爱爱剧情视频久久_欧美性战A久久久久久_日韩另类色区欧美日韩_午夜tv无码免费区

當(dāng)前位置: 首頁 > 內(nèi)訓(xùn)課程 > 課程內(nèi)容
廣告1
相關(guān)熱門公開課程更多 》
相關(guān)熱門內(nèi)訓(xùn)課程更多 》
相關(guān)最新下載資料

Python數(shù)據(jù)挖掘?qū)n}實(shí)戰(zhàn)培訓(xùn)

課程編號(hào):32153

課程價(jià)格:¥26000/天

課程時(shí)長:5 天

課程人氣:405

行業(yè)類別:行業(yè)通用     

專業(yè)類別:大數(shù)據(jù) 

授課講師:傅一航

  • 課程說明
  • 講師介紹
  • 選擇同類課
【培訓(xùn)對象】
業(yè)務(wù)支持部、IT系統(tǒng)部、大數(shù)據(jù)系統(tǒng)開發(fā)部、大數(shù)據(jù)分析中心、網(wǎng)絡(luò)運(yùn)維部等相關(guān)技術(shù)人員。

【培訓(xùn)收益】


第一部分:數(shù)據(jù)挖掘基礎(chǔ)
1、數(shù)據(jù)挖掘概述
2、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(píng)估
模型應(yīng)用
案例:客戶流失預(yù)測及客戶挽留
3、數(shù)據(jù)挖掘常用模型

第二部分:數(shù)據(jù)預(yù)處理篇
1、數(shù)據(jù)預(yù)處理的主要任務(wù)
數(shù)據(jù)集成:多個(gè)數(shù)據(jù)集的合并
數(shù)據(jù)清理:異常值的處理
數(shù)據(jù)處理:數(shù)據(jù)篩選、數(shù)據(jù)精簡、數(shù)據(jù)平衡
變量處理:變量變換、變量派生、變量精簡
數(shù)據(jù)歸約:實(shí)現(xiàn)降維,避免維災(zāi)難
2、數(shù)據(jù)集成
數(shù)據(jù)追加(添加數(shù)據(jù))
變量合并(添加變量)
3、數(shù)據(jù)理解(異常數(shù)據(jù)處理)
取值范圍限定
重復(fù)值處理
無效值/錯(cuò)誤值處理
缺失值處理
離群值/極端值處理
數(shù)據(jù)質(zhì)量評(píng)估
4、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(減少變量的取值個(gè)數(shù))
數(shù)據(jù)平衡:正反樣本比例均衡
5、數(shù)據(jù)準(zhǔn)備:變量處理
變量變換:原變量取值更新,比如標(biāo)準(zhǔn)化
變量派生:根據(jù)舊變量生成新的變量
變量精簡:降維,減少變量個(gè)數(shù)
6、數(shù)據(jù)降維
常用降維的方法
如何確定變量個(gè)數(shù)
特征選擇: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
對輸入變量進(jìn)行合并
因子分析(主成分分析)
因子分析的原理
因子個(gè)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
7、數(shù)據(jù)探索性分析
常用統(tǒng)計(jì)指標(biāo)分析
單變量:數(shù)值變量/分類變量
雙變量:交叉分析/相關(guān)性分析
多變量:特征選擇、因子分析
演練:描述性分析(頻數(shù)、描述、探索、分類匯總)
8、數(shù)據(jù)可視化
數(shù)據(jù)可視化:柱狀圖、條形圖、餅圖、折線圖、箱圖、散點(diǎn)圖等
圖形的表達(dá)及適用場景
演練:各種圖形繪制

第三部分:用戶專題分析
1、用戶專題分析的主要任務(wù)
2、客戶群細(xì)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(shí)現(xiàn)客戶細(xì)分,開發(fā)符合細(xì)分市場的新產(chǎn)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(dòng)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?
演練:如何評(píng)選優(yōu)秀員工?
演練:中國各省份發(fā)達(dá)程度分析,讓數(shù)據(jù)自動(dòng)聚類
最優(yōu)K值選擇
Elbow手肘法
Silhouette Coefficient輪廓系數(shù)
Calinski-Harabasz Index準(zhǔn)則
雙聚類bicluster及評(píng)估
譜聚類聯(lián)合
聯(lián)合譜聚類SpectralCoclustering
雙向譜聚類SpectralBiclustering
DBSCAN鄰近聚類
3、客戶喜好評(píng)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(píng)估汽車購買者的客戶細(xì)分市場
4、客戶價(jià)值評(píng)估與RFM模型
營銷問題:如何評(píng)估客戶的價(jià)值?不同的價(jià)值客戶有何區(qū)別對待?
RFM模型(客戶價(jià)值評(píng)估)
RFM模型,更深入了解你的客戶價(jià)值
RFM模型與市場策略
RFM模型與活躍度分析
案例:淘寶客戶價(jià)值評(píng)估與促銷名單
案例:重購用戶特征分析

第四部分:產(chǎn)品專題分析
1、產(chǎn)品專題分析主要任務(wù)
產(chǎn)品設(shè)計(jì)分析
市場占有分析
累計(jì)銷量分析
定價(jià)策略分析
2、產(chǎn)品設(shè)計(jì)優(yōu)化(聯(lián)合分析法)
問題:如何設(shè)計(jì)最優(yōu)的功能特征?
評(píng)估功能特征的重要性
評(píng)估功能特征的價(jià)值
案例:產(chǎn)品開發(fā)與設(shè)計(jì)分析
3、產(chǎn)品評(píng)估模型(隨機(jī)效用理論)
屬性重要性評(píng)估
市場占有率評(píng)估
產(chǎn)品價(jià)格彈性評(píng)估
評(píng)估產(chǎn)品的品牌價(jià)值
動(dòng)態(tài)調(diào)價(jià)(納會(huì)均衡價(jià)格)
案例:品牌價(jià)值與價(jià)格敏感度分析
案例:納什均衡價(jià)格

第五部分:產(chǎn)品定價(jià)策略
營銷問題:產(chǎn)品如何實(shí)現(xiàn)最優(yōu)定價(jià)?套餐價(jià)格如何確定?采用哪些定價(jià)策略可達(dá)到利潤最大化?
1、常見的定價(jià)方法
2、產(chǎn)品定價(jià)的理論依據(jù)
需求曲線與利潤最大化
如何求解最優(yōu)定價(jià)
案例:產(chǎn)品最優(yōu)定價(jià)求解
3、如何評(píng)估需求曲線
價(jià)格彈性
曲線方程(線性、乘冪)
4、如何做產(chǎn)品組合定價(jià)
5、如何做產(chǎn)品捆綁/套餐定價(jià)
最大收益定價(jià)(演進(jìn)規(guī)劃求解)
避免價(jià)格反轉(zhuǎn)的套餐定價(jià)
案例:電信公司的寬帶、IPTV、移動(dòng)電話套餐定價(jià)
6、非線性定價(jià)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(fèi)如何定價(jià)(如會(huì)費(fèi)+按次計(jì)費(fèi))
7、階梯定價(jià)策略
案例:電力公司如何做階梯定價(jià)
8、數(shù)量折扣定價(jià)策略
案例:如何通過折扣來實(shí)現(xiàn)薄利多銷
9、定價(jià)策略的評(píng)估與選擇
案例:零售公司如何選擇最優(yōu)定價(jià)策略
10、航空公司的收益管理
收益管理介紹
如何確定機(jī)票預(yù)訂限制
如何確定機(jī)票超售數(shù)量
如何評(píng)估模型的收益
案例:FBN航空公司如何實(shí)現(xiàn)收益管理(預(yù)訂/超售)

第六部分:產(chǎn)品推薦與協(xié)同過濾
問題:購買A產(chǎn)品的顧客還常常要購買其他什么產(chǎn)品?應(yīng)該給客戶推薦什么產(chǎn)品最有可能被接受?
1、從搜索引擎到推薦引擎
2、常用產(chǎn)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(nèi)容的推薦CBR
關(guān)鍵問題:如何計(jì)算物品的相似度
優(yōu)缺點(diǎn)
優(yōu)化:Rocchio算法、基于標(biāo)簽的推薦、基于興趣度的推薦
5、基于用戶的推薦
關(guān)鍵問題:如何對用戶分類/計(jì)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(xié)同過濾的推薦
基于用戶的協(xié)同過濾
基于物品的協(xié)同過濾
冷啟動(dòng)的問題
案例:計(jì)算用戶相似度、計(jì)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(guān)系
基于時(shí)間上下文
9、多推薦引擎的協(xié)同工作


第七部分:信用評(píng)分卡模型
1、信用評(píng)分卡模型簡介
2、評(píng)分卡的關(guān)鍵問題
3、信用評(píng)分卡建立過程
篩選重要屬性
數(shù)據(jù)集轉(zhuǎn)化
建立分類模型
計(jì)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(píng)估
5、數(shù)據(jù)集轉(zhuǎn)化
連續(xù)屬性最優(yōu)分段
計(jì)算屬性取值的WOE
6、建立分類模型
訓(xùn)練邏輯回歸模型
評(píng)估模型
得到字段系數(shù)
7、計(jì)算屬性分值
計(jì)算補(bǔ)償與刻度值
計(jì)算各字段得分
生成評(píng)分卡
8、確定審批閾值
畫K-S曲線
計(jì)算K-S值
獲取最優(yōu)閾值

第八部分:交叉銷售與關(guān)聯(lián)規(guī)則
1、關(guān)聯(lián)規(guī)則概述
2、常用關(guān)聯(lián)規(guī)則算法
Apriori算法
發(fā)現(xiàn)頻繁集
生成關(guān)聯(lián)規(guī)則
FP-Growth算法
構(gòu)建FP樹
提取規(guī)則
案例:使用apriori實(shí)現(xiàn)關(guān)聯(lián)分析

10、基于關(guān)聯(lián)分析的推薦
如何制定套餐,實(shí)現(xiàn)交叉/捆綁銷售
案例:啤酒與尿布、颶風(fēng)與蛋撻
關(guān)聯(lián)分析模型原理(Association)
關(guān)聯(lián)規(guī)則的兩個(gè)關(guān)鍵參數(shù)
支持度
置信度
關(guān)聯(lián)分析的適用場景
案例:購物籃分析與產(chǎn)品捆綁銷售/布局優(yōu)化
案例:通信產(chǎn)品的交叉銷售與產(chǎn)品推薦

結(jié)束:課程總結(jié)與問題答疑。 

咨詢電話:
0571-86155444
咨詢熱線:
  • 微信:13857108608
聯(lián)系我們