大數(shù)據(jù)分析與挖掘綜合能力提升實(shí)戰(zhàn)

【課程目標(biāo)】

本課程為進(jìn)階課程，面向所有業(yè)務(wù)支撐部門及數(shù)據(jù)分析部門。

本課程的主要目的是，幫助學(xué)員掌握大數(shù)據(jù)建?；A(chǔ)知識(shí)，幫助學(xué)員構(gòu)建系統(tǒng)全面的預(yù)測(cè)建模思維，提升學(xué)員的數(shù)據(jù)建模綜合能力。

本課程具體內(nèi)容包括：

1、 數(shù)據(jù)建模流程，特征工程處理

2、 時(shí)序預(yù)測(cè)模型，分類預(yù)測(cè)模型

3、 模型基本原理，模型含義解讀

4、 模型質(zhì)量評(píng)估，模型優(yōu)化措施

本系列課程從實(shí)際的業(yè)務(wù)需求出發(fā)，結(jié)合行業(yè)的典型應(yīng)用特點(diǎn)，圍繞實(shí)際的商業(yè)問題，對(duì)數(shù)據(jù)預(yù)測(cè)建模的過程進(jìn)行了全面的介紹（從模型選擇，到特征選擇，再到訓(xùn)練模型，評(píng)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(xué)員掌握數(shù)據(jù)建模的思路、方法、技巧，以提升學(xué)員的數(shù)據(jù)建模的能力，支撐運(yùn)營(yíng)決策的目的。

通過本課程的學(xué)習(xí)，達(dá)到如下目的：

1、 了解數(shù)據(jù)建模的標(biāo)準(zhǔn)過程

2、 明白時(shí)序預(yù)測(cè)的基本思想，熟悉常用的時(shí)序預(yù)測(cè)模型

3、 掌握常用的分類預(yù)測(cè)模型，理解模型基本原理

4、 學(xué)會(huì)解讀分類預(yù)測(cè)模型的含義

5、 理解并掌握定性預(yù)測(cè)模型的質(zhì)量評(píng)估指標(biāo)

6、 了解分類預(yù)測(cè)模型的集成優(yōu)化思想

【授課時(shí)間】

2天時(shí)間（每天6個(gè)小時(shí)）

【授課對(duì)象】

產(chǎn)品銷量部、業(yè)務(wù)支撐部、運(yùn)營(yíng)分析部、數(shù)據(jù)分析部、大數(shù)據(jù)系統(tǒng)開發(fā)部等對(duì)業(yè)務(wù)數(shù)據(jù)分析有較高要求的相關(guān)人員。

【學(xué)員要求】

1、 每個(gè)學(xué)員自備一臺(tái)便攜機(jī)(必須)。

2、 便攜機(jī)中事先安裝好Microsoft Office Excel 2013版本及以上。

3、 便攜機(jī)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(shù)據(jù)源。

【授課方式】

數(shù)據(jù)分析基礎(chǔ) + 方法講解 + 實(shí)際業(yè)務(wù)問題分析 + 工具實(shí)踐操作

采用互動(dòng)式教學(xué)，圍繞業(yè)務(wù)問題，展開數(shù)據(jù)分析過程，全過程演練操作，讓學(xué)員在分析、分享、講授、總結(jié)、自我實(shí)踐過程中獲得能力提升。

【課程大綱】

第一部分： 數(shù)據(jù)建模過程—流程步驟篇

1、 預(yù)測(cè)建模六步法

? 選擇模型：基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型

? 特征工程：選擇對(duì)目標(biāo)變量有顯著影響的屬性來建模

? 訓(xùn)練模型：采用合適的算法對(duì)模型進(jìn)行訓(xùn)練，尋找到最優(yōu)參數(shù)

? 評(píng)估模型：進(jìn)行評(píng)估模型的質(zhì)量，判斷模型是否可用

? 優(yōu)化模型：如果評(píng)估結(jié)果不理想，則需要對(duì)模型進(jìn)行優(yōu)化

? 應(yīng)用模型：如果評(píng)估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場(chǎng)景

2、 數(shù)據(jù)挖掘常用的模型

? 定量預(yù)測(cè)模型：回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等

? 定性預(yù)測(cè)模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等

? 市場(chǎng)細(xì)分：聚類、RFM、PCA等

? 產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過濾等

? 產(chǎn)品優(yōu)化：回歸、隨機(jī)效用等

? 產(chǎn)品定價(jià)：定價(jià)策略/最優(yōu)定價(jià)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(guān)性判斷

? 因子合并（PCA等）

? IV值篩選（評(píng)分卡使用）

? 基于信息增益判斷（決策樹使用）

4、 模型評(píng)估

? 模型質(zhì)量評(píng)估指標(biāo)：R^2、正確率/查全率/查準(zhǔn)率/特異性等

? 預(yù)測(cè)值評(píng)估指標(biāo)：MAD、MSE/RMSE、MAPE、概率等

? 模型評(píng)估方法：留出法、K拆交叉驗(yàn)證、自助法等

? 其它評(píng)估：過擬合評(píng)估、殘差檢驗(yàn)

5、 模型優(yōu)化

? 優(yōu)化模型：選擇新模型/修改模型

? 優(yōu)化數(shù)據(jù)：新增顯著自變量

? 優(yōu)化公式：采用新的計(jì)算公式

? 集成思想：Bagging/Boosting/Stacking

6、 常用預(yù)測(cè)模型介紹

? 時(shí)序預(yù)測(cè)模型

? 回歸預(yù)測(cè)模型

? 分類預(yù)測(cè)模型

第二部分： 定量預(yù)測(cè)模型—時(shí)序預(yù)測(cè)篇

營(yíng)銷問題：像利率/CPI/GDP等按時(shí)序變化的指標(biāo)如何預(yù)測(cè)？當(dāng)銷量隨季節(jié)周期變動(dòng)時(shí)該如何預(yù)測(cè)？

1、 回歸預(yù)測(cè)vs時(shí)序預(yù)測(cè)

2、 因素分解思想

3、 時(shí)序預(yù)測(cè)常用模型

? 趨勢(shì)擬合

? 季節(jié)擬合

? 平均序列擬合

4、 評(píng)估預(yù)測(cè)值的準(zhǔn)確度指標(biāo)：MAD、RMSE、MAPE

5、 移動(dòng)平均（MA）

? 應(yīng)用場(chǎng)景及原理

? 移動(dòng)平均種類

2 一次移動(dòng)平均

2 二次移動(dòng)平均

2 加權(quán)移動(dòng)平均

2 移動(dòng)平均比率法

? 移動(dòng)平均關(guān)鍵問題

2 如何選取最優(yōu)參數(shù)N

2 如何確定最優(yōu)權(quán)重系數(shù)

演練：平板電腦銷量預(yù)測(cè)及評(píng)估

演練：快銷產(chǎn)品季節(jié)銷量預(yù)測(cè)及評(píng)估

6、 指數(shù)平滑（ES）

? 應(yīng)用場(chǎng)景及原理

? 最優(yōu)平滑系數(shù)的選取原則

? 指數(shù)平滑種類

2 一次指數(shù)平滑

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

2 三次指數(shù)平滑

演練：煤炭產(chǎn)量預(yù)測(cè)

演練：航空旅客量預(yù)測(cè)及評(píng)估

7、 溫特斯季節(jié)預(yù)測(cè)模型

? 適用場(chǎng)景及原理

? Holt-Winters加法模型

? Holt-Winters乘法模型

演練：汽車銷量預(yù)測(cè)及評(píng)估

8、 平穩(wěn)序列模型（ARIMA）

? 序列的平穩(wěn)性檢驗(yàn)

? 平穩(wěn)序列的擬合模型

2 AR(p)自回歸模型

2 MA(q)移動(dòng)模型

2 ARMA(p,q)自回歸移動(dòng)模型

? 模型的識(shí)別與定階

2 ACF圖/PACF圖

2 最小信息準(zhǔn)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(shù)收益率序列分析

演練：服裝銷售數(shù)據(jù)季節(jié)性趨勢(shì)預(yù)測(cè)分析

? 平穩(wěn)序列的建模流程

第三部分： 定性預(yù)測(cè)模型—分類預(yù)測(cè)篇

問題：如何評(píng)估客戶購(gòu)買產(chǎn)品的可能性？如何預(yù)測(cè)客戶的購(gòu)買行為？如何提取某類客戶的典型特征？如何向客戶精準(zhǔn)推薦產(chǎn)品或業(yè)務(wù)？

1、 分類模型概述及其應(yīng)用場(chǎng)景

2、 常見分類預(yù)測(cè)模型

3、 邏輯回歸（LR）

? 邏輯回歸的適用場(chǎng)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(xiàng)邏輯回歸

2 多項(xiàng)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(xiàng)邏輯回歸/多分類邏輯回歸

案例：如何評(píng)估用戶是否會(huì)購(gòu)買某產(chǎn)品（二項(xiàng)邏輯回歸）

案例：多品牌選擇模型分析（多項(xiàng)邏輯回歸）

4、 分類決策樹（DT）

問題：如何預(yù)測(cè)客戶行為？如何識(shí)別潛在客戶？

風(fēng)控：如何識(shí)別欠貸者的特征，以及預(yù)測(cè)欠貸概率？

客戶保有：如何識(shí)別流失客戶特征，以及預(yù)測(cè)客戶流失概率？

? 決策樹分類簡(jiǎn)介

案例：美國(guó)零售商（Target）如何預(yù)測(cè)少女懷孕

演練：識(shí)別銀行欠貨風(fēng)險(xiǎn)，提取欠貸者的特征

? 決策樹分類的幾何意義

? 構(gòu)建決策樹的三個(gè)關(guān)鍵問題

2 如何選擇最佳屬性來構(gòu)建節(jié)點(diǎn)

2 如何分裂變量

2 修剪決策樹

? 選擇最優(yōu)屬性生長(zhǎng)

2 熵、基尼索引、分類錯(cuò)誤

2 屬性劃分增益

? 如何分裂變量

2 多元?jiǎng)澐峙c二元?jiǎng)澐?/span>

2 連續(xù)變量離散化（最優(yōu)分割點(diǎn)）

? 修剪決策樹

2 剪枝原則

2 預(yù)剪枝與后剪枝

? 構(gòu)建決策樹的四個(gè)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(chǎng)用戶的典型特征提取

案例：客戶流失預(yù)警與客戶挽留

案例：識(shí)別拖欠銀行貨款者的特征，避免不良貨款

案例：識(shí)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(yīng)用

5、 人工神經(jīng)網(wǎng)絡(luò)（ANN）

? 神經(jīng)網(wǎng)絡(luò)概述

? 神經(jīng)網(wǎng)絡(luò)基本原理

? 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

? 神經(jīng)網(wǎng)絡(luò)分類的幾何意義

? 神經(jīng)網(wǎng)絡(luò)的建立步驟

? 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題

? BP反向傳播網(wǎng)絡(luò)（MLP）

? 徑向基網(wǎng)絡(luò)（RBF）

案例：評(píng)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(xué)生錄取判別分析

案例：上市公司類別評(píng)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(guān)鍵問題

8、 支持向量機(jī)（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(zhuǎn)換

? 維災(zāi)難與核函數(shù)

9、 貝葉斯分類（NBN）

? 貝葉斯分類原理

? 計(jì)算類別屬性的條件概率

? 估計(jì)連續(xù)屬性的條件概率

? 預(yù)測(cè)分類概率（計(jì)算概率）

? 拉普拉斯修正

案例：評(píng)估銀行用戶拖欠貨款的概率

第四部分： 定性預(yù)測(cè)模型—模型評(píng)估篇

1、 模型的評(píng)估指標(biāo)

? 兩大矩陣：混淆矩陣，代價(jià)矩陣

? 六大指標(biāo)：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(píng)估方法

? 原始評(píng)估法

? 留出法（Hold-Out）

? 交叉驗(yàn)證法（k-fold cross validation）

? 自助采樣法（Bootstrapping）

第五部分： 定性預(yù)測(cè)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(dú)構(gòu)建多個(gè)弱分類器

? 多個(gè)弱分類器組合投票，決定預(yù)測(cè)結(jié)果

3、 集成方法的種類

? Bagging

? Boosting

? Stacking

4、 Bagging集成

? 數(shù)據(jù)/屬性重抽樣

? 決策依據(jù)：少數(shù)服從多數(shù)

? 典型模型：隨機(jī)森林RF

5、 Boosting集成

? 基于誤分?jǐn)?shù)據(jù)建模

? 樣本選擇權(quán)重更新公式

? 決策依據(jù)：加權(quán)投票

? 典型模型：AdaBoost模型

結(jié)束：課程總結(jié)與問題答疑。