【培訓(xùn)對(duì)象】
市場(chǎng)部、業(yè)務(wù)支撐部、數(shù)據(jù)分析部、運(yùn)營(yíng)分析部等對(duì)業(yè)務(wù)數(shù)據(jù)分析有較高要求的相關(guān)人員。

【培訓(xùn)收益】

第一部分：數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程
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(cè)及客戶挽留
3、數(shù)據(jù)集概述
4、SPSS工具介紹
5、數(shù)據(jù)挖掘常用模型
第二部分：數(shù)據(jù)預(yù)處理
如何整理數(shù)據(jù)，了解數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理？
1、數(shù)據(jù)預(yù)處理的四大任務(wù)
數(shù)據(jù)集成：多個(gè)數(shù)據(jù)集合并
數(shù)據(jù)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(jiǎn)
2、數(shù)據(jù)集成（數(shù)據(jù)集合并）
樣本追加（添加數(shù)據(jù)行）：橫向合并
變量合并（添加變量列）：縱向合并
3、數(shù)據(jù)清洗（異常數(shù)據(jù)處理）
取值范圍限定
重復(fù)值處理
無(wú)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、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(shù)量）
樣本抽樣：隨機(jī)抽取部分樣本集（減少樣本數(shù)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(biāo)準(zhǔn)化
變量派生：根據(jù)舊變量生成新的變量
變量精簡(jiǎn)：變量刪除/降維，減少變量個(gè)數(shù)
類型轉(zhuǎn)換：數(shù)據(jù)類型的相互轉(zhuǎn)換
6、變量精簡(jiǎn)/變量降維常用方法
常用降維方法
如何確定降維后變量個(gè)數(shù)
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(lái)選擇屬性
基于數(shù)據(jù)間的相關(guān)性來(lái)選擇屬性
利用IV值篩選
基于信息增益來(lái)選擇屬性
因子合并：將多個(gè)變量進(jìn)行合并
PCA主成分分析
判別分析
7、類型轉(zhuǎn)換
8、因子合并/主成分分析
因子分析的原因
因子個(gè)數(shù)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(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）
第三部分：數(shù)據(jù)可視化
1、數(shù)據(jù)可視化的原則
2、常用可視化工具
3、常用可視化圖形
柱狀圖、條形圖、餅圖、折線圖、箱圖、散點(diǎn)圖等
4、圖形的表達(dá)及適用場(chǎng)景
演練：各種圖形繪制
第四部分：影響因素分析篇
營(yíng)銷問(wèn)題：哪些因素是影響業(yè)務(wù)目標(biāo)的關(guān)鍵要素？比如，產(chǎn)品在貨架上的位置是否對(duì)銷量有影響？?jī)r(jià)格和廣告開(kāi)銷是如何影響銷量的？影響風(fēng)控的關(guān)鍵因素有哪些？如何判斷？
1、影響因素分析的常見(jiàn)方法
2、相關(guān)分析（衡量?jī)蓴?shù)據(jù)型變量的線性相關(guān)性）
相關(guān)分析簡(jiǎn)介
相關(guān)分析的應(yīng)用場(chǎng)景
相關(guān)分析的種類
簡(jiǎn)單相關(guān)分析
偏相關(guān)分析
距離相關(guān)分析
相關(guān)系數(shù)的三種計(jì)算公式
Pearson相關(guān)系數(shù)
Spearman相關(guān)系數(shù)
Kendall相關(guān)系數(shù)
相關(guān)分析的假設(shè)檢驗(yàn)
相關(guān)分析的四個(gè)基本步驟
演練：營(yíng)銷費(fèi)用會(huì)影響銷售額嗎？影響程度如何量化？
演練：哪些因素與汽車銷量有相關(guān)性
演練：影響用戶消費(fèi)水平的因素會(huì)有哪些
偏相關(guān)分析
偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性
偏相關(guān)系數(shù)的計(jì)算公式
偏相關(guān)分析的適用場(chǎng)景
距離相關(guān)分析
3、方差分析（衡量類別變量與數(shù)值變量間的相關(guān)性）
方差分析的應(yīng)用場(chǎng)景
方差分析的三個(gè)種類
單因素方差分析
多因素方差分析
協(xié)方差分析
單因素方差分析的原理
方差分析的四個(gè)步驟
解讀方差分析結(jié)果的兩個(gè)要點(diǎn)
演練：擺放位置與銷量有關(guān)嗎
演練：客戶學(xué)歷對(duì)消費(fèi)水平的影響分析
演練：廣告和價(jià)格是影響終端銷量的關(guān)鍵因素嗎
演練：營(yíng)業(yè)員的性別、技能級(jí)別對(duì)產(chǎn)品銷量有影響嗎
演練：尋找影響產(chǎn)品銷量的關(guān)鍵因素
多因素方差分析原理
多因素方差分析的作用
多因素方差結(jié)果的解讀
演練：廣告形式、地區(qū)對(duì)銷量的影響因素分析
協(xié)方差分析原理
協(xié)方差分析的適用場(chǎng)景
演練：排除產(chǎn)品價(jià)格，收入對(duì)銷量有影響嗎？
4、列聯(lián)分析/卡方檢驗(yàn)（兩類別變量的相關(guān)性分析）
交叉表與列聯(lián)表：計(jì)數(shù)值與期望值
卡方檢驗(yàn)的原理
卡方檢驗(yàn)的幾個(gè)計(jì)算公式
列聯(lián)表分析的適用場(chǎng)景
案例：套餐類型對(duì)客戶流失的影響分析
案例：學(xué)歷對(duì)業(yè)務(wù)套餐偏好的影響分析
案例：行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析
5、相關(guān)性分析方法總結(jié)
第五部分：回歸預(yù)測(cè)模型
營(yíng)銷問(wèn)題：如何預(yù)測(cè)未來(lái)的產(chǎn)品銷量/銷售額？如果產(chǎn)品跟隨季節(jié)性變動(dòng)，該如何預(yù)測(cè)？
1、回歸分析簡(jiǎn)介和原理
2、回歸分析的種類
一元回歸/多元回歸
線性回歸/非線性回歸
3、常用回歸分析方法
散點(diǎn)圖+趨勢(shì)線（一元）
線性回歸工具（多元線性）
規(guī)劃求解工具（非線性回歸）
演練：散點(diǎn)圖找營(yíng)銷費(fèi)用與銷售額的關(guān)系
4、線性回歸分析的五個(gè)步驟
演練：營(yíng)銷費(fèi)用、辦公費(fèi)用與銷售額的關(guān)系（線性回歸）
5、線性回歸方程的解讀技巧
定性描述：正相關(guān)/負(fù)相關(guān)
定量描述：自變量變化導(dǎo)致因變量的變化程度
6、回歸預(yù)測(cè)模型評(píng)估
質(zhì)量評(píng)估指標(biāo)：判定系數(shù)R^2
如何選擇最佳回歸模型
演練：如何選擇最佳的回歸預(yù)測(cè)模型（一元曲線回歸）
7、帶分類自變量的回歸預(yù)測(cè)
演練：汽車季度銷量預(yù)測(cè)
演練：工齡、性別與終端銷量的關(guān)系
演練：如何評(píng)估銷售目標(biāo)與資源最佳配置
第六部分：回歸模型優(yōu)化
1、回歸分析的基本原理
三個(gè)基本概念：總變差、回歸變差、剩余變差
方程的顯著性檢驗(yàn)：方程可用性
因素的顯著性檢驗(yàn)：因素可用性
方程擬合優(yōu)度檢驗(yàn)：質(zhì)量好壞程度
理解標(biāo)準(zhǔn)誤差含義：預(yù)測(cè)準(zhǔn)確性？
2、回歸模型優(yōu)化措施：尋找最佳回歸擬合線
如何處理預(yù)測(cè)離群值（剔除離群值）
如何剔除不顯著因素（剔除不顯著因素）
如何進(jìn)行非線性關(guān)系檢驗(yàn)（增加非線性自變量）
如何進(jìn)行相互作用檢驗(yàn)（增加相互作用自變量）
如何進(jìn)行多重共線性檢驗(yàn)（剔除共線性自變量）
演練：模型優(yōu)化演示
3、好模型都是優(yōu)化出來(lái)的
第七部分：自定義回歸模型
1、回歸建模的本質(zhì)
2、規(guī)劃求解工具簡(jiǎn)介
3、自定義回歸模型
案例：如何對(duì)客流量進(jìn)行建模預(yù)測(cè)及模型優(yōu)化
4、回歸季節(jié)預(yù)測(cè)模型模型
回歸季節(jié)模型的原理及應(yīng)用場(chǎng)景
加法季節(jié)模型
乘法季節(jié)模型
模型解讀
案例：美國(guó)航空旅客里程的季節(jié)性趨勢(shì)分析
5、新產(chǎn)品累計(jì)銷量的S曲線
S曲線模型的應(yīng)用場(chǎng)景（最大累計(jì)銷量及銷量增長(zhǎng)的拐點(diǎn)）
珀?duì)柷€
龔鉑茲曲線
案例：如何預(yù)測(cè)產(chǎn)品的銷售增長(zhǎng)拐點(diǎn)，以及銷量上限
演練：預(yù)測(cè)IPad產(chǎn)品的銷量
第八部分：回歸模型質(zhì)量評(píng)估
1、定量預(yù)測(cè)模型的評(píng)估
方程顯著性評(píng)估
因素顯著性評(píng)估
擬合優(yōu)度的評(píng)估
估計(jì)標(biāo)準(zhǔn)誤差評(píng)估
預(yù)測(cè)值準(zhǔn)確度評(píng)估
2、模型擬合度評(píng)估
判定系數(shù)：
調(diào)整判定系數(shù)：
3、預(yù)測(cè)值準(zhǔn)確度評(píng)估
平均絕對(duì)誤差：MAE
根均方差：RMSE
平均誤差率：MAPE
4、其它評(píng)估：殘差檢驗(yàn)、過(guò)擬合檢驗(yàn)
第九部分：時(shí)序預(yù)測(cè)模型
營(yíng)銷問(wèn)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
一次移動(dòng)平均
二次移動(dòng)平均
加權(quán)移動(dòng)平均
移動(dòng)平均比率法
移動(dòng)平均關(guān)鍵問(wèn)題
如何選取最優(yōu)參數(shù)N
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
一次指數(shù)平滑
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)）
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
AR(p)自回歸模型
MA(q)移動(dòng)模型
ARMA(p,q)自回歸移動(dòng)模型
模型的識(shí)別與定階
ACF圖/PACF圖
最小信息準(zhǔn)則
序列平穩(wěn)化處理
變量變換
k次差分
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
第十部分：分類預(yù)測(cè)模型篇
問(wèn)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(jiàn)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
二項(xiàng)邏輯回歸
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(wèn)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(wèn)題
如何選擇最佳屬性來(lái)構(gòu)建節(jié)點(diǎn)
如何分裂變量
修剪決策樹
選擇最優(yōu)屬性生長(zhǎng)
熵、基尼索引、分類錯(cuò)誤
屬性劃分增益
如何分裂變量
多元?jiǎng)澐峙c二元?jiǎng)澐?br /> 連續(xù)變量離散化（最優(yōu)分割點(diǎn)）
修剪決策樹
剪枝原則
預(yù)剪枝與后剪枝
構(gòu)建決策樹的四個(gè)算法
C5.0、CHAID、CART、QUEST
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(wèn)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(wèn)題
第十一部分：市場(chǎng)細(xì)分模型
問(wèn)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(kāi)發(fā)符合細(xì)分市場(chǎng)的新產(chǎn)品？如何提取客戶特征，從而對(duì)產(chǎn)品進(jìn)行市場(chǎng)定位？
1、市場(chǎng)細(xì)分的常用方法
有指導(dǎo)細(xì)分
無(wú)指導(dǎo)細(xì)分
2、聚類分析
如何更好的了解客戶群體和市場(chǎng)細(xì)分？
如何識(shí)別客戶群體特征？
如何確定客戶要分成多少適當(dāng)?shù)念悇e？
聚類方法原理介紹
聚類方法作用及其適用場(chǎng)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(dòng)三大品牌細(xì)分市場(chǎng)合適嗎？
演練：寶潔公司如何選擇新產(chǎn)品試銷區(qū)域？
演練：如何自動(dòng)評(píng)選優(yōu)秀員工？
演練：中國(guó)各省份發(fā)達(dá)程度分析，讓數(shù)據(jù)自動(dòng)聚類
層次聚類（系統(tǒng)聚類）：發(fā)現(xiàn)多個(gè)類別
R型聚類與Q型聚類的區(qū)別
案例：中移動(dòng)如何實(shí)現(xiàn)客戶細(xì)分及營(yíng)銷策略
演練：中國(guó)省市經(jīng)濟(jì)發(fā)展情況分析（Q型聚類）
演練：裁判評(píng)分的標(biāo)準(zhǔn)衡量，避免“黑哨”（R型聚類）
兩步聚類
3、客戶細(xì)分與PCA分析法
PCA主成分分析的原理
PCA分析法的適用場(chǎng)景
演練：利用PCA對(duì)汽車客戶群進(jìn)行細(xì)分
演練：如何針對(duì)汽車客戶群設(shè)計(jì)汽車
第十二部分：客戶價(jià)值評(píng)估
營(yíng)銷問(wèn)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(duì)待？
1、如何評(píng)價(jià)客戶生命周期的價(jià)值
貼現(xiàn)率與留存率
評(píng)估客戶的真實(shí)價(jià)值
使用雙向表衡量屬性敏感度
變化的邊際利潤(rùn)
案例：評(píng)估營(yíng)銷行為的合理性
2、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(chǎng)策略
RFM模型與活躍度分析
演練：“雙11”淘寶商家如何選擇價(jià)值客戶進(jìn)行促銷
演練：結(jié)合響應(yīng)模型，宜家IKE實(shí)現(xiàn)最大化營(yíng)銷利潤(rùn)
案例：重購(gòu)用戶特征分析
第十三部分：假設(shè)檢驗(yàn)
1、參數(shù)檢驗(yàn)分析（樣本均值檢驗(yàn)）
問(wèn)題：如何驗(yàn)證營(yíng)銷效果的有效性？
假設(shè)檢驗(yàn)概述
單樣本T檢驗(yàn)
兩獨(dú)立樣本T檢驗(yàn)
兩配對(duì)樣本T檢驗(yàn)
假設(shè)檢驗(yàn)適用場(chǎng)景
電信行業(yè)
案例：電信運(yùn)營(yíng)商ARPU值評(píng)估分析（單樣本）
案例：營(yíng)銷活動(dòng)前后分析（兩配對(duì)樣本）

金融行業(yè)
案例：信用卡消費(fèi)金額評(píng)估分析（單樣本）

醫(yī)療行業(yè)
案例：吸煙與膽固醇升高的分析（兩獨(dú)立樣本）
案例：減肥效果評(píng)估（兩配對(duì)樣本）

2、非參數(shù)檢驗(yàn)分析（樣本分布檢驗(yàn)）
問(wèn)題：這些屬性數(shù)據(jù)的分布情況如何？如何從數(shù)據(jù)分布中看出問(wèn)題？
非參數(shù)檢驗(yàn)概述
單樣本檢驗(yàn)
兩獨(dú)立樣本檢驗(yàn)
兩相關(guān)樣本檢驗(yàn)
兩配對(duì)樣本檢驗(yàn)
非參數(shù)檢驗(yàn)適用場(chǎng)景
案例：產(chǎn)品合格率檢驗(yàn)（單樣本-二項(xiàng)分布）
案例：訓(xùn)練新方法有效性檢驗(yàn)（兩配對(duì)樣本-符號(hào)/秩檢驗(yàn)）
案例：促銷方式效果檢驗(yàn)(多相關(guān)樣本-Friedman檢驗(yàn))
案例：客戶滿意度差異檢驗(yàn)(多相關(guān)樣本-Cochran Q檢驗(yàn))

結(jié)束：課程總結(jié)與問(wèn)題答疑。 

• 大數(shù)據(jù)及人工智能背景下消費(fèi)和小微信貸線上獲客、產(chǎn)品設(shè)計(jì)、風(fēng)控應(yīng)對(duì)策略

   

  第一部分：金融科技發(fā)展?fàn)顩r的介紹一、金融科技的現(xiàn)狀與發(fā)展趨勢(shì)（一）宏觀背景1、金融科技（支付寶人臉識(shí)別技術(shù)、APPLEPAY、虹膜技術(shù)、二維碼支付技術(shù)）2、利率市場(chǎng)化3、金融脫媒（二）移動(dòng)互聯(lián)技術(shù)的發(fā)展使互聯(lián)網(wǎng)金融成為可能1、移動(dòng)互聯(lián)網(wǎng)技術(shù)2、移動(dòng)支付技術(shù)3、H5、APP（三）互聯(lián)網(wǎng)金融對(duì)傳統(tǒng)銀行資產(chǎn)業(yè)務(wù)的顛覆和沖..

  ￥   元/ 天

  人氣：880  

  

• 大數(shù)據(jù)時(shí)代——提升患者管理，構(gòu)建專業(yè)藥房

   

  【課程導(dǎo)言】：移動(dòng)互聯(lián)時(shí)代下，實(shí)體門店面臨巨大的挑戰(zhàn)，同時(shí)也是一種機(jī)會(huì)。馬云說(shuō)：不是實(shí)體門店不行了，而是你的實(shí)體門店不行了。面臨新的沖擊實(shí)體店如何進(jìn)行創(chuàng)新，如何守住老陣地，如何利用新武器，這是所有實(shí)體連鎖共同面臨的問(wèn)題。課程從互聯(lián)網(wǎng)環(huán)境對(duì)我們的實(shí)體店挑戰(zhàn)和我們面臨的消費(fèi)者消費(fèi)習(xí)慣和方式的的變化入手，通過(guò)分析新零售良品鋪?zhàn)?，海瀾之家，名?chuàng)優(yōu)品的..

  ￥   元/ 天

  人氣：708  

  

• 電商互聯(lián)網(wǎng)大數(shù)據(jù)營(yíng)銷之落地實(shí)踐鐵律

   

  課程背景：未來(lái)人貨場(chǎng)一切數(shù)字化，數(shù)據(jù)將成為一種資源，沒(méi)有數(shù)據(jù)沒(méi)有未來(lái)，企業(yè)如何構(gòu)建自己的大數(shù)據(jù)未來(lái)？人工智能已經(jīng)來(lái)臨，人工智能在營(yíng)銷板塊的應(yīng)用本質(zhì)就是大數(shù)據(jù)營(yíng)銷！企業(yè)的ERP、CRM、報(bào)表等等僅僅是零散的死數(shù)據(jù)，如何激活流動(dòng)產(chǎn)生閉環(huán)，產(chǎn)生效益？經(jīng)驗(yàn)將成為負(fù)債，未來(lái)將利用數(shù)據(jù)產(chǎn)品規(guī)劃、定位、策劃、人群分析、活動(dòng)策劃，數(shù)據(jù)成為商業(yè)的起點(diǎn)！人為..

  ￥19,100   元/ 天

  人氣：1217  

  

• 電商互聯(lián)網(wǎng)智能商業(yè)：大數(shù)據(jù)營(yíng)銷分析與落地實(shí)踐

   

  課程背景：數(shù)據(jù)是未來(lái)企業(yè)唯一資源，大數(shù)據(jù)營(yíng)銷意味著高效、精準(zhǔn)、成本低、全自動(dòng)化，讓企業(yè)從人海戰(zhàn)、廣告戰(zhàn)、渠道戰(zhàn)的泥潭中拔出來(lái)為什么搜索廣告效果差了？為什么團(tuán)購(gòu)效果也差了？為什么傳統(tǒng)的用戶細(xì)分、STP在大數(shù)據(jù)提出的用戶畫像面前蒼白了？為什么獨(dú)角獸全靠增長(zhǎng)黑客模式崛起？企業(yè)未來(lái)如何搭建科學(xué)的大數(shù)據(jù)營(yíng)銷隊(duì)伍，建立科學(xué)的數(shù)字營(yíng)銷體！通過(guò)互動(dòng)獲取數(shù)據(jù)，..

  ￥19,100   元/ 天

  人氣：1527  

  

• 大數(shù)據(jù)基礎(chǔ)原理與應(yīng)用

   

  一、運(yùn)營(yíng)商網(wǎng)絡(luò)架構(gòu)和技術(shù)選擇1.運(yùn)營(yíng)商網(wǎng)絡(luò)架構(gòu)2.運(yùn)營(yíng)商業(yè)務(wù)類型3.接入網(wǎng)技術(shù)選擇4.不同業(yè)務(wù)的技術(shù)實(shí)現(xiàn)二、全業(yè)務(wù)運(yùn)營(yíng)技術(shù)實(shí)現(xiàn)1.集團(tuán)業(yè)務(wù)分類及特點(diǎn)2.集團(tuán)高等級(jí)業(yè)務(wù)特點(diǎn)及業(yè)務(wù)場(chǎng)景3.集團(tuán)低等級(jí)業(yè)務(wù)特點(diǎn)及業(yè)務(wù)場(chǎng)景4.集團(tuán)高、低等級(jí)業(yè)務(wù)要求及技術(shù)選擇5.數(shù)據(jù)專線業(yè)務(wù)及技術(shù)實(shí)現(xiàn)6.互聯(lián)網(wǎng)專線業(yè)務(wù)及技術(shù)實(shí)現(xiàn)7.集..

  ￥   元/ 天

  人氣：1029  

  

• 大數(shù)據(jù)、物聯(lián)網(wǎng)、云計(jì)算行業(yè)應(yīng)用及發(fā)展趨勢(shì)

   

  一、信息通信產(chǎn)業(yè)發(fā)展的背景和趨勢(shì)1、信息通信產(chǎn)業(yè)用戶現(xiàn)狀和發(fā)展趨勢(shì)2、國(guó)內(nèi)外信息化發(fā)展戰(zhàn)略3、中國(guó)信息化發(fā)展現(xiàn)狀和趨勢(shì)4、信息通信網(wǎng)絡(luò)發(fā)展趨勢(shì)5、電信業(yè)轉(zhuǎn)型新趨勢(shì)二、ICT前沿技術(shù)(一)云計(jì)算1、云計(jì)算發(fā)展的商業(yè)動(dòng)力與技術(shù)趨勢(shì)1.1云計(jì)算基本概念1.2云計(jì)算的商業(yè)動(dòng)力：企業(yè)ICT轉(zhuǎn)型1.3云計(jì)算特點(diǎn)..

  ￥   元/ 天

  人氣：1122