大數據分析與挖掘綜合能力提升實戰(zhàn)

【課程目標】

本課程為進階課程，面向所有業(yè)務支撐部門及數據分析部門。

本課程的主要目的是，幫助學員掌握大數據建模基礎知識，幫助學員構建系統(tǒng)全面的預測建模思維，提升學員的數據建模綜合能力。

本課程具體內容包括：

1、 數據建模流程，特征工程處理

2、 時序預測模型，分類預測模型

3、 模型基本原理，模型含義解讀

4、 模型質量評估，模型優(yōu)化措施

本系列課程從實際的業(yè)務需求出發(fā)，結合行業(yè)的典型應用特點，圍繞實際的商業(yè)問題，對數據預測建模的過程進行了全面的介紹（從模型選擇，到特征選擇，再到訓練模型，評估模型，以及優(yōu)化模型和模型解讀），通過大量的操作演練，幫助學員掌握數據建模的思路、方法、技巧，以提升學員的數據建模的能力，支撐運營決策的目的。

通過本課程的學習，達到如下目的：

1、 了解數據建模的標準過程

2、 明白時序預測的基本思想，熟悉常用的時序預測模型

3、 掌握常用的分類預測模型，理解模型基本原理

4、 學會解讀分類預測模型的含義

5、 理解并掌握定性預測模型的質量評估指標

6、 了解分類預測模型的集成優(yōu)化思想

【授課時間】

2天時間（每天6個小時）

【授課對象】

產品銷量部、業(yè)務支撐部、運營分析部、數據分析部、大數據系統(tǒng)開發(fā)部等對業(yè)務數據分析有較高要求的相關人員。

【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Microsoft Office Excel 2013版本及以上。

3、 便攜機中事先安裝好IBM SPSS Statistics v19版本及以上。

注：講師可以提供試用版本軟件及分析數據源。

【授課方式】

數據分析基礎 + 方法講解 + 實際業(yè)務問題分析 + 工具實踐操作

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： 數據建模過程—流程步驟篇

1、 預測建模六步法

? 選擇模型：基于業(yè)務選擇恰當的數據模型

? 特征工程：選擇對目標變量有顯著影響的屬性來建模

? 訓練模型：采用合適的算法對模型進行訓練，尋找到最優(yōu)參數

? 評估模型：進行評估模型的質量，判斷模型是否可用

? 優(yōu)化模型：如果評估結果不理想，則需要對模型進行優(yōu)化

? 應用模型：如果評估結果滿足要求，則可應用模型于業(yè)務場景

2、 數據挖掘常用的模型

? 定量預測模型：回歸預測、時序預測等

? 定性預測模型：邏輯回歸、決策樹、神經網絡、支持向量機等

? 市場細分：聚類、RFM、PCA等

? 產品推薦：關聯分析、協同過濾等

? 產品優(yōu)化：回歸、隨機效用等

? 產品定價：定價策略/最優(yōu)定價等

3、 特征工程/特征選擇/變量降維

? 基于變量本身特征

? 基于相關性判斷

? 因子合并（PCA等）

? IV值篩選（評分卡使用）

? 基于信息增益判斷（決策樹使用）

4、 模型評估

? 模型質量評估指標：R^2、正確率/查全率/查準率/特異性等

? 預測值評估指標：MAD、MSE/RMSE、MAPE、概率等

? 模型評估方法：留出法、K拆交叉驗證、自助法等

? 其它評估：過擬合評估、殘差檢驗

5、 模型優(yōu)化

? 優(yōu)化模型：選擇新模型/修改模型

? 優(yōu)化數據：新增顯著自變量

? 優(yōu)化公式：采用新的計算公式

? 集成思想：Bagging/Boosting/Stacking

6、 常用預測模型介紹

? 時序預測模型

? 回歸預測模型

? 分類預測模型

第二部分： 定量預測模型—時序預測篇

營銷問題：像利率/CPI/GDP等按時序變化的指標如何預測？當銷量隨季節(jié)周期變動時該如何預測？

1、 回歸預測vs時序預測

2、 因素分解思想

3、 時序預測常用模型

? 趨勢擬合

? 季節(jié)擬合

? 平均序列擬合

4、 評估預測值的準確度指標：MAD、RMSE、MAPE

5、 移動平均（MA）

? 應用場景及原理

? 移動平均種類

2 一次移動平均

2 二次移動平均

2 加權移動平均

2 移動平均比率法

? 移動平均關鍵問題

2 如何選取最優(yōu)參數N

2 如何確定最優(yōu)權重系數

演練：平板電腦銷量預測及評估

演練：快銷產品季節(jié)銷量預測及評估

6、 指數平滑（ES）

? 應用場景及原理

? 最優(yōu)平滑系數的選取原則

? 指數平滑種類

2 一次指數平滑

2 二次指數平滑（Brown線性、Holt線性、Holt指數、阻尼線性、阻尼指數）

2 三次指數平滑

演練：煤炭產量預測

演練：航空旅客量預測及評估

7、 溫特斯季節(jié)預測模型

? 適用場景及原理

? Holt-Winters加法模型

? Holt-Winters乘法模型

演練：汽車銷量預測及評估

8、 平穩(wěn)序列模型（ARIMA）

? 序列的平穩(wěn)性檢驗

? 平穩(wěn)序列的擬合模型

2 AR(p)自回歸模型

2 MA(q)移動模型

2 ARMA(p,q)自回歸移動模型

? 模型的識別與定階

2 ACF圖/PACF圖

2 最小信息準則

? 序列平穩(wěn)化處理

2 變量變換

2 k次差分

2 d階差分

? ARIMA(p,d,q)模型

演練：上海證券交易所綜合指數收益率序列分析

演練：服裝銷售數據季節(jié)性趨勢預測分析

? 平穩(wěn)序列的建模流程

第三部分： 定性預測模型—分類預測篇

問題：如何評估客戶購買產品的可能性？如何預測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準推薦產品或業(yè)務？

1、 分類模型概述及其應用場景

2、 常見分類預測模型

3、 邏輯回歸（LR）

? 邏輯回歸的適用場景

? 邏輯回歸的模型原理

? 邏輯回歸分類的幾何意義

? 邏輯回歸的種類

2 二項邏輯回歸

2 多項邏輯回歸

? 如何解讀邏輯回歸方程

? 帶分類自變量的邏輯回歸分析

? 多項邏輯回歸/多分類邏輯回歸

案例：如何評估用戶是否會購買某產品（二項邏輯回歸）

案例：多品牌選擇模型分析（多項邏輯回歸）

4、 分類決策樹（DT）

問題：如何預測客戶行為？如何識別潛在客戶？

風控：如何識別欠貸者的特征，以及預測欠貸概率？

客戶保有：如何識別流失客戶特征，以及預測客戶流失概率？

? 決策樹分類簡介

案例：美國零售商（Target）如何預測少女懷孕

演練：識別銀行欠貨風險，提取欠貸者的特征

? 決策樹分類的幾何意義

? 構建決策樹的三個關鍵問題

2 如何選擇最佳屬性來構建節(jié)點

2 如何分裂變量

2 修剪決策樹

? 選擇最優(yōu)屬性生長

2 熵、基尼索引、分類錯誤

2 屬性劃分增益

? 如何分裂變量

2 多元劃分與二元劃分

2 連續(xù)變量離散化（最優(yōu)分割點）

? 修剪決策樹

2 剪枝原則

2 預剪枝與后剪枝

? 構建決策樹的四個算法

2 C5.0、CHAID、CART、QUEST

2 各種算法的比較

? 如何選擇最優(yōu)分類模型？

案例：商場用戶的典型特征提取

案例：客戶流失預警與客戶挽留

案例：識別拖欠銀行貨款者的特征，避免不良貨款

案例：識別電信詐騙者嘴臉，讓通信更安全

? 多分類決策樹

案例：不同套餐用戶的典型特征

? 決策樹模型的保存與應用

5、 人工神經網絡（ANN）

? 神經網絡概述

? 神經網絡基本原理

? 神經網絡的結構

? 神經網絡分類的幾何意義

? 神經網絡的建立步驟

? 神經網絡的關鍵問題

? BP反向傳播網絡（MLP）

? 徑向基網絡（RBF）

案例：評估銀行用戶拖欠貨款的概率

6、 判別分析（DA）

? 判別分析原理

? 判別分析種類

? Fisher線性判別分析

案例：MBA學生錄取判別分析

案例：上市公司類別評估

7、 最近鄰分類（KNN）

? KNN模型的基本原理

? KNN分類的幾何意義

? K近鄰的關鍵問題

8、 支持向量機（SVM）

? SVM基本原理

? 線性可分問題：最大邊界超平面

? 線性不可分問題：特征空間的轉換

? 維災難與核函數

9、 貝葉斯分類（NBN）

? 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）

? 拉普拉斯修正

案例：評估銀行用戶拖欠貨款的概率

第四部分： 定性預測模型—模型評估篇

1、 模型的評估指標

? 兩大矩陣：混淆矩陣，代價矩陣

? 六大指標：Acc,P,R,Spec,F1,lift

? 三條曲線：

2 ROC曲線和AUC

2 PR曲線和BEP

2 KS曲線和KS值

2、 模型的評估方法

? 原始評估法

? 留出法（Hold-Out）

? 交叉驗證法（k-fold cross validation）

? 自助采樣法（Bootstrapping）

第五部分： 定性預測模型—集成優(yōu)化篇

1、 模型的優(yōu)化思路

2、 集成算法基本原理

? 單獨構建多個弱分類器

? 多個弱分類器組合投票，決定預測結果

3、 集成方法的種類

? Bagging

? Boosting

? Stacking

4、 Bagging集成

? 數據/屬性重抽樣

? 決策依據：少數服從多數

? 典型模型：隨機森林RF

5、 Boosting集成

? 基于誤分數據建模

? 樣本選擇權重更新公式

? 決策依據：加權投票

? 典型模型：AdaBoost模型

結束：課程總結與問題答疑。