IBM SPPS Modeler是一個數(shù)據(jù)流處理工具，適用于數(shù)據(jù)探索與數(shù)據(jù)挖掘，包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)探索、數(shù)據(jù)可視化、數(shù)據(jù)建模、數(shù)據(jù)模型優(yōu)化。

第一部分：數(shù)據(jù)挖掘基礎(chǔ)知識（基礎(chǔ)，決定你的高度）

1、數(shù)據(jù)挖掘工具簡介

?  EXCEL規(guī)劃求解（數(shù)據(jù)建模工具）

?  SAS統(tǒng)計(jì)分析系統(tǒng)

?  SPSS統(tǒng)計(jì)產(chǎn)品與服務(wù)解決方案

2、數(shù)據(jù)挖掘概述

案例：宜家IKE如何通過數(shù)據(jù)挖掘來降低營銷成本提升利潤？

3、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

?  模型評估

?  模型應(yīng)用

案例：通信客戶流失分析及預(yù)警模型

4、數(shù)據(jù)建模示例

案例：客戶匹配度建?！业侥愕臏?zhǔn)客戶

第二部分：數(shù)據(jù)理解與數(shù)據(jù)準(zhǔn)備（Modeler實(shí)操）

1、數(shù)據(jù)挖掘處理的一般過程

?  數(shù)據(jù)源-->數(shù)據(jù)理解-->數(shù)據(jù)準(zhǔn)備-->探索分析-->數(shù)據(jù)建模-->模型評估

2、數(shù)據(jù)讀入

?  讀入文本文件

?  讀入Excel電子表格

?  讀入SPSS格式文件

?  讀入數(shù)據(jù)庫數(shù)據(jù)

3、數(shù)據(jù)集成

?  變量合并（增加變量）

?  數(shù)據(jù)追加（添加記錄）

4、數(shù)據(jù)理解

?  取值范圍限定

?  重復(fù)數(shù)據(jù)處理

?  缺失值處理

?  無效值處理

?  離群點(diǎn)和極端值的修正

?  數(shù)據(jù)質(zhì)量評估

5、數(shù)據(jù)準(zhǔn)備：數(shù)據(jù)處理

?  數(shù)據(jù)篩選：數(shù)據(jù)抽樣/選擇（減少樣本數(shù)量）

?  數(shù)據(jù)精簡：數(shù)據(jù)分段/離散化（減少變量的取值）

?  數(shù)據(jù)平衡：正反樣本比例均衡

?  其它：排序、分類匯總

6、數(shù)據(jù)準(zhǔn)備：變量處理

?  變量變換：原變量值更新

?  變量派生：生成新的變量

?  變量精簡：降維，減少變量個數(shù)

7、基本分析

?  單變量：數(shù)據(jù)基本描述分析

?  雙變量：相關(guān)性分析

?  變量精簡：特征選擇、因子分析

8、特征選擇

?  特征選擇方法：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(biāo)變量的相關(guān)性考慮

9、因子分析（主成分分析）

?  因子分析的原理

?  因子個數(shù)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

第三部分：因素影響分析（特征重要性分析）

問題：如何判斷一個因素對另一個因素有影響？

比如營銷費(fèi)用是否會影響銷售額？產(chǎn)品價(jià)格是否會影響銷量？產(chǎn)品的陳列位置是否會影響銷量？

1、常用特征重要性分析的方法

?  特征選擇（減少變量個數(shù)）：相關(guān)分析、方差分析、卡方檢驗(yàn)

?  因子分析（減少變量個數(shù)）：主成分分析

?  確定變量個數(shù)參考表

2、相關(guān)分析（數(shù)值+數(shù)值，相關(guān)程度計(jì)算）

問題：這兩個屬性是否會相互影響？影響程度大嗎？

?  相關(guān)分析概述

?  相關(guān)系數(shù)計(jì)算公式

?  相關(guān)性假設(shè)檢驗(yàn)

案例：通信基本費(fèi)用與開通月數(shù)的相關(guān)分析

3、方差分析（分類+數(shù)值，影響因素分析）

問題：哪些才是影響銷量的關(guān)鍵因素？

?  方差分析原理

?  方差分析的步驟

?  方差分析適用場景

案例：開通月數(shù)對客戶流失的影響分析

4、列聯(lián)分析（分類+分類，影響因素分析）

?  列聯(lián)表的原理

?  卡方檢驗(yàn)的步驟

?  列聯(lián)表分析的適用場景

案例：套餐類型對對客戶流失的影響分析

第四部分：分類預(yù)測模型分析

1、分類概述

?  分類的基本過程

?  常見分類預(yù)測模型

2、邏輯回歸分析模型

問題：如果評估用戶是否購買產(chǎn)品的概率？

?  邏輯回歸分析

?  邏輯回歸的原理

案例：客戶購買預(yù)測分析（二元邏輯回歸）

3、決策樹分類

問題：如何提取客戶流失者、拖欠貨款者的特征？如何預(yù)測其流失的概率？

?  決策樹分類的原理

?  決策樹的三個關(guān)鍵問題

?  決策樹算法

?  如何評估分類模型的性能（查準(zhǔn)率、查全率）

案例：識別銀行欠貨風(fēng)險(xiǎn)，提取欠貨者的特征

案例：客戶流失預(yù)警與客戶挽留模型

4、神經(jīng)網(wǎng)絡(luò)

?  神經(jīng)網(wǎng)絡(luò)概述

?  神經(jīng)元工作原理

?  神經(jīng)網(wǎng)絡(luò)的建立步驟

?  B-P反向傳播網(wǎng)絡(luò)（MLP）

?  徑向基函數(shù)網(wǎng)絡(luò)（RBF）

5、支持向量機(jī)

?  SVM基本原理

?  維災(zāi)難與核函數(shù)

6、樸素貝葉斯分類

?  條件概率

?  樸素貝葉斯

?  TAN貝葉斯網(wǎng)絡(luò)

?  馬爾科夫毯網(wǎng)絡(luò)

第五部分：市場細(xì)分與客戶細(xì)分

1、客戶細(xì)分常用方法

2、聚類分析（Clustering）

問題：如何對市場進(jìn)行細(xì)分？如何提取客戶特征，從而對產(chǎn)品進(jìn)行市場定位？

?  聚類方法原理介紹

?  聚類方法適用場景

?  如何細(xì)分客戶群，并提取出客戶群的特征？

?  K均值聚類（快速聚類）

?  兩步聚類

案例：移動三大品牌細(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？

3、RFM模型分析

?  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

案例：淘寶客戶價(jià)值評估與促銷名單

第六部分：其他市場營銷分析方法

1、關(guān)聯(lián)分析（Association）

問題：購買面包的人是否也會購買牛奶？他們同時(shí)購買哪些產(chǎn)品？

?  關(guān)聯(lián)規(guī)則原理介紹

?  關(guān)聯(lián)規(guī)則適用場景：交叉銷售、捆綁營銷、產(chǎn)品布局

案例：超市商品交叉銷售與布局優(yōu)化（關(guān)聯(lián)分析）

結(jié)束：課程總結(jié)與問題答疑。