大数据挖掘工具: SPSS Statistics入门与提高
【课程目标】
随着大数据分析的需求越来越旺盛，大数据分析工具也越来越琳琅满目，然而，绝大多数的分析工具都只具有单一用途，无法满足企业的复杂的多样化的全面的业务分析需求，因此分析工具的选择成为了一个挑战。
一个良好的分析工具必须满足如下要求：
1） 易学易用易操作。
2） 分析效率要高。
3） 满足业务分析需求。
如果要说前两个要求，显然类似于Excel/PowerBI/Tableau等工具都是满足要求的，但此类工具却无法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，这些需求用Excel/PBI等工具就难以胜任了，需要用到更高级的数据挖掘工具，比如IBMSPSS工具。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，能够解决的业务问题更丰富，提供了更加强大的业务数据分析功能，并且它封装了具体的分析算法，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SPSSStatistics的培训。
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、掌握基本的统计分析，常用的影响因素分析。
3、理解数据挖掘的常见模型，原理及适用场景。
4、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天
| 4天
| 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
| √
| √
| 数值预测模型
| √回归时序
| √季节模型
| 回归模型优化
|
| √
| 分类预测模型
| √仅决策树
| √ANN/SVM/…
| 市场客户划分
|
| √
| 客户价值评估
|
| √
| 假设检验
|
| √
| 实战
|
| √
【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MicrosoftOffice Excel 2013版本及以上。
3、 便携机中事先安装好SPSSStatistics 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）
商业理解
数据准备
数据理解
模型建立
模型评估
模型应用
案例：客户流失预测及客户挽留
3、 数据集的基本知识
a) 存储类型
b) 统计类型
c) 角度
4、SPSS工具简介
第二部分：数据预处理过程
1、数据预处理的基本步骤
数据读取、数据理解、数据处理、变量处理、探索分析
2、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
3、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）
4、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
5、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
6、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
7、数据降维
常用降维方法
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
8、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）第三部分：数据可视化篇
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
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
问题：如何判断一个因素对另一个因素有影响？比如营销费用是否会影响销售额？产品价格是否会影响销量？产品的陈列位置是否会影响销量？
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（衡量变量间的的相关性）
问题：这两个属性是否会相互影响？影响程度大吗？营销费用会影响销售额吗？
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：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：通信费用与开通月数的相关分析
案例：酒楼生意好坏与报纸销量的相关分析
偏相关分析
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/双因素可重复/双因素无重复
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：终端摆放位置与终端销量有关吗？
演练：开通月数驿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
|