主講老師: | 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)部、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】
1、 數據挖掘概述
2、 數據挖掘的標準流程(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
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
2 從變量本身考慮
2 從輸入變量與目標變量的相關性考慮
2 對輸入變量進行合并
? 因子分析(主成分分析)
2 因子分析的原理
2 因子個數如何選擇
2 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
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
2 Elbow手肘法
2 Silhouette Coefficient輪廓系數
2 Calinski-Harabasz Index準則
? 雙聚類bicluster及評估
? 譜聚類聯合
2 聯合譜聚類SpectralCoclustering
2 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
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
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)
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
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
? 畫K-S曲線
? 計算K-S值
? 獲取最優(yōu)閾值
1、 關聯規(guī)則概述
2、 常用關聯規(guī)則算法
? Apriori算法
2 發(fā)現頻繁集
2 生成關聯規(guī)則
? FP-Growth算法
2 構建FP樹
2 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
2 支持度
2 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:課程總結與問題答疑。
京公網安備 11011502001314號