第一部分：  數據挖掘流程—挖掘步驟篇

1、         數據挖掘概述

2、         數據挖掘的標準流程（CRISP-DM）

‐  商業理解

‐  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、         數據集概述

4、         SPSS工具介紹

5、         數據挖掘常用模型

第二部分：  數據挖掘流程—數據預處理

如何整理數據，了解數據，對數據進行預處理？

1、數據預處理的四大任務

‐  數據集成：多個數據集合并

‐  數據清洗：異常值的處理

‐  樣本處理：樣本篩選、樣本抽樣、樣本平衡

‐  變量處理：變量變換、變量派生、變量精簡

2、數據集成（數據集合并）

‐  樣本追加（添加數據行）：橫向合并

‐  變量合并（添加變量列）：縱向合并

3、數據清洗（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、樣本處理：行處理

‐  樣本篩選：指定條件篩選指定樣本集（減少樣本數量）

‐  樣本抽樣：隨機抽取部分樣本集（減少樣本數量）

‐  樣本平衡：正反樣本比例均衡

5、變量處理：列處理

‐  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：變量刪除/降維，減少變量個數

‐  類型轉換：數據類型的相互轉換

6、變量精簡/變量降維常用方法

‐  常用降維方法

‐  如何確定降維后變量個數

‐  特征選擇：選擇重要變量，剔除不重要變量

◢    基于變量本身特征來選擇屬性

◢    基于數據間的相關性來選擇屬性

◢    利用IV值篩選

◢    基于信息增益來選擇屬性

‐  因子合并：將多個變量進行合并

◢    PCA主成分分析

◢    判別分析

7、類型轉換

8、因子合并/主成分分析

‐  因子分析的原因

‐  因子個數選擇原則

‐  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

9、數據探索性分析

演練：描述性分析（頻數、描述、探索、分類匯總）

10、    數據可視化

演練：各種圖形繪制

第三部分：  市場細分模型—聚類模型篇

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，開發符合細分市場的新產品？如何提取客戶特征，從而對產品進行市場定位？

1、 市場細分的常用方法

‐  有指導細分

‐  無指導細分

2、 聚類分析

‐  如何更好的了解客戶群體和市場細分？

‐  如何識別客戶群體特征？

‐  如何確定客戶要分成多少適當的類別？

‐  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

◢    層次聚類

◢    兩步聚類

‐  K均值聚類（快速聚類）

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域？

演練：如何自動評選優秀員工？

演練：中國各省份發達程度分析，讓數據自動聚類

‐  層次聚類（系統聚類）：發現多個類別

‐  R型聚類與Q型聚類的區別

案例：中移動如何實現客戶細分及營銷策略

演練：中國省市經濟發展情況分析（Q型聚類）

演練：裁判評分的標準衡量，避免“黑哨”（R型聚類）

‐  兩步聚類

3、 客戶細分與PCA分析法

‐  PCA主成分分析的原理

‐  PCA分析法的適用場景

演練：利用PCA對汽車客戶群進行細分

演練：如何針對汽車客戶群設計汽車

第四部分：  客戶價值評估—RFM模型篇

營銷問題：如何評估客戶的價值？不同的價值客戶有何區別對待？

1、 如何評價客戶生命周期的價值

‐  貼現率與留存率

‐  評估客戶的真實價值

‐  使用雙向表衡量屬性敏感度

‐  變化的邊際利潤

案例：評估營銷行為的合理性

2、 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

演練：“雙11”淘寶商家如何選擇價值客戶進行促銷

演練：結合響應模型，宜家IKE實現最大化營銷利潤

案例：重購用戶特征分析

第五部分：  產品設計優化—隨機效用理論

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、 產品設計優化（聯合分析法）

問題：如何設計最優的功能特征？

‐  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

第六部分：  產品定價策略—最優定價篇

營銷問題：產品如何實現最優定價？套餐價格如何確定？采用哪種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

‐  如何求解最優定價

案例：產品最優定價求解

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）

第七部分：  產品推薦算法—推薦模型篇

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

‐  優缺點

‐  優化：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、RFM模型、PCA、聚類、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/布局優化

案例：通信產品的交叉銷售與產品推薦

8、 基于分類模型的推薦

9、 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

10、     多推薦引擎的協同工作

第八部分：  銀行信用評估—信用評分卡模型

1、 信用評分卡模型簡介

2、 評分卡的關鍵問題

3、 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

4、 篩選重要屬性

‐  屬性分段

‐  基本概念：WOE、IV

‐  屬性重要性評估

5、 數據集轉化

‐  連續屬性最優分段

‐  計算屬性取值的WOE

6、 建立分類模型

‐  訓練邏輯回歸模型

‐  評估模型

‐  得到字段系數

7、 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

8、 確定審批閾值

‐  畫K-S曲線

‐  計算K-S值

‐  獲取最優閾值

案例：構建銀行小額貸款的用戶信用模型

結束：課程總結與問題答疑。