【培訓(xùn)對(duì)象】
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(duì)業(yè)務(wù)數(shù)據(jù)分析有較高要求的相關(guān)專(zhuān)業(yè)人員。

【培訓(xùn)收益】

第一部分：數(shù)據(jù)建?；具^(guò)程
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
屬性篩選：選擇對(duì)目標(biāo)變量有顯著影響的屬性來(lái)建模
訓(xùn)練模型：采用合適的算法對(duì)模型進(jìn)行訓(xùn)練，尋找到最合適的模型參數(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(mǎn)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
數(shù)值預(yù)測(cè)模型：回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等
分類(lèi)預(yù)測(cè)模型：邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等
市場(chǎng)細(xì)分：聚類(lèi)、RFM、PCA等
產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過(guò)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、屬性篩選/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(shù)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(guò)擬合評(píng)估
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
6、模型實(shí)現(xiàn)算法（暫略）
7、好模型是優(yōu)化出來(lái)的
案例：通信客戶(hù)流失分析及預(yù)警模型

第二部分：屬性篩選方法
問(wèn)題：如何選擇合適的屬性來(lái)進(jìn)行建模預(yù)測(cè)？
比如：價(jià)格是否可用于產(chǎn)品銷(xiāo)量的預(yù)測(cè)？套餐的合理性是否會(huì)影響客戶(hù)流失？在欺詐風(fēng)險(xiǎn)中有哪些數(shù)據(jù)會(huì)有異常表現(xiàn)？

1、屬性篩選/變量降維的常用方法
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
基于因子合并（如PCA分析）實(shí)現(xiàn)變量的合并
利用IV值篩選
基于信息增益來(lái)選擇屬性
2、相關(guān)分析（衡量變量間的線性相關(guān)性）
問(wèn)題：這兩個(gè)屬性是否會(huì)相互影響？影響程度大嗎？
相關(guān)分析簡(jiǎn)介
相關(guān)分析的三個(gè)種類(lèi)
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：體重與腰圍的關(guān)系
演練：營(yíng)銷(xiāo)費(fèi)用會(huì)影響銷(xiāo)售額嗎
演練：哪些因素與汽車(chē)銷(xiāo)量有相關(guān)性
演練：通信費(fèi)用與開(kāi)通月數(shù)的相關(guān)分析
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(lèi)別變量與數(shù)據(jù)變量的相關(guān)性)
問(wèn)題：哪些才是影響銷(xiāo)量的關(guān)鍵因素？
方差分析的應(yīng)用場(chǎng)景
方差分析的三個(gè)種類(lèi)
單因素方差分析
多因素方差分析
協(xié)方差分析
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：終端擺放位置與終端銷(xiāo)量有關(guān)嗎
演練：開(kāi)通月數(shù)對(duì)客戶(hù)流失的影響分析
演練：客戶(hù)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(xiāo)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(xiāo)量有影響嗎
演練：尋找影響產(chǎn)品銷(xiāo)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(xiāo)量的影響因素分析（多因素）
協(xié)方差分析原理
協(xié)方差分析的適用場(chǎng)景
演練：飼料對(duì)生豬體重的影響分析（協(xié)方差分析）
4、列聯(lián)分析/卡方檢驗(yàn)（兩類(lèi)別變量的相關(guān)性分析）
交叉表與列聯(lián)表
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(lèi)型對(duì)客戶(hù)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)性分析各種方法的適用場(chǎng)景
6、主成份分析（PCA）
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(hù)流失的主成分分析

第三部分：回歸預(yù)測(cè)模型篇
問(wèn)題：如何預(yù)測(cè)產(chǎn)品的銷(xiāo)量/銷(xiāo)售金額？如果產(chǎn)品跟隨季節(jié)性變動(dòng)，該如何預(yù)測(cè)？新產(chǎn)品上市，如果評(píng)估銷(xiāo)量上限及銷(xiāo)售增速？
1、常用的數(shù)值預(yù)測(cè)模型
回歸預(yù)測(cè)
時(shí)序預(yù)測(cè)
2、回歸預(yù)測(cè)/回歸分析
問(wèn)題：如何預(yù)測(cè)未來(lái)的銷(xiāo)售量（定量分析）？
回歸分析的基本原理和應(yīng)用場(chǎng)景
回歸分析的種類(lèi)（一元/多元、線性/曲線）
得到回歸方程的四種常用方法
Excel函數(shù)
散點(diǎn)圖+趨勢(shì)線
線性回歸工具
規(guī)范求解
線性回歸分析的五個(gè)步驟
回歸方程結(jié)果的解讀要點(diǎn)
評(píng)估回歸模型質(zhì)量的常用指標(biāo)
評(píng)估預(yù)測(cè)值的準(zhǔn)確度的常用指標(biāo)
演練：散點(diǎn)圖找推廣費(fèi)用與銷(xiāo)售額的關(guān)系（一元線性回歸）
演練：推廣費(fèi)用、辦公費(fèi)用與銷(xiāo)售額的關(guān)系（多元線性回歸）
演練：讓你的營(yíng)銷(xiāo)費(fèi)用預(yù)算更準(zhǔn)確
演練：如何選擇最佳的回歸預(yù)測(cè)模型（曲線回歸）
帶分類(lèi)變量的回歸預(yù)測(cè)
演練：汽車(chē)季度銷(xiāo)量預(yù)測(cè)
演練：工齡、性別與終端銷(xiāo)量的關(guān)系
演練：如何評(píng)估銷(xiāo)售目標(biāo)與資源配置（營(yíng)業(yè)廳）
3、自動(dòng)篩選不顯著自變量

第四部分：回歸預(yù)測(cè)模型優(yōu)化篇
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)：是否可以做回歸分析？
因素的顯著性檢驗(yàn)：自變量是否可用？
擬合優(yōu)度檢驗(yàn)：回歸模型的質(zhì)量評(píng)估？
理解標(biāo)準(zhǔn)誤差的含義：預(yù)測(cè)的準(zhǔn)確性？
2、回歸模型優(yōu)化思路：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）
如何剔除非顯著因素（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）
如何檢驗(yàn)誤差項(xiàng)（修改因變量）
如何判斷模型過(guò)擬合（模型過(guò)擬合判斷）
案例：模型優(yōu)化案例
3、規(guī)劃求解工具簡(jiǎn)介
4、自定義回歸模型（如何利用規(guī)劃求解進(jìn)行自定義模型）
案例：如何對(duì)餐廳客流量進(jìn)行建模及模型優(yōu)化
5、好模型都是優(yōu)化出來(lái)的
第五部分：分類(lèi)預(yù)測(cè)模型
問(wèn)題：如何評(píng)估客戶(hù)購(gòu)買(mǎi)產(chǎn)品的可能性？或者說(shuō)，影響客戶(hù)購(gòu)買(mǎi)意向的產(chǎn)品關(guān)鍵特性是什么？
1、分類(lèi)預(yù)測(cè)模型概述
2、常見(jiàn)分類(lèi)預(yù)測(cè)模型
3、評(píng)估分類(lèi)模型的常用指標(biāo)
正確率、查全率/查準(zhǔn)率、特異性等
4、邏輯回歸分析模型（LR）
問(wèn)題：如果評(píng)估用戶(hù)是否購(gòu)買(mǎi)產(chǎn)品的概率？
邏輯回歸模型原理及適用場(chǎng)景
邏輯回歸的種類(lèi)
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(lèi)自變量的邏輯回歸分析
多項(xiàng)邏輯回歸
案例：如何評(píng)估用戶(hù)是否會(huì)購(gòu)買(mǎi)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）
5、決策樹(shù)分類(lèi)（DT）
問(wèn)題：如何提取客戶(hù)流失者、拖欠貨款者的特征？如何預(yù)測(cè)其流失的概率？
決策樹(shù)分類(lèi)的原理
決策樹(shù)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
如何修剪決策樹(shù)
選擇最優(yōu)屬性
熵、基尼索引、分類(lèi)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)劃分點(diǎn)）
修剪決策樹(shù)
剪枝原則
預(yù)剪枝與后剪枝
構(gòu)建決策樹(shù)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(lèi)模型？
案例：識(shí)別銀行欠貨風(fēng)險(xiǎn)，提取欠貨者的特征
案例：客戶(hù)流失預(yù)警與客戶(hù)挽留模型
6、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)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(hù)拖欠貨款的概率
7、判別分析（DA）
判別分析原理
距離判別法
典型判別法
貝葉斯判別法
案例：MBA學(xué)生錄取判別分析
案例：上市公司類(lèi)別評(píng)估
8、最近鄰分類(lèi)（KNN）
基本原理
關(guān)鍵問(wèn)題
9、貝葉斯分類(lèi)（NBN）
貝葉斯分類(lèi)原理
計(jì)算類(lèi)別屬性的條件概率
估計(jì)連續(xù)屬性的條件概率
貝葉斯網(wǎng)絡(luò)種類(lèi)：TAN/馬爾科夫毯
預(yù)測(cè)分類(lèi)概率（計(jì)算概率）
案例：評(píng)估銀行用戶(hù)拖欠貨款的概率
10、支持向量機(jī)（SVM）
SVM基本原理
線性可分問(wèn)題：最大邊界超平面
線性不可分問(wèn)題：特征空間的轉(zhuǎn)換
維空難與核函數(shù)

第六部分：分類(lèi)模型優(yōu)化篇（集成方法）
1、集成方法的基本原理：利用弱分類(lèi)器構(gòu)建強(qiáng)分類(lèi)模型
選取多個(gè)數(shù)據(jù)集，構(gòu)建多個(gè)弱分類(lèi)器
多個(gè)弱分類(lèi)器投票決定
2、集成方法/元算法的種類(lèi)
Bagging算法
Boosting算法
3、Bagging原理
如何選擇數(shù)據(jù)集
如何進(jìn)行投票
隨機(jī)森林
4、Boosting的原理
AdaBoost算法流程
樣本選擇權(quán)重計(jì)算公式
分類(lèi)器投票權(quán)重計(jì)算公式

第七部分：時(shí)序預(yù)測(cè)模型
問(wèn)題：無(wú)法找到影響因素，無(wú)法回歸建模，怎么辦？隨著業(yè)務(wù)受季節(jié)性因素影響，未來(lái)的銷(xiāo)量如何預(yù)測(cè)？
1、時(shí)序序列簡(jiǎn)介
2、時(shí)序分析的原理及應(yīng)用場(chǎng)景
3、常見(jiàn)時(shí)序預(yù)測(cè)模型
1、評(píng)估預(yù)測(cè)值的準(zhǔn)確度指標(biāo)
平均絕對(duì)誤差MAD
均方差MSE/RMSE
平均誤差率MAPE
4、移動(dòng)平均
應(yīng)用場(chǎng)景及原理
移動(dòng)平均種類(lèi)
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
最佳期數(shù)N的選擇原則
最優(yōu)權(quán)重系數(shù)的選取原則
演練：平板電腦銷(xiāo)量預(yù)測(cè)及評(píng)估
演練：快銷(xiāo)產(chǎn)品季節(jié)銷(xiāo)量預(yù)測(cè)及評(píng)估
5、指數(shù)平滑
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(lèi)
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
6、溫特期季節(jié)性預(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(chē)銷(xiāo)量預(yù)測(cè)及評(píng)估
7、回歸季節(jié)預(yù)測(cè)模型
季節(jié)性回歸模型的參數(shù)
基于時(shí)期t的相加模型
基于時(shí)期t的相乘模型
怎樣解讀模型的含義
案例：美國(guó)航空旅客里程的季節(jié)性趨勢(shì)分析
8、新產(chǎn)品預(yù)測(cè)模型與S曲線
新產(chǎn)品累計(jì)銷(xiāo)量的S曲線模型
如何評(píng)估銷(xiāo)量增長(zhǎng)的上限以及拐點(diǎn)
珀?duì)柷€與龔鉑茲曲線
案例：如何預(yù)測(cè)產(chǎn)品的銷(xiāo)售增長(zhǎng)拐點(diǎn)，以及銷(xiāo)量上限
演戲：預(yù)測(cè)IPad產(chǎn)品的銷(xiāo)量
第八部分：銀行信用評(píng)分卡模型
1、信用評(píng)分卡模型簡(jiǎn)介
2、評(píng)分卡的關(guān)鍵問(wèn)題
3、信用評(píng)分卡建立過(guò)程
篩選重要屬性
數(shù)據(jù)集轉(zhuǎn)化
建立分類(lèi)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(lèi)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(huà)K-S曲線
計(jì)算K-S值
獲取最優(yōu)閾值

第九部分：實(shí)戰(zhàn)篇(電信業(yè)客戶(hù)流失分析模型)
1、商業(yè)理解
業(yè)務(wù)背景
如何定義流失
2、分析思路
流失客戶(hù)的典型特征是什么？
預(yù)測(cè)哪些高價(jià)值客戶(hù)可能會(huì)流失？
市場(chǎng)挽留的預(yù)計(jì)收益是多少？
3、數(shù)據(jù)收集
客戶(hù)基本信息
客戶(hù)行為數(shù)據(jù)
客戶(hù)交互數(shù)據(jù)
客戶(hù)態(tài)度數(shù)據(jù)
4、數(shù)據(jù)預(yù)處理
變量衍生（數(shù)據(jù)波動(dòng)）
探索性分析
屬性篩選
5、數(shù)據(jù)建模
如何選擇模型
聚類(lèi)
決策樹(shù)或神經(jīng)網(wǎng)絡(luò)
模型評(píng)估
6、模型應(yīng)用

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(zhuān)業(yè)藥房

   

  【課程導(dǎo)言】：移動(dòng)互聯(lián)時(shí)代下，實(shí)體門(mén)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(mén)店不行了，而是你的實(shí)體門(mén)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(xiāo)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(xiāo)板塊的應(yīng)用本質(zhì)就是大數(shù)據(jù)營(yíng)銷(xiāo)！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(xiāo)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(xiāo)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(hù)細(xì)分、STP在大數(shù)據(jù)提出的用戶(hù)畫(huà)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(xiāo)隊(duì)伍，建立科學(xué)的數(shù)字營(yíng)銷(xiāo)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(lèi)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(lèi)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(zhuān)線業(yè)務(wù)及技術(shù)實(shí)現(xiàn)6.互聯(lián)網(wǎng)專(zhuān)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(hù)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