據挖掘概述

2、 數據挖掘標準流程CRISP-DM

商業(yè)理解

數據準備

數據理解

模型建立

模型評估

模型應用

案例:客戶流失預測及客戶挽留

3、 數據挖掘常用模型

 

第二部分: 數據預處理篇

1、 數據預處理的主要任務

數據集成:多個數據集的合并

數據清理:異常值的處理

數據處理:數據篩選、數據精簡、數據平衡

變量處理:變量變換、變量派生、變量精簡

數據歸約:實現降維,避免維災難

2、 數據集成

數據追加(添加數據)

變量合并(添加變量)

3、 數據理解(異常數據處理

取值范圍限定

重復值處理

無效值/錯誤值處理

缺失值處理

離群值/極端值處理

數據質量評估

4、 數據準備:數據處理

數據篩選:數據抽樣/選擇(減少樣本數量)

數據精簡:數據分段/離散化(減少變量的取值個數)

數據平衡:正反樣本比例均衡

5、 數據準備:變量處理

變量變換:原變量取值更新,比如標準化

變量派生:根據舊變量生成新的變量

變量精簡:降維,減少變量個數

6、 數據降維

常用降維的方法

如何確定變量個數

特征選擇:選擇重要變量,剔除不重要的變量

從變量本身考慮

從輸入變量與目標變量的相關性考慮

對輸入變量進行合并

因子分析(主成分分析)

因子分析的原理

因子個數如何選擇

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

7、 數據探索性分析

常用統(tǒng)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)

8、 數據可視化

數據可視化:柱狀圖、條形圖、餅圖、折線圖、箱圖、散點圖等

圖形的表達及適用場景

演練:各種圖形繪制

 

第三部分: 用戶專題分析

1、 用戶專題分析的主要任務

2、 客戶群細分與聚類分析

問題:我們的客戶有幾類?各類特征是什么?如何實現客戶細分,開發(fā)符合細分市場的新產品?

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

案例移動三大品牌細分市場合適嗎?

演練:寶潔公司如何選擇新產品試銷區(qū)域?

演練如何評選優(yōu)秀員工?

演練:中國各省份發(fā)達程度分析,讓數據自動聚類

最優(yōu)K值選擇

Elbow手肘法

Silhouette Coefficient輪廓系數

Calinski-Harabasz Index準則

雙聚類bicluster及評估

譜聚類聯合

聯合譜聚類SpectralCoclustering

雙向譜聚類SpectralBiclustering

DBSCAN鄰近聚類

3、 客戶喜好評估與主成分分析PCA

營銷問題:如何匯聚大眾的共同喜好?

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:如何評估汽車購買者的客戶細分市場

4、 客戶價值評估與RFM模型

營銷問題:如何評估客戶的價值?不同的價值客戶有何區(qū)別對待?

RFM模型(客戶價值評估)

RFM模型,更深入了解你的客戶價值

RFM模型與市場策略

RFM模型與活躍度分析

案例:淘寶客戶價值評估與促銷名單

案例:重購用戶特征分析

 

第四部分: 產品專題分析

1、 產品專題分析主要任務

產品設計分析

市場占有分析

累計銷量分析

定價策略分析

2、 產品設計優(yōu)化(聯合分析法)

問題:如何設計最優(yōu)的功能特征?

評估功能特征的重要性

評估功能特征的價值

案例產品開發(fā)與設計分析

3、 產品評估模型(隨機效用理論)

屬性重要性評估

市場占有率評估

產品價格彈性評估

評估產品的品牌價值

動態(tài)調價(納會均衡價格)

案例:品牌價值與價格敏感度分析

案例:納什均衡價格

 

第五部分: 產品定價策略

營銷問題:產品如何實現最優(yōu)定價?套餐價格如何確定?采用哪些定價策略可達到利潤最大化?

1、 常見的定價方法

2、 產品定價的理論依據

需求曲線與利潤最大化

如何求解最優(yōu)定價

案例:產品最優(yōu)定價求解

3、 如何評估需求曲線

價格彈性

曲線方程(線性、乘冪)

4、 如何做產品組合定價

5、 如何做產品捆綁/套餐定價

最大收益定價(演進規(guī)劃求解)

避免價格反轉的套餐定價

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:雙重收費如何定價(如會費+按次計費)

7、 階梯定價策略

案例:電力公司如何做階梯定價

8、 數量折扣定價策略

案例:如何通過折扣來實現薄利多銷

9、 定價策略的評估與選擇

案例:零售公司如何選擇最優(yōu)定價策略

10、 航空公司的收益管理

收益管理介紹

如何確定機票預訂限制

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)

 

第六部分: 產品推薦與協同過濾

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、 從搜索引擎到推薦引擎

2、 常用產品推薦模型及算法

3、 基于流行度的推薦

基于排行榜的推薦,適用于剛注冊的用戶

優(yōu)化思路:分群推薦

4、 基于內容的推薦CBR

關鍵問題:如何計算物品的相似度

優(yōu)缺點

優(yōu)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、按偏好分類、按地理位置

6、 協同過濾的推薦

基于用戶的協同過濾

基于物品的協同過濾

冷啟動的問題

案例:計算用戶相似度、計算物品相似度

7、 基于分類模型的推薦

8、 其它推薦算法

LFM基于隱語義模型

按社交關系

基于時間上下文

9、 多推薦引擎的協同工作

 

 

第七部分: 信用評分卡模型

信用評分卡模型簡介

評分卡的關鍵問題

信用評分卡建立過程

篩選重要屬性

數據集轉化

建立分類模型

計算屬性分值

確定審批閾值

篩選重要屬性

屬性分段

基本概念:WOE、IV

屬性重要性評估

數據集轉化

連續(xù)屬性最優(yōu)分段

計算屬性取值的WOE

建立分類模型

訓練邏輯回歸模型

評估模型

得到字段系數

計算屬性分值

計算補償與刻度值

計算各字段得分

生成評分卡

確定審批閾值

K-S曲線

計算K-S值

獲取最優(yōu)閾值

 

第八部分: 交叉銷售與關聯規(guī)則

1、 關聯規(guī)則概述

2、 常用關聯規(guī)則算法

Apriori算法

發(fā)現頻繁集

生成關聯規(guī)則

FP-Growth算法

構建FP樹

提取規(guī)則

案例使用apriori實現關聯分析

 

10、 基于關聯分析的推薦

如何制定套餐,實現交叉/捆綁銷售

案例:啤酒與尿布、颶風與蛋撻

關聯分析模型原理Association

關聯規(guī)則的兩個關鍵參數

支持度

置信度

關聯分析的適用場景

案例購物籃分析與產品捆綁銷售/布局優(yōu)化

案例:通信產品的交叉銷售與產品推薦

 

結束:課程總結問題答疑

 
反對 0舉報 0 收藏 0
更多>與Python數據挖掘專題實戰(zhàn)培訓相關內訓課
企業(yè)家經營哲學與企業(yè)經營之道 高   效   執(zhí)   行   力 教練式經銷商管理 商業(yè)模式創(chuàng)新 創(chuàng)新思維管理應用訓練?—創(chuàng)造性解決問題 創(chuàng)新思維和有效執(zhí)行 微課的設計與制作 高效能主管風暴訓練營
傅一航老師介紹>傅一航老師其它課程
大數據產業(yè)現狀及應用創(chuàng)新 大數據挖掘工具:SPSS Modeler入門與提高 大數據挖掘工具: SPSS Statistics入門與提高 大數據建模與模型優(yōu)化實戰(zhàn)培訓 金融行業(yè)風險預測模型實戰(zhàn) 數說營銷——大數據營銷實戰(zhàn)培訓 大數據分析與挖掘綜合能力提升實戰(zhàn) 助力市場營銷與服務的數據分析實戰(zhàn)
網站首頁  |  關于我們  |  聯系方式  |  誠聘英才  |  網站聲明  |  隱私保障及免責聲明  |  網站地圖  |  排名推廣  |  廣告服務  |  積分換禮  |  網站留言  |  RSS訂閱  |  違規(guī)舉報  |  京ICP備11016574號-25