第二部分： 数据预处理过程

1、 数据挖掘处理的一般过程

Ø 数据源à数据理解à数据准备à探索分析à数据建模à模型评估

2、 数据读入

Ø 读入文本文件

Ø 读入Excel电子表格

Ø 读入SPSS格式文件

Ø 读入数据库数据

3、 数据集成

Ø 变量合并（增加变量）

Ø 数据追加（添加记录）

4、 数据理解

Ø 取值范围限定

Ø 重复数据处理

Ø 缺失值处理

Ø 无效值处理

Ø 离群点和极端值的修正

Ø 数据质量评估

5、 数据准备：数据处理

Ø 数据筛选：数据抽样/选择（减少样本数量）

Ø 数据精简：数据分段/离散化（减少变量的取值）

Ø 数据平衡：正反样本比例均衡

Ø 其它：排序、分类汇总

6、 数据准备：变量处理

Ø 变量变换：原变量值更新

Ø 变量派生：生成新的变量

Ø 变量精简：降维，减少变量个数

7、 基本分析

Ø 单变量：数据基本描述分析

Ø 双变量：相关性分析

Ø 变量精简：特征选择、因子分析

8、 特征选择

Ø 特征选择方法：选择重要变量，剔除不重要的变量

Ø 从变量本身考虑

Ø 从输入变量与目标变量的相关性考虑

9、 因子分析（主成分分析）

Ø 因子分析的原理

Ø 因子个数如何选择

Ø 如何解读因子含义

案例：提取影响电信客户流失的主成分分析

第三部分： 因素影响分析（特征重要性分析）

     问题：如何判断一个因素对另一个因素有影响？

     比如营销费用是否会影响销售额？产品价格是否会影响销量？产品的陈列位置是否会影响销量？

1、 常用特征重要性分析的方法

Ø 特征选择（减少变量个数）：相关分析、方差分析、卡方检验

Ø 因子分析（减少变量个数）：主成分分析

Ø 确定变量个数参考表

2、 相关分析（数值+数值，相关程度计算）

问题：这两个属性是否会相互影响？影响程度大吗？

Ø 相关分析概述

Ø 相关系数计算公式

Ø 相关性假设检验

案例：通信基本费用与开通月数的相关分析

3、 方差分析（分类+数值，影响因素分析）

问题：哪些才是影响销量的关键因素？

Ø 方差分析原理

Ø 方差分析的步骤

Ø 方差分析适用场景

案例：开通月数对客户流失的影响分析

4、 列联分析（分类+分类，影响因素分析）

Ø 列联表的原理

Ø 卡方检验的步骤

Ø 列联表分析的适用场景

案例：套餐类型对对客户流失的影响分析

第四部分： 数值预测模型篇

     问题：如何预测产品的销量/销售金额？如果产品跟随季节性变动，该如何预测？新产品上市，如果评估销量上限及销售增速？

1、 销量预测与市场预测——让你看得更远

2、 回归预测/回归分析

问题：如何预测未来的销售量（定量分析）？

Ø 回归分析的基本原理和应用场景

Ø 回归分析的种类（一元/多元、线性/曲线）

Ø 得到回归方程的几种常用方法

Ø 回归分析的五个步骤与结果解读

Ø 回归预测结果评估（如何评估预测质量，如何选择最佳回归模型）

演练：散点图找推广费用与销售额的关系（一元线性回归）

演练：推广费用、办公费用与销售额的关系（多元线性回归）

演练：让你的营销费用预算更准确

演练：如何选择最佳的回归预测模型（曲线回归）

Ø 带分类变量的回归预测

演练：汽车季度销量预测

演练：工龄、性别与终端销量的关系

演练：如何评估销售目标与资源配置（营业厅）

3、 时序预测

问题：随着时间变化，未来的销量变化趋势如何？

Ø 时序分析的应用场景（基于时间的变化规律）

Ø 移动平均MA的预测原理

Ø 指数平滑ES的预测原理

Ø 自回归移动平均ARIMA模型

Ø 如何评估预测值的准确性？

案例：销售额的时序预测及评估

演练：汽车销量预测及评估

演练：电视机销量预测分析

演练：上海证券交易所综合指数收益率序列分析

演练：服装销售数据季节性趋势预测分析

4、 季节性预测模型

Ø 季节性回归模型的参数

Ø 常用季节性预测模型（相加、相乘）

案例：美国航空旅客里程的季节性趋势分析

案例：产品销售季节性趋势预测分析

5、 新产品预测模型与S曲线

Ø 如何评估销量增长的拐点

Ø 珀尔曲线与龚铂兹曲线

案例：如何预测产品的销售增长拐点，以及销量上限

演戏：预测IPad产品的销量

6、 自定义模型（如何利用规划求解进行自定义模型）

案例：如何对餐厅客流量进行建模及模型优化

第六部分： 分类预测模型

1、 分类概述

Ø 分类的基本过程

Ø 常见分类预测模型

2、 逻辑回归分析模型

  问题：如果评估用户是否购买产品的概率？

Ø 逻辑回归分析

Ø 逻辑回归的原理

案例：客户购买预测分析（二元逻辑回归）

3、 决策树分类

  问题：如何提取客户流失者、拖欠货款者的特征？如何预测其流失的概率？

Ø 决策树分类的原理

Ø 决策树的三个关键问题

Ø 决策树算法

Ø 如何评估分类模型的性能（查准率、查全率）

案例：识别银行欠货风险，提取欠货者的特征

案例：客户流失预警与客户挽留模型

4、 神经网络

Ø 神经网络概述

Ø 神经元工作原理

Ø 神经网络的建立步骤

Ø B-P反向传播网络（MLP）

Ø 径向基函数网络（RBF）

5、 支持向量机

Ø SVM基本原理

Ø 维灾难与核函数

6、 朴素贝叶斯分类

Ø 条件概率

Ø 朴素贝叶斯

Ø TAN贝叶斯网络

Ø 马尔科夫毯网络

第七部分： 客户细分与聚类

1、 客户细分常用方法

2、 聚类分析（Clustering）

问题：如何对市场进行细分？如何提取客户特征，从而对产品进行市场定位？ 

Ø 聚类方法原理介绍

Ø 聚类方法适用场景

Ø 如何细分客户群，并提取出客户群的特征？

Ø K均值聚类（快速聚类）

Ø 两步聚类

案例：移动三大品牌细分市场合适吗？

演练：宝洁公司如何选择新产品试销区域？

3、 RFM模型分析

Ø RFM模型，更深入了解你的客户价值

Ø RFM模型与市场策略

Ø RFM模型与活跃度

案例：淘宝客户价值评估与促销名单

第八部分： 产品推荐与关联分析

问题：购买面包的人是否也会购买牛奶？他们同时购买哪些产品？

Ø 关联规则原理介绍

Ø 关联规则适用场景：交叉销售、捆绑营销、产品布局

案例：超市商品交叉销售与布局优化（关联分析）