新浪博客

大数据挖掘工具:SPSSStatistics入门与提高

2023-11-14 15:06阅读:
大数据挖掘工具: SPSS Statistics入门与提高
【课程目标】
本课程为数据分析和挖掘的工具篇,本课程面向数据分析部等专门负责数据分析与挖掘的人士,专注大数据挖掘工具SPSS Statistics的培训。
IBM SPSS工具是面向非专业人士的高级的分析工具(挖掘工具),它提供大量的分析方法和分析模型,能够解决更复杂的业务问题,比如影响因素分析、客户行为预测/精准营销、客户群划分、产品交叉销售、产品销量预测等等。工具它封装了复杂难懂的算法实现,即使你没有深厚的技能能力,也能够胜任复杂的数据分析和挖掘。

本课程从实际的业务需求出发,对数据分析及数据挖掘技术进行了全面的介绍,将数据挖掘标准流程、分析思路、分析方法、分析模型,全部落地在SPSS工具中,通过大量的工具操作和演练,帮助学员熟练掌握SPSS工具的使用,并能够将SPSS工具在实际的业务数据分析中满地,实现“知行合一”。
通过本课程的学习,达到如下目的:
1、 了解大数据挖掘的标准过程和挖掘步骤
2、 掌握常用的统计分析方法,以及可视化
3、 掌握常用的影响因素分析方法,学会根因分析
4、 理解数据挖掘的常见模型,原理及适用场景。
5、 熟练掌握SPSS基本操作,能利用SPSS解决实际的商业问题。
【授课时间】
2~4天时间,或根据客户需求选择(每天6个小时)
知识点
2
4
数据挖掘标准流程


数据流预处理


数据可视化


影响因素分析


回归预测模型


时序预测模型
√(部分)

回归模型优化


分类预测模型


市场客户划分


客户价值评估


假设检验


【授课对象】
市场部、业务支撑部、数据分析部、运营分析部等对业务数据分析有较高要求的相关人员。
【学员要求】
1、 每个学员自备一台便携机(必须)
2、 便携机中事先安装好Microsoft Office Excel 2013版本及以上。
3、 便携机中事先安装好SPSS Statistics v24版本及以上。
注:讲师可以提供试用版本软件及分析数据源。
【授课方式】
基础知识精讲 + 案例演练 + 实际业务问题分析 + 工具实际操作
本课程突出数据挖掘的实际应用,结合行业的典型应用特点,从实际问题入手,引出相关知识,进行大数据的收集与处理;引导学员思考,构建分析模型,进行数据分析与挖掘,以及数据呈现与解读,全过程演练操作,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。
【课程大纲】

第一部分: 数据挖掘标准流程

1、 数据挖掘概述
2、 数据挖掘的标准流程(CRISP-DM
Ø 商业理解
Ø 数据准备
Ø 数据理解
Ø 模型建立
Ø 模型评估
Ø 模型应用
案例:客户流失预测及客户挽留
3、 数据集概述
4、 SPSS工具介绍
5、 数据挖掘常用模型

第二部分: 数据预处理

如何整理数据,了解数据,对数据进行预处理?
1、 数据预处理的四大任务
Ø 数据集成:多个数据集合并
Ø 数据清洗:异常值的处理
Ø 样本处理:样本筛选、样本抽样、样本平衡
Ø 变量处理:变量变换、变量派生、变量精简
2、 数据集成(数据集合并)
Ø 样本追加(添加数据行):横向合并
Ø 变量合并(添加变量列):纵向合并
3、 数据清洗(异常数据处理
Ø 取值范围限定
Ø 重复值处理
Ø 无效值/错误值处理
Ø 缺失值处理
Ø 离群值/极端值处理
Ø 数据质量评估
4、 样本处理:行处理
Ø 样本筛选:指定条件筛选指定样本集(减少样本数量)
Ø 样本抽样:随机抽取部分样本集(减少样本数量)
Ø 样本平衡:正反样本比例均衡
5、 变量处理:列处理
Ø 变量变换:原变量取值更新,比如标准化
Ø 变量派生:根据旧变量生成新的变量
Ø 变量精简:变量删除/降维,减少变量个数
Ø 类型转换:数据类型的相互转换
6、 变量精简/变量降维常用方法
Ø 常用降维方法
Ø 如何确定降维后变量个数
Ø 特征选择:选择重要变量,剔除不重要变量
² 基于变量本身特征来选择属性
² 基于数据间的相关性来选择属性
² 利用IV值筛选
² 基于信息增益来选择属性
Ø 因子合并:将多个变量进行合并
² PCA主成分分析
² 判别分析
7、 类型转换
8、 因子合并/主成分分析
Ø 因子分析的原因
Ø 因子个数选择原则
Ø 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
9、 数据探索性分析
Ø 常用统计指标分析
Ø 单变量:数值变量/分类变量
Ø 双变量:交叉分析/相关性分析
Ø 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)

第三部分: 数据可视化

1、 数据可视化的原则
2、 常用可视化工具
3、 常用可视化图形
Ø 柱状图、条形图、饼图、折线图、箱图、散点图等
4、 图形的表达及适用场景
演练:各种图形绘制

第四部分: 影响因素分析篇

营销问题:哪些因素是影响业务目标的关键要素?比如,产品在货架上的位置是否对销量有影响?价格和广告开销是如何影响销量的?影响风控的关键因素有哪些?如何判断?
1、 影响因素分析的常见方法
2、 相关分析(衡量两数据型变量的线性相关性)
Ø 相关分析简介
Ø 相关分析的应用场景
Ø 相关分析的种类
² 简单相关分析
² 偏相关分析
² 距离相关分析
Ø 相关系数的三种计算公式
² Pearson相关系数
² Spearman相关系数
² Kendall相关系数
Ø 相关分析的假设检验
Ø 相关分析的四个基本步骤
演练:营销费用会影响销售额吗?影响程度如何量化?
演练:哪些因素与汽车销量有相关性
演练:影响用户消费水平的因素会有哪些
Ø 偏相关分析
² 偏相关原理:排除不可控因素后的两变量的相关性
² 偏相关系数的计算公式
² 偏相关分析的适用场景
Ø 距离相关分析
3、 方差分析(衡量类别变量与数值变量间的相关性)
Ø 方差分析的应用场景
Ø 方差分析的三个种类
² 单因素方差分析
² 多因素方差分析
² 协方差分析
Ø 单因素方差分析的原理
Ø 方差分析的四个步骤
Ø 解读方差分析结果的两个要点
演练:摆放位置与销量有关吗
演练:客户学历对消费水平的影响分析
演练:广告和价格是影响终端销量的关键因素吗
演练:营业员的性别、技能级别对产品销量有影响吗
演练:寻找影响产品销量的关键因素
Ø 多因素方差分析原理
Ø 多因素方差分析的作用
Ø 多因素方差结果的解读
演练:广告形式、地区对销量的影响因素分析
Ø 协方差分析原理
Ø 协方差分析的适用场景
演练:排除产品价格,收入对销量有影响吗?
4、 列联分析/卡方检验(两类别变量的相关性分析)
Ø 交叉表与列联表:计数值与期望值
Ø 卡方检验的原理
Ø 卡方检验的几个计算公式
Ø 列联表分析的适用场景
案例:套餐类型对客户流失的影响分析
案例:学历对业务套餐偏好的影响分析
案例:行业/规模对风控的影响分析
5、 相关性分析方法总结

第五部分: 回归预测模型

营销问题:如何预测未来的产品销量/销售额?如果产品跟随季节性变动,该如何预测?
1、 回归分析简介和原理
2、 回归分析的种类
Ø 一元回归/多元回归
Ø 线性回归/非线性回归
3、 常用回归分析方法
Ø 散点图+趋势线(一元)
Ø 线性回归工具(多元线性)
Ø 规划求解工具(非线性回归)
演练:散点图找营销费用与销售额的关系
4、 线性回归分析的五个步骤
演练:营销费用、办公费用与销售额的关系(线性回归)
5、 线性回归方程的解读技巧
Ø 定性描述:正相关/负相关
Ø 定量描述:自变量变化导致因变量的变化程度
6、 回归预测模型评估
Ø 质量评估指标:判定系数R^2
Ø 如何选择最佳回归模型
演练:如何选择最佳的回归预测模型(一元曲线回归)
7、 带分类自变量的回归预测
演练:汽车季度销量预测
演练:工龄、性别与终端销量的关系
演练:如何评估销售目标与资源最佳配置

第六部分: 回归模型优化

1、 回归分析的基本原理
Ø 三个基本概念:总变差、回归变差、剩余变差
Ø 方程的显著性检验:方程可用性
Ø 因素的显著性检验:因素可用性
Ø 方程拟合优度检验:质量好坏程度
Ø 理解标准误差含义:预测准确性?
2、 回归模型优化措施:寻找最佳回归拟合线
Ø 如何处理预测离群值(剔除离群值)
Ø 如何剔除不显著因素(剔除不显著因素)
Ø 如何进行非线性关系检验(增加非线性自变量)
Ø 如何进行相互作用检验(增加相互作用自变量)
Ø 如何进行多重共线性检验(剔除共线性自变量)
演练:模型优化演示
3、 好模型都是优化出来的

第七部分: 自定义回归模型

1、 回归建模的本质
2、 规划求解工具简介
3、 自定义回归模型
案例:如何对客流量进行建模预测及模型优化
4、 回归季节预测模型模型
Ø 回归季节模型的原理及应用场景
Ø 加法季节模型
Ø 乘法季节模型
Ø 模型解读
案例:美国航空旅客里程的季节性趋势分析
5、 新产品累计销量的S曲线
Ø S曲线模型的应用场景(最大累计销量及销量增长的拐点)
Ø 珀尔曲线
Ø 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: 回归模型质量评估

1、 定量预测模型的评估
Ø 方程显著性评估
Ø 因素显著性评估
Ø 拟合优度的评估
Ø 估计标准误差评估
Ø 预测值准确度评估
2、 模型拟合度评估
Ø 判定系数:
Ø 调整判定系数:
3、 预测值准确度评估
Ø 平均绝对误差:MAE
Ø 根均方差:RMSE
Ø 平均误差率:MAPE
4、 其它评估:残差检验、过拟合检验

第九部分: 时序预测模型

营销问题:像利率/CPI/GDP等按时序变化的指标如何预测?当销量随季节周期变动时该如何预测?
1、 回归预测vs时序预测
2、 因素分解思想
3、 时序预测常用模型
Ø 趋势拟合
Ø 季节拟合
Ø 平均序列拟合
4、 评估预测值的准确度指标:MADRMSEMAPE
5、 移动平均(MA
Ø 应用场景及原理
Ø 移动平均种类
² 一次移动平均
² 二次移动平均
² 加权移动平均
² 移动平均比率法
Ø 移动平均关键问题
² 如何选取最优参数N
² 如何确定最优权重系数
演练:平板电脑销量预测及评估
演练:快销产品季节销量预测及评估
6、 指数平滑(ES
Ø 应用场景及原理
Ø 最优平滑系数的选取原则
Ø 指数平滑种类
² 一次指数平滑
² 二次指数平滑(Brown线性、Holt线性、Holt指数、阻尼线性、阻尼指数)
² 三次指数平滑
演练:煤炭产量预测
演练:航空旅客量预测及评估
7、 温特斯季节预测模型
Ø 适用场景及原理
Ø Holt-Winters加法模型
Ø Holt-Winters乘法模型
演练:汽车销量预测及评估
8、 平稳序列模型(ARIMA
案例:产品合格率检验(单样本-二项分布)
案例:训练新方法有效性检验(两配对样本-符号/秩检验)
案例:促销方式效果检验(多相关样本-Friedman检验)
案例:客户满意度差异检验(多相关样本-Cochran Q检验)

结束:课程总结与问题答疑。

我的更多文章

下载客户端阅读体验更佳

APP专享