【课程目标】

本课程从实际的市场营销问题出发，构建数据分析与数据挖掘模型，以解决实际的商业问题。并对大数据分析与挖掘技术进行了全面的介绍，**从大量的市场营销数据中分析潜在的客户特征，挖掘客户行为特点，实现精准营销，帮助市场营销团队深入理解业务运作，支持业务策略制定以及运营决策。

**本课程的学习，达到如下目的：

1、 了解大数据营销内容，掌握大数据在营销中的应用。

2、 了解基本的营销理论，并学会基于营销理念来展开大数据分析。

3、 熟悉数据分析/挖掘的基本过程，掌握常用的数据挖掘方法。

4、 熟悉Excel数据分析工具，能够利用Excel和SPSS软件解决实际的营销问题（比如定价/因素影响/预测/客户需求/客户价值/市场细分等）。

【授课时间】

2-4天时间，或者根据培训需求选择组合（每天6个小时）内容2天4天核心数据思维√√数据分析过程√√用户行为分析√√数据分析思路√√影响因素分析√√产品销量预测√回归√时序客户行为预测 √市场客户细分 √客户价值评估 √产品推荐模型 √产品定价策略 √

【授课对象】

系统支撑、市场营销部、运营分析部相关技术及应用人员。

本课程由浅入深，结合原理主讲软件工具应用，不需要太深的数学知识，但希望掌握数据分析的相关人员。

【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Excel 2013版本及以上。

3、 便携机中事先安装好IBM 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】

理论精讲 案例演练 实际业务问题分析 Excel实践操作 SPSS实践操作

本课程突出数据分析的实际应用，结合行业的典型应用特点，围绕实际的商业问题，进行大数据的分析与挖掘，介绍常用的模型，以及模型适用场景，**演练操作，以达到提升学员对营销数据的分析以及对数据模型的深入理解。

【课程大纲】**部分： 大数据实现精准营销1、 传统营销的困境与挑战

2、 营销理论的变革（4Pà4CànPnC）

3、 大数据引领传统营销

4、 大数据在营销中的典型应用

Ø 市场定位与客户细分

Ø 客户需求与产品设计

Ø 精准广告与精准推荐

Ø ……

5、 大数据营销的基石：用户画像

6、 客户生存周期中的大数据应用

演练：如何用大数据来支撑手机精准营销项目

第二部分： 大数据基础—数据思维篇问题：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、 大数据的本质

Ø 数据，是对客观事物的描述和记录

Ø 大数据不在于大，而在于全

3、 大数据四大核心价值

Ø 用趋势图来探索产品销量规律

Ø 从谷歌的GFT产品探索用户需求变化

Ø 从大数据炒股看大数据如何探索因素的相关性

Ø 阿里巴巴预测经济危机的到来

Ø 从美国总统竞选看大数据对选民行为进行分析

4、 大数据价值落地的三个关键环节

Ø 业务数据化

Ø 数据信息化

Ø 信息策略化

案例：喜欢赚“差价”的营业员（用数据管理来识别）

第三部分： 大数据精准营销—分析框架篇1、 数据分析简介

Ø 数据分析的三个阶段

Ø 分析方法的三大类别

2、 数据分析的六步曲

3、 步骤1：明确目的--理清思路

Ø 确定分析目的：要解决什么样的业务问题

Ø 确定分析思路：分解业务问题，构建分析框架

4、 步骤2：数据收集—理清思路

Ø 明确收集数据范围

Ø 确定收集来源

Ø 确定收集方法

5、 步骤3：数据预处理—寻找答案

Ø 数据质量评估

Ø 数据清洗、数据处理和变量处理

Ø 探索性分析

6、 步骤4：数据分析--寻找答案

Ø 选择合适的分析方法

Ø 构建合适的分析模型

Ø 选择合适的分析工具

7、 步骤5：数据展示--观点表达

Ø 选择恰当的图表

Ø 选择合适的可视化工具

8、 步骤6：报表撰写--观点表达

Ø 选择报告种类

Ø 完整的报告结构

演练：如何用大数据来支撑手机精准营销项目

演练：如何构建一个良好的大数据分析框架

第四部分： 用户行为分析—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、 大数据精准营销的前提：用户行为分析

2、 数据分析方法的层次

Ø 描述性分析法（对比/分组/结构/趋势/交叉…）

Ø 相关性分析法（相关/方差/卡方…）

Ø 预测性分析法（回归/时序/决策树/神经网络…）

Ø 专题性分析法（聚类/关联/RFM模型/…）

3、 统计分析基础

Ø 统计分析两要素

Ø 统计分析三步骤

4、 统计分析常用指标

Ø 汇总方式：计数、求和、百分比（增跌幅）

Ø 集中程度：均值、中位数、众数

Ø 离散程度：极差、方差/标准差、IQR

Ø 分布形态：偏度、峰度

5、 基本分析方法及其适用场景

Ø 对比分析（查看数据差距）

演练：寻找用户的地域分布规律

演练：寻找公司主打产品

演练：用数据来探索增量不增收困境的解决方案

案例：银行ATM柜员机现金管理分析（银行）

Ø 分组分析（查看数据分布）

案例：排班后面隐藏的猫腻

案例：通信运营商的流量套餐划分合理性的评估

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）

演练：客户年龄分布/消费分布分析

Ø 结构分析（评估事物构成）

案例：用户市场占比结构分析

案例：物流费用占比结构分析（物流）

案例：中移动用户群动态结构分析

演练：用户结构/收入结构/产品结构的分析

Ø 趋势分析（发现事物随时间的变化规律）

案例：破解零售店销售规律

案例：手机销量的淡旺季分析

演练：发现产品销售的时间规律

Ø 交叉分析（多维数据分析）

演练：用户性别 地域分布分析

演练：不同区域的产品偏好分析

演练：不同教育水平的业务套餐偏好分析

6、 综合分析方法及其适用场景

Ø 综合评价法（多维指标归一）

案例：南京丈母娘选女婿分析表格

演练：人才选拔评价分析（HR）

Ø 杜邦分析法（关键因素分析-财务数据分析）

案例：运营商市场占有率分析（通信）

案例：服务水平提升分析（呼叫中心）

演戏：提升销量的销售策略分析（零售商/电商）

Ø 漏斗分析法（关键流程环节分析-流失率与转化率分析）

案例：电商产品销售流程优化与策略分析（电商）

演练：营业厅终端销售流程分析（电信）

演练：银行业务办理流程优化分析（银行）

Ø 矩阵分析法（产品策略分析-象限图分析法）

案例：工作安排评估

案例：HR人员考核与管理

案例：波士顿产品策略分析

7、 **合适的分析方法才是硬道理。

第五部分： 用户行为分析—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、 常用分析思路模型

2、 用户行为分析（5W2H分析思路）

Ø WHY：原因

Ø WHAT：产品

Ø WHO：客户

Ø WHEN：时间

Ø WHERE：区域/渠道

Ø HOW：支付方式

Ø HOW MUCH：价格

案例讨论：结合公司情况，搭建用户消费习惯的分析框架（5W2H）

第六部分： 影响因素分析—属性筛选篇营销问题：哪些是影响市场销量的关键因素？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？

影响风险控制的关键因素有哪些？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）

问题：这两个属性是否会相互影响？影响程度大吗？

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：体重与腰围的关系

演练：营销费用会影响销售额吗

演练：哪些因素与汽车销量有相关性

演练：话费与网龄的相关分析

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）

问题：哪些才是影响销量的关键因素？

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 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：终端摆放位置与终端销量有关吗

演练：开通月数对客户流失的影响分析

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（多因素）

Ø 协方差分析原理

Ø 协方差分析的适用场景

演练：饲料对生猪体重的影响分析（协方差分析）

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

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

第七部分： 产品销量预测—回归预测篇营销问题：如何预测未来的产品销量？如果产品跟随季节性变动，该如何预测？新产品上市，如果评估销量上限及销售增速？

1、 销量预测与市场预测模型介绍

Ø 时序预测

Ø 回归模型

Ø 季节性预测（相加/相乘模型）

Ø 产品预测（珀尔曲线/龚铂兹曲线）

2、 回归分析/回归预测

问题：如何预测未来的销售量（定量分析）？

Ø 回归分析简介

Ø 回归分析的种类（一元/多元、线性/曲线）

Ø 得到回归方程的常用工具

² 散点图 趋势线

² 线性回归工具

² 规划求解工具

演练：散点图找营销费用与销售额的关系（一元回归）

Ø 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）

Ø 解读线性回归分析结果的技巧

² 定性描述：正相关/负相关

² 定量描述：自变量变化导致因变量的变化程度

Ø 回归预测模型质量评估

² 评估指标：判定系数R^2、标准误差

² 如何选择**回归模型

演练：如何选择**的回归预测模型（一元曲线回归）

Ø 预测值准确性评估

² MAD、MSE/RMSE、MAPE等

Ø 带分类变量的回归预测

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配置（营业厅）

3、 回归分析的基本原理

4、 模型优化思路：寻找**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）

Ø 如何检验误差项（修改因变量）

Ø 如何判断模型过拟合（模型过拟合判断）

演练：模型优化案例

5、 规划求解工具简介（自定义回归模型的工具）

6、 自定义模型（如何利用规划求解进行自定义模型）

案例：如何对餐厅客流量进行建模及模型优化

7、 好模型都是优化出来的

第八部分： 产品销量预测—时序预测篇1、 时间序列简介

Ø 回归模型的缺点

2、 时序预测常用模型

3、 评估预测值的准确度指标

Ø 平均绝对误差MAD

Ø 均方差MSE/RMSE

Ø 平均误差率MAPE

4、 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 期数N的**选择方法

² **优权重系数的选取方法

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

5、 指数平滑（ES）

Ø 应用场景及原理

Ø **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

6、 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

7、 回归季节预测模型

Ø 季节性回归模型的参数

Ø 常用季节性预测模型（相加、相乘）

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

8、 ARIMA模型

Ø 适用场景及原理

Ø ARIMA操作

演练：上海证券交易所综合指数收益率序列分析

演练：服装销售数据季节性趋势预测分析

9、 新产品销量预测

Ø 新产品累计销量的S曲线

Ø 如何评估销量增长的拐点

Ø 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产品的销量第九部分： 客户行为预测—分类预测篇问题：如何评估客户购买产品的可能性？如何预测客户的购买行为？如何提取某类客户的典型特征？如何向客户精准推荐产品或业务？

1、 分类模型概述

2、 常见分类预测模型

3、 逻辑回归（LR）

Ø 逻辑回归模型原理及适用场景

Ø 逻辑回归的种类

² 二项逻辑回归

² 多项逻辑回归

Ø 如何解读逻辑回归方程

Ø 带分类自变量的逻辑回归分析

Ø 多元逻辑回归

案例：如何评估用户是否会购买某产品（二元逻辑回归）

案例：多品牌选择模型分析（多元逻辑回归）

4、 分类决策树（DT）

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？

Ø 决策树分类简介

案例：美国零售商（Target）如何预测少女怀孕

Ø 演练：识别银行欠货风险，提取欠贷者的特征

Ø 构建决策树的三个关键问题

² 如何选择**属性来构建节点

² 如何分裂变量

² 修剪决策树

Ø 如何评估分类性能？如何选择**优分类模型？

案例：商场酸奶购买用户特征提取

案例：客户流失预警与客户挽留

案例：识别拖欠银行货款者的特征，避免不良货款

案例：识别电信诈骗者嘴脸，让通信更安全

5、 人工神经网络（ANN）

Ø 神经网络概述

Ø 神经网络基本原理

Ø 神经网络的结构

Ø 神经网络的建立步骤

Ø 神经网络的关键问题

Ø BP反向传播网络（MLP）

Ø 径向基网络（RBF）

案例：评估银行用户拖欠货款的概率

第十部分： 市场细分模型问题：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

Ø 有指导细分

Ø 无指导细分

2、 聚类分析

Ø 如何更好的了解客户群体和市场细分？

Ø 如何识别客户群体特征？

Ø 如何确定客户要分成多少适当的类别？

Ø 聚类方法原理介绍

Ø 聚类方法作用及其适用场景

Ø 聚类分析的种类

Ø 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

Ø 层次聚类（系统聚类）：发现多个类别

Ø 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）

Ø 两步聚类

3、 客户细分与PCA分析法

Ø PCA主成分分析的原理

Ø PCA分析法的适用场景

演练：利用PCA对汽车客户群进行细分

演练：如何针对汽车客户群设计汽车

第十一部分： 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

Ø 贴现率与留存率

Ø 评估客户的真实价值

Ø 使用双向表衡量属性敏感度

Ø 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）

Ø RFM模型，更深入了解你的客户价值

Ø RFM模型与市场策略

Ø 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

第十二部分： 产品推荐模型问题：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**有可能被接受？

1、 常用产品推荐模型

2、 关联分析

Ø 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

Ø 关联分析模型原理（Association）

Ø 关联规则的两个关键参数

² 支持度

² 置信度

Ø 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

第十三部分： 产品定价策略及**优定价营销问题：产品如何实现**估定价？套餐价格如何确定？采用哪些定价策略可达到利润**大化？

1、 常见的定价方法

2、 产品定价的理论依据

Ø 需求曲线与利润**大化

Ø 如何求解**优定价

案例：产品**优定价求解

3、 如何评估需求曲线

Ø 价格弹性

Ø 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

Ø **大收益定价（演进规划求解）

Ø 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

Ø 要理解支付意愿曲线

Ø 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：电力公司如何做阶梯定价

8、 数量折扣定价策略

案例：如何**折扣来实现薄利多销

9、 定价策略的评估与选择

案例：零售公司如何选择**优定价策略

10、 航空公司的收益管理

Ø 收益管理介绍

Ø 如何确定机票预订限制

Ø 如何确定机票超售数量

Ø 如何评估模型的收益

案例：FBN航空公司如何实现收益管理（预订/超售）

第十四部分： 实战篇(电信业客户流失分析模型)1、 电信业客户流失预警与客户挽留模型

2、 银行欠贷风险预测模型

结束：课程总结与问题答疑。