本课程为针对金融行业的大数据分析实战课程。
围绕金融行业常见的业务问题，利用大数据的思维方式，重塑解决业务问题的新思维和新方法。内容由浅入深，从数据统计到数据分析，再到数据挖掘；从描述性分析，到相关性分析，再到预测分析，实现对业务的过去、现在和未来的全面系统地分析与挖掘。
本课程覆盖了如下内容：
1、数据分析的核心理念，数据分析的基础。
2、数据分析过程，数据分析方法，数据分析思路。
3、高级数据分析与挖掘模型（影响因素分析、数值预测、分类预测、市场细分、客户价值评估、精准推荐、产品设计、产品定价等）。
本课程从实际的业务需求出发，结合行业的典型应用特点，围绕实际的商业问题，对数据分析及数据挖掘技术进行了全面的介绍（从数据收集与处理，到数据分析与挖掘，再到数据可视化和报告撰写），通过大量的操作演练，帮助学员掌握数据分析和数据挖掘的思路、方法、表达、工具，从大量的企业经营数据中进行分析，挖掘客户行为特点，帮助运营团队深入理解业务运作，以达到提升学员的数据综合分析能力，支撑运营决策的目的。

1、了解数据分析基础知识，掌握数据分析的基本过程。
2、学会数据分析的框架和思路，掌握常用数据分析方法来分析问题。
3、熟悉数据分析的基本过程，掌握高级数据分析工具库操作。
4、熟练掌握常用的数据挖掘方法，用来解决常见的业务问题（如市场细分、客户行为预测，交叉销售等等）

第一部分：金融行业的大数据
1、数据驱动成为银行发展的新动力
2、大数据在银行业的应用
营销支持
风险管控
精细化管理
决策支持
3、银行大数据应用案例
信贷风险控制
差异化产品营销
客户兴趣与客户细分
个人信用评估
4、大数据在各银行的应用
中信银行，以客户为上帝
民生银行大数据战略
青岛银行提升运营能力
5、大数据应用系统的四层结构
数据基础层
数据模型层
业务模型层
业务应用层

第二部分：大数据的核心理念
问题：大数据的核心价值是什么？大数据是怎样用于业务决策？
1、大数据时代：你缺的不是一堆方法，而是大数据思维
2、大数据是探索事物发展和变化规律的工具
3、一切不以解决业务问题为导向的大数据都是耍流氓
4、大数据的核心能力
发现业务运行规律及问题
探索业务未来发展趋势
5、从案例看大数据的核心本质
用趋势图来探索产品销量规律
从谷歌的GFT产品探索用户需求变化
从美国总统竞选看大数据对选民行为进行分析
从大数据炒股看大数据如何探索因素的相关性
6、认识大数据分析
什么是数据分析
数据分析的三大作用
常用分析的三大类别
案例：喜欢赚“差价”的营业员（用数据管理来识别）
7、数据分析需要什么样的能力
懂业务、懂管理、懂分析、懂工具、懂呈现
8、大数据应用系统的四层结构
数据基础层、数据模型层、业务模型层、业务应用层
9、大数据分析的两大核心理念
10、大数据分析面临的常见问题
不知道分析什么（分析目的不明确）
不知道怎样分析（缺少分析方法）
不知道收集什么样的数据（业务理解不足）
不知道下一步怎么做（不了解分析过程）
看不懂数据表达的意思（数据解读能力差）
担心分析不够全面（分析思路不系统）

第三部分：数据分析基本过程
1、数据分析的六步曲
2、步骤1：明确目的--理清思路
确定分析目的：要解决什么样的业务问题
确定分析思路：分解业务问题，构建分析框架
3、步骤2：数据收集—理清思路
明确收集数据范围
确定收集来源
确定收集方法
4、步骤3：数据预处理—寻找答案
数据质量评估
数据清洗、数据处理和变量处理
探索性分析
5、步骤4：数据分析--寻找答案
选择合适的分析方法
构建合适的分析模型
选择合适的分析工具
6、步骤5：数据展示--观点表达
选择恰当的图表
选择合适的可视化工具
7、步骤6：报表撰写--观点表达
选择报告种类
完整的报告结构
8、数据分析的三大误区
演练：如何用大数据来支撑产品精准营销项目

第四部分：统计分析方法篇
问题：数据分析有什么方法可依?不同的方法适用解决什么样的问题？
1、数据分析方法的层次
基本分析法（对比/分组/结构/趋势/…）
综合分析法（交叉/综合评价/杜邦/漏斗/…）
高级分析法（相关/方差/验证/回归/时序/…）
数据挖掘法（聚类/分类/关联/RFM模型/…）
2、统计分析常用指标
计数、求和、百分比（增跌幅）
集中程度：均值、中位数、众数
离散程度：极差、方差/标准差
分布形态：偏度、峰度
3、基本分析方法及其适用场景
对比分析（查看数据差距）
演练：评估不同类型客户的存款偏好
演练：如何找到消费能力强的用户
分组分析（查看数据分布）
演练：银行用户消费层次分析（银行）
演练：呼叫中心接听电话效率分析（呼叫中心）
演练：客服中心科学排班人数需求分析（客服中心）
结构分析（评估事物构成）
案例：银行用户市场占比结构分析
案例：用户构成分析、用户收入结构分析
案例：动态结构分析
趋势分析（发现变化规律）
案例：银行ATM柜员机现金管理分析（银行）
案例：理财产品销量的淡旺季分析
演练：发现产品销售的时间规律
交叉分析（多维数据分析）
演练：用户分布多维分析
演练：不同区域的理财产品偏好分析
演练：不同教育水平的理财产品偏好分析
4、最合适的分析方法才是硬道理。

第五部分：数据分析思路篇
问题：数据分析思路是怎样的？如何才能全面/系统地分析而不遗漏？
1、数据分析的思路
从KPI指标开始
从营销/管理模型开始
2、常用分析思路模型
3、企业外部环境分析（PEST分析法）
案例：行业外部环境分析
4、用户消费行为分析（5W2H分析法）
案例：用户购买行为分析（5W2H）
5、公司整体经营情况分析（4P营销理论）
6、业务问题专题分析（逻辑树分析法）
案例：用户增长缓慢分析
7、用户使用行为研究（用户使用行为分析法）
案例：产品销售流程优化分析

第六部分：影响因素分析篇
问题：如何判断一个因素对另一个因素有影响？
风险控制的关键因素有哪些？营销费用是否会影响销售额？产品价格是否会影响销量？产品的陈列位置/营销渠道方式是否会影响产品销量？
1、影响因素分析的常见方法
2、相关分析（衡量变量间的的相关性）
什么是相关关系
相关系数：衡量相关程度的指标
相关系数的三个计算公式
相关分析的假设检验
相关分析的基本步骤
相关分析应用场景
演练：营销费用会影响销售额吗？
演练：哪些因素与理财产品销量有相关性？
偏相关分析
偏相关系数的计算公式
偏相关分析的适用场景
距离相关分析
3、方差分析
问题：哪些才是影响销量的关键因素？
方差分析解决什么问题
方差分析种类：单因素/双因素/协方差分析
方差分析的应用场景
方差分析的原理与步骤
如何解决方差分析结果
演练：营销渠道与产品销量有关吗？
演练：客户学历对消费水平的影响分析
演练：广告形式和价格是影响产品销量的关键因素吗
演练：营业员的性别、技能级别对产品销量有影响吗？
演练：寻找导致产品销售额下降的关键因素
多因素方差分析原理
多因素方差结果的解读
演练：广告形式、渠道对销量的影响因素分析（多因素）
演练：如何判断是否还有因素在影响销量？
协方差分析原理
4、列联分析（两类别变量的相关性分析）
交叉表与列联表
卡方检验的原理
卡方检验的几个计算公式
列联表分析的适用场景
案例：业务类型对客户流失的影响分析
案例：学历对理财产品偏好的影响分析
案例：行业/规模对风控的影响分析

第七部分：数值预测模型篇
问题：如何预测产品的销量/销售金额？
1、销量预测与市场预测——让你看得更远
2、回归预测/回归分析
问题：如何预测未来的销售量（定量分析）？
回归分析的基本原理和应用场景
回归分析的种类（一元/多元、线性/曲线）
得到回归方程的几种常用方法
回归分析的五个步骤与结果解读
回归预测结果评估（如何评估预测质量，如何选择最佳回归模型）
演练：散点图找到推广费用与销售额的关系（一元线性回归）
演练：推广费用、办公费用与销售额的关系（多元线性回归）
演练：让你的营销费用预算更准确
演练：如何选择最佳的回归预测模型（曲线回归）
带分类变量的回归预测
演练：产品季度销量预测
演练：工龄、性别与产品销量的关系
演练：如何评估销售目标与资源配置
3、时序预测
问题：随着时间变化，未来的销量变化趋势如何？
时序分析的应用场景（基于时间的变化规律）
移动平均MA的预测原理
指数平滑ES的预测原理
自回归移动平均ARIMA模型
如何评估预测值的准确性？
案例：销售额的时序预测及评估
演练：产品销量预测及评估
演练：上海证券交易所综合指数收益率序列分析
4、季节性预测模型
季节性回归模型的参数
常用季节性预测模型（相加、相乘）
怎样解读模型的含义
案例：美国航空旅客里程的季节性趋势分析
案例：产品销售季节性趋势预测分析
5、新产品预测模型与S曲线
如何评估销量增长的拐点
珀尔曲线与龚铂兹曲线
案例：如何预测产品的销售增长拐点，以及销量上限
演练：预测IPad产品的销量

第八部分：回归模型优化篇
1、回归模型的基本原理
三个基本概念：总变差、回归变差、剩余变差
方程的显著性检验：是否可以做回归分析？
拟合优度检验：回归模型的质量评估？
因素的显著性检验：自变量是否可用？
理解标准误差的含义：预测的准确性？
2、模型优化思路：寻找最佳回归拟合线
如何处理异常数据（残差与异常值排除）
如何剔除非显著因素（因素显著性检验）
如何进行非线性关系检验
如何进行相互作用检验
如何进行多重共线性检验
如何检验误差项
如何判断模型过拟合
案例：模型优化案例
6、自定义模型（如何利用规划求解进行自定义模型）
案例：如何对营业厅客流量进行建模及模型优化

第九部分：分类预测模型篇
问题：如何评估客户购买产品的可能性？或者说，影响客户购买意向的产品关键特性是什么？
1、分类模型概述
2、常见分类预测模型
3、逻辑回归模型
逻辑回归模型原理及适用场景
逻辑回归种类：二元/多元逻辑回归
如何解读逻辑回归方程
案例：如何评估用户是否会购买某产品（二元逻辑）
消费者品牌选择模型分析
案例：品牌选择模型分析，你的品牌适合哪些人群？（多元逻辑）
4、分类决策树
问题：如何预测客户行为？如何识别潜在客户？
风控：如何识别欠贷者的特征，以及预测欠贷概率？
客户保有：如何识别流失客户特征，以及预测客户流失概率？
决策树分类简介
如何评估分类性能？
案例：美国零售商（Target）如何预测少女怀孕
演练：识别银行欠货风险，提取欠贷者的特征
构建决策树的三个关键问题
如何选择最佳属性来构建节点
如何分裂变量
修剪决策树
选择最优属性
熵、基尼索引、分类错误
属性划分增益
如何分裂变量
多元划分与二元划分
连续变量离散化（最优划分点）
修剪决策树
剪枝原则
预剪枝与后剪枝
构建决策树的四个算法
C5.0、CHAID、CART、QUEST
各种算法的比较
如何选择最优分类模型？
案例：客户流失预警与客户挽留模型
案例：识别拖欠银行货款者的特征，避免不良货款
5、基于规则的分类
基于规则分类原理介绍
评估规则的质量
构建分类规则：顺序覆盖法
规则增长策略
6、最近邻分类（KNN）
7、贝叶斯分类（NBN）
贝叶斯分类原理
计算类别属性的条件概率
估计连续属性的条件概率
贝叶斯网络种类：TAN/马尔科夫毯
预测分类概率（计算概率）
案例：评估银行用户拖欠货款的概率
8、人工神经网络（ANN）
神经网络概述
神经网络基本原理
神经网络的结构
神经网络的建立步骤
神经网络的关键问题
BP反向传播网络（MLP）
径向基网络（RBF）
案例：评估银行用户拖欠货款的概率
9、支持向量机（SVM）
SVM基本原理
线性可分问题：最大边界超平面
线性不可分问题：特征空间的转换
维空难与核函数
10、判别分析
判别分析原理
距离判别法
典型判别法
贝叶斯判别法

第十部分：分类模型优化（集成方法）
1、集成方法的基本原理：利用弱分类器构建强分类模型
选取多个数据集，构建多个弱分类器
多个弱分类器投票决定
2、集成方法/元算法的种类
Bagging算法
Boosting算法
3、Bagging原理
如何选择数据集
如何进行投票
随机森林
4、Boosting的原理
AdaBoost算法流程
样本选择权重计算公式
分类器投票权重计算公式

第十一部分：市场细分模型篇
问题：我们的客户有几类？各类特征是什么？如何实现客户细分，开发符合细分市场的新产品？如何提取客户特征，从而对产品进行市场定位？
1、市场细分的常用方法
有指导细分
无指导细分
2、聚类分析
如何更好的了解客户群体和市场细分？
如何识别客户群体特征？
如何确定客户要分成多少适当的类别？
聚类方法原理介绍
聚类方法作用及其适用场景
聚类分析的种类
K均值聚类（快速聚类）
案例：移动三大品牌细分市场合适吗？
演练：宝洁公司如何选择新产品试销区域？
演练：如何评选优秀员工？
演练：中国各省份发达程度分析，让数据自动聚类
层次聚类（系统聚类）：发现多个类别
R型聚类与Q型聚类的区别
案例：中移动如何实现客户细分及营销策略
演练：中国省市经济发展情况分析（Q型聚类）
演练：裁判评分的标准衡量，避免“黑哨”（R型聚类）
两步聚类
3、RFM客户细分模型（详见客户价值评估部分）
4、主成分分析
主成分分析方法介绍
主成分分析基本思想
主成分分析步骤
案例：如何评估产品购买者的客户细分市场
第十二部分：数据预处理过程
1、数据预处理的主要任务
数据集成：多个数据集的合并
数据清理：异常值的处理
数据处理：数据筛选、数据精简、数据平衡
变量处理：变量变换、变量派生、变量精简
数据归约：实现降维，避免维灾难
2、数据集成
外部数据读入：Txt/Excel/SPSS/Database
数据追加（添加数据）
变量合并（添加变量）
3、数据理解（异常数据处理）
取值范围限定
重复值处理
无效值/错误值处理
缺失值处理
离群值/极端值处理
数据质量评估
4、数据准备：数据处理
数据筛选：数据抽样/选择（减少样本数量）
数据精简：数据分段/离散化（减少变量的取值个数）
数据平衡：正反样本比例均衡
5、数据准备：变量处理
变量变换：原变量取值更新，比如标准化
变量派生：根据旧变量生成新的变量
变量精简：降维，减少变量个数
6、数据降维
常用降维的方法
如何确定变量个数
特征选择：选择重要变量，剔除不重要的变量
从变量本身考虑
从输入变量与目标变量的相关性考虑
对输入变量进行合并
因子分析（主成分分析）
因子分析的原理
因子个数如何选择
如何解读因子含义
案例：提取影响电信客户流失的主成分分析
7、数据探索性分析
常用统计指标分析
单变量：数值变量/分类变量
双变量：交叉分析/相关性分析
多变量：特征选择、因子分析
演练：描述性分析（频数、描述、探索、分类汇总）
8、数据可视化
数据可视化：柱状图、条形图、饼图、折线图、箱图、散点图等
图形的表达及适用场景
演练：各种图形绘制

第十三部分：产品推荐模型篇
问题：购买A产品的顾客还常常要购买其他什么产品？应该给客户推荐什么产品最有可能被接受？
1、常用产品推荐模型
2、关联分析
如何制定套餐，实现交叉/捆绑销售
案例：啤酒与尿布、飓风与蛋挞
关联分析模型原理（Association）
关联规则的两个关键参数
支持度
置信度
关联分析的适用场景
案例：购物篮分析与产品捆绑销售/布局优化
案例：理财产品的交叉销售与产品推荐
如何提取关联规则（关联分析的算法）
Apriori算法
FP-Growth算法
3、协同过滤

第十四部分：客户价值分析
营销问题：如何评估客户的价值？不同的价值客户有何区别对待？
1、如何评价客户生命周期的价值
贴现率与留存率
评估客户的真实价值
使用双向表衡量属性敏感度
变化的边际利润
案例：评估营销行为的合理性
2、RFM模型（客户价值评估）
RFM模型，更深入了解你的客户价值
RFM模型与市场策略
RFM模型与活跃度分析
案例：客户价值评估与促销名单
案例：重购用户特征分析

第十五部分：产品设计与优化
1、联合分析法
如何指导产品开发？
如何确定产品的重要特性
2、离散选择模型
如何评估客户购买产品的概率
竞争下的产品动态调价
如何评估产品的价格弹性
案例：产品开发应该重视哪些功能特性？
案例：品牌价值与价格敏感度分析
案例：纳什均衡价格
3、品牌价值评估
4、新产品市场占有率评估
第十六部分：定价策略分析
营销问题：产品如何实现最优定价？套餐价格如何确定？采用哪些定价策略可达到利润最大化？
1、常见的定价方法
2、产品定价的理论依据
需求曲线与利润最大化
如何求解最优定价
案例：产品最优定价求解
3、如何评估需求曲线
价格弹性
曲线方程（线性、乘幂）
4、如何做产品组合定价
5、如何做产品捆绑/套餐定价
最大收益定价（演进规划求解）
避免价格反转的套餐定价
案例：电信公司的宽带、IPTV、移动电话套餐定价
6、非线性定价原理
要理解支付意愿曲线
支付意愿曲线与需求曲线的异同
案例：双重收费如何定价（如会费+按次计费）
7、阶梯定价策略
案例：如何做阶梯定价
8、数量折扣定价策略
案例：如何通过折扣来实现薄利多销
9、定价策略的评估与选择
案例：公司如何选择最优定价策略

结束：课程总结与问题答疑。