- 互聯(lián)網(wǎng)大數(shù)據(jù)時(shí)代的商業(yè)模式創(chuàng)新思維
- 大數(shù)據(jù)征管背景下建筑房地產(chǎn)企業(yè)利益最
- 大數(shù)據(jù)背景下如何利用金三管控增值稅發(fā)
- 大數(shù)據(jù)時(shí)代流程管理與高效協(xié)同
- 大數(shù)據(jù)時(shí)代的銷售行為管理—精細(xì)化銷售
- 大數(shù)據(jù)時(shí)代的銷售行為管理-精細(xì)化銷售
- 大數(shù)據(jù)征管背景下建筑房地產(chǎn)企業(yè)營改增
- 互聯(lián)網(wǎng)+之基于大數(shù)據(jù)的經(jīng)營決策
- 互聯(lián)網(wǎng)創(chuàng)新思維與大數(shù)據(jù)應(yīng)用
- 大數(shù)據(jù)市場營銷-如何利用大數(shù)據(jù)為市場
- 服裝銷售技巧培訓(xùn)
- 家居行業(yè)家具銷售技巧培訓(xùn)
- 汽車4S店銷售技巧培訓(xùn)
- 銀行大堂經(jīng)理服務(wù)禮儀培訓(xùn)
- 專業(yè)奢侈品培訓(xùn)
- 員工職業(yè)禮儀培訓(xùn)
- 銀行新員工培訓(xùn)
- 理財(cái)經(jīng)理培訓(xùn)方案
- 管理培訓(xùn):計(jì)劃與目標(biāo)管理
- TTT-KCI培訓(xùn)師專業(yè)發(fā)展勝任力
大數(shù)據(jù)建模與模型優(yōu)化實(shí)戰(zhàn)培訓(xùn)
課程編號:32159
課程價(jià)格:¥26000/天
課程時(shí)長:3 天
課程人氣:348
- 課程說明
- 講師介紹
- 選擇同類課
業(yè)務(wù)支撐、網(wǎng)絡(luò)中心、IT系統(tǒng)部、數(shù)據(jù)分析部等對業(yè)務(wù)數(shù)據(jù)分析有較高要求的相關(guān)專業(yè)人員。
【培訓(xùn)收益】
第一部分:數(shù)據(jù)建模流程
1、預(yù)測建模六步法
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:采用合適的算法對模型進(jìn)行訓(xùn)練,尋找到最優(yōu)參數(shù)
評估模型:進(jìn)行評估模型的質(zhì)量,判斷模型是否可用
優(yōu)化模型:如果評估結(jié)果不理想,則需要對模型進(jìn)行優(yōu)化
應(yīng)用模型:如果評估結(jié)果滿足要求,則可應(yīng)用模型于業(yè)務(wù)場景
2、數(shù)據(jù)挖掘常用的模型
定量預(yù)測模型:回歸預(yù)測、時(shí)序預(yù)測等
定性預(yù)測模型: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(評分卡使用)
基于信息增益判斷(決策樹使用)
4、模型評估
模型質(zhì)量評估指標(biāo):R^2、正確率/查全率/查準(zhǔn)率/特異性等
預(yù)測值評估指標(biāo):MAD、MSE/RMSE、MAPE、概率等
模型評估方法:留出法、K拆交叉驗(yàn)證、自助法等
其它評估:過擬合評估、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)測模型介紹
時(shí)序預(yù)測模型
回歸預(yù)測模型
分類預(yù)測模型
第二部分:建模特征工程
問題:如何選擇合適的屬性/特征來建模呢?選擇的依據(jù)是什么?比如價(jià)格是否可用于產(chǎn)品銷量預(yù)測?
1、數(shù)據(jù)預(yù)處理vs特征工程
2、特征工程處理內(nèi)容
變量變換
變量派生
變量精簡(特征選擇、因子合并)
類型轉(zhuǎn)換
3、特征選擇常用方法
相關(guān)分析、方差分析、卡方檢驗(yàn)
4、相關(guān)分析(衡量兩數(shù)據(jù)型變量的線性相關(guān)性)
相關(guān)分析簡介
相關(guān)分析的應(yīng)用場景
相關(guān)分析的種類
簡單相關(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:營銷費(fèi)用會影響銷售額嗎?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)分析的適用場景
距離相關(guān)分析
5、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:營業(yè)員的性別、技能級別對產(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)方差分析的適用場景
演練:排除產(chǎn)品價(jià)格,收入對銷量有影響嗎?
6、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)表分析的適用場景
案例:套餐類型對客戶流失的影響分析
案例:學(xué)歷對業(yè)務(wù)套餐偏好的影響分析
案例:行業(yè)/規(guī)模對風(fēng)控的影響分析
第三部分:線性回歸模型
營銷問題:如何預(yù)測未來的產(chǎn)品銷量/銷售額?如果產(chǎn)品跟隨季節(jié)性變動,該如何預(yù)測?
1、回歸分析簡介和原理
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)測模型評估
質(zhì)量評估指標(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)測模型(一元曲線回歸)
7、帶分類自變量的回歸預(yù)測
演練:汽車季度銷量預(yù)測
演練:工齡、性別與終端銷量的關(guān)系
演練:如何評估銷售目標(biāo)與資源最佳配置
8、自動篩選不顯著因素(自變量)
第四部分: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)化出來的
第五部分:自定義回歸模型
1、回歸建模的本質(zhì)
2、規(guī)劃求解工具簡介
3、自定義回歸模型
案例:如何對客流量進(jìn)行建模預(yù)測及模型優(yōu)化
4、回歸季節(jié)預(yù)測模型模型
回歸季節(jié)模型的原理及應(yīng)用場景
加法季節(jié)模型
乘法季節(jié)模型
模型解讀
案例:美國航空旅客里程的季節(jié)性趨勢分析
5、新產(chǎn)品累計(jì)銷量的S曲線
S曲線模型的應(yīng)用場景(最大累計(jì)銷量及銷量增長的拐點(diǎn))
珀?duì)柷€
龔鉑茲曲線
案例:如何預(yù)測產(chǎn)品的銷售增長拐點(diǎn),以及銷量上限
演練:預(yù)測IPad產(chǎn)品的銷量
第六部分:定量模型評估
1、定量預(yù)測模型的評估
方程顯著性評估
因素顯著性評估
擬合優(yōu)度的評估
估計(jì)標(biāo)準(zhǔn)誤差評估
預(yù)測值準(zhǔn)確度評估
2、模型擬合度評估
判定系數(shù):
調(diào)整判定系數(shù):
3、預(yù)測值準(zhǔn)確度評估
平均絕對誤差:MAE
根均方差:RMSE
平均誤差率:MAPE
4、其它評估:殘差檢驗(yàn)、過擬合檢驗(yàn)
第七部分:時(shí)序預(yù)測模型
營銷問題:像利率/CPI/GDP等按時(shí)序變化的指標(biāo)如何預(yù)測?當(dāng)銷量隨季節(jié)周期變動時(shí)該如何預(yù)測?
1、回歸預(yù)測vs時(shí)序預(yù)測
2、因素分解思想
3、時(shí)序預(yù)測常用模型
趨勢擬合
季節(jié)擬合
平均序列擬合
4、評估預(yù)測值的準(zhǔn)確度指標(biāo):MAD、RMSE、MAPE
5、移動平均(MA)
應(yīng)用場景及原理
移動平均種類
一次移動平均
二次移動平均
加權(quán)移動平均
移動平均比率法
移動平均關(guān)鍵問題
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)測及評估
演練:快銷產(chǎn)品季節(jié)銷量預(yù)測及評估
6、指數(shù)平滑(ES)
應(yīng)用場景及原理
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
演練:航空旅客量預(yù)測及評估
7、溫特斯季節(jié)預(yù)測模型
適用場景及原理
Holt-Winters加法模型
Holt-Winters乘法模型
演練:汽車銷量預(yù)測及評估
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)移動模型
ARMA(p,q)自回歸移動模型
模型的識別與定階
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)性趨勢預(yù)測分析
平穩(wěn)序列的建模流程
第八部分:分類預(yù)測模型
問題:如何評估客戶購買產(chǎn)品的可能性?如何預(yù)測客戶的購買行為?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)用場景
2、常見分類預(yù)測模型
3、邏輯回歸(LR)
邏輯回歸的適用場景
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:如何評估用戶是否會購買某產(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)測客戶行為?如何識別潛在客戶?
風(fēng)控:如何識別欠貸者的特征,以及預(yù)測欠貸概率?
客戶保有:如何識別流失客戶特征,以及預(yù)測客戶流失概率?
決策樹分類簡介
案例:美國零售商(Target)如何預(yù)測少女懷孕
演練:識別銀行欠貨風(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
如何選擇最佳屬性來構(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
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:識別拖欠銀行貨款者的特征,避免不良貨款
案例:識別電信詐騙者嘴臉,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)測分類概率(計(jì)算概率)
拉普拉斯修正
案例:評估銀行用戶拖欠貨款的概率
第九部分:定性模型評估
1、模型的評估指標(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:
ROC曲線和AUC
PR曲線和BEP
KS曲線和KS值
2、模型的評估方法
原始評估法
留出法(Hold-Out)
交叉驗(yàn)證法(k-fold cross validation)
自助采樣法(Bootstrapping)
第十部分:模型集成優(yōu)化
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
6、其它高級集成算法:GBDT,XGBoost等
結(jié)束:課程總結(jié)與問題答疑。
-
低成本智能自動化技能實(shí)戰(zhàn)培訓(xùn)
課程特色全面:從無動力到有動力裝置的LCIA,從基礎(chǔ)到精細(xì)化LCIA再到手元化等高級LCIA;治具類、操作類、搬運(yùn)類、品質(zhì)類等等,一應(yīng)俱全;實(shí)操:學(xué)員在道場內(nèi)親自設(shè)計(jì)、動手制作,全情體驗(yàn)(拉線、自重、杠桿等原理的巧妙設(shè)計(jì));案例:各種類型LCIA的視頻案例,如何建設(shè)LCIA道場LCIA模擬,茅塞頓開;系統(tǒng):從單個(gè)LCIA“點(diǎn)&..
-
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(一)宏觀背景1、金融科技(支付寶人臉識別技術(shù)、APPLEPAY、虹膜技術(shù)、二維碼支付技術(shù))2、利率市場化3、金融脫媒(二)移動互聯(lián)技術(shù)的發(fā)展使互聯(lián)網(wǎng)金融成為可能1、移動互聯(lián)網(wǎng)技術(shù)2、移動支付技術(shù)3、H5、APP(三)互聯(lián)網(wǎng)金融對傳統(tǒng)銀行資產(chǎn)業(yè)務(wù)的顛覆和沖..
-
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。馬云說: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題。課程從互聯(lián)網(wǎng)環(huán)境對我們的實(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,通過分析新零售良品鋪?zhàn)?,海瀾之家,名?chuàng)優(yōu)品的..
-
電商互聯(lián)網(wǎng)大數(shù)據(jù)營銷之落地實(shí)踐鐵律
課程背景:未來人貨場一切數(shù)字化,數(shù)據(jù)將成為一種資源,沒有數(shù)據(jù)沒有未來,企業(yè)如何構(gòu)建自己的大數(shù)據(jù)未來?人工智能已經(jīng)來臨,人工智能在營銷板塊的應(yīng)用本質(zhì)就是大數(shù)據(jù)營銷!企業(yè)的ERP、CRM、報(bào)表等等僅僅是零散的死數(shù)據(jù),如何激活流動產(chǎn)生閉環(huán),產(chǎn)生效益?經(jīng)驗(yàn)將成為負(fù)債,未來將利用數(shù)據(jù)產(chǎn)品規(guī)劃、定位、策劃、人群分析、活動策劃,數(shù)據(jù)成為商業(yè)的起點(diǎn)!人為..
-
電商互聯(lián)網(wǎng)智能商業(yè):大數(shù)據(jù)營銷分析與落地實(shí)踐
課程背景:數(shù)據(jù)是未來企業(yè)唯一資源,大數(shù)據(jù)營銷意味著高效、精準(zhǔn)、成本低、全自動化,讓企業(yè)從人海戰(zhàn)、廣告戰(zhàn)、渠道戰(zhàn)的泥潭中拔出來為什么搜索廣告效果差了?為什么團(tuán)購效果也差了?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)角獸全靠增長黑客模式崛起?企業(yè)未來如何搭建科學(xué)的大數(shù)據(jù)營銷隊(duì)伍,建立科學(xué)的數(shù)字營銷體!通過互動獲取數(shù)據(jù),..
-
大數(shù)據(jù)基礎(chǔ)原理與應(yīng)用
一、運(yùn)營商網(wǎng)絡(luò)架構(gòu)和技術(shù)選擇1.運(yùn)營商網(wǎng)絡(luò)架構(gòu)2.運(yùn)營商業(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)高等級業(yè)務(wù)特點(diǎn)及業(yè)務(wù)場景3.集團(tuán)低等級業(yè)務(wù)特點(diǎn)及業(yè)務(wù)場景4.集團(tuán)高、低等級業(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..