大数据营销课程大纲

**部分： 数据核心理念—数据思维篇

问题：什么是数据思维？大数据决策的底层逻辑以及决策依据是什么？

1、 数字化五大技术战略：ABCDI战略

A：人工智能，目的是用机器模拟人类行为

B：区块链，构建不可篡改的分布记账系统

C：云计算，搭建按需分配的计算资源平台

D：大数据，实现智能化的判断和决策机制

I：物联网，实现万物互联通信的基础架构

2、 大数据的本质

数据，是事物发展和变化过程中留下的痕迹

大数据不在于量大，而在于全（多维性）

业务导向还是技术导向

3、 大数据决策的底层逻辑（即四大核心价值）

探索业务规律，按规律来管理决策

案例：客流规律与排班及*营销时机

案例：致命交通事故发生的时间规律

发现运营变化，定短板来运营决策

案例：考核周期导致的员工月初懈怠

案例：工序信号异常监测设备故障

理清要素关系，找影响因素来决策

案例：情绪对于股市涨跌的影响

案例：为何升职反而会增加离职风险？

预测未来趋势，**预判进行决策

案例：惠普预测员工离职风险及挽留

案例：保险公司的车险预测与个性化保费定价

4、 大数据决策的三个关键环节

业务数据化：将业务问题转化为数据问题

数据信息化：提取数据中的业务规律信息

信息策略化：基于规律形成业务应对策略

案例：用数据来识别喜欢赚“差价”的营业员

第二部分： 数据精准营销—分析过程篇

问题：大数据实现精准营销的整个过程是什么？要经历哪些步骤？如何构建精准营销的数据支撑框架？需要采集哪些数据？

1、 数据分析的六步曲

明确目标，确定分析思路

收集数据，寻找分析素材

整理数据，确保数据质量

分析数据，寻找业务答案

呈现数据，解读业务规律

撰写报告，形成业务策略

2、 精准营销的业务分析框架（6R准则）

寻找正确的客户

匹配正确的产品

确定合理的价格

**合适的渠道

采用合适的方式

设计恰当的信息

演练：如何构建一个良好的大数据精准营销分析框架

3、 精准营销项目的整个分析过程

演练：如何用大数据来支撑产品精准营销项目

第三部分： 用户行为分析—分析方法篇

问题：数据分析方法的种类？分析方法的不同应用场景？

1、 业务分析的三个阶段

现状分析：**企业运营指标来发现规律及短板

原因分析：查找数据相关性，探寻目标影响因素

预测分析：合理配置资源，预判业务未来的趋势

2、 常用的数据分析方法种类

描述性分析法（对比/分组/结构/趋势/交叉…）

相关性分析法（相关/方差/卡方…）

预测性分析法（回归/时序/决策树/神经网络…）

专题性分析法（聚类/关联/RFM模型/…）

3、 统计分析基础

统计分析两大关键要素（类别、指标）

统计分析的操作模式（类别à指标）

统计分析三个操作步骤（统计、画图、解读）

透视表的三个组成部分

4、 常用的描述性指标

集中程度：均值、中位数、众数

离散程度：极差、方差/标准差、IQR

分布形态：偏度、峰度

5、 基本分析方法及其适用场景

对比分析（查看数据差距，发现事物变化）

演练：寻找用户的地域分布特征

演练：分析产品受欢迎情况及贡献大小

演练：用数据来探索增量不增收困境的解决方案

分布分析（查看数据分布，探索业务层次）

演练：银行用户的消费水平和消费层次分析

演练：客户年龄分布/收入分布分析

案例：通信运营商的流量套餐划分合理性的评估

演练：呼叫中心接听电话效率分析（呼叫中心）

结构分析（查看指标构成，评估结构合理性）

案例：增值业务收入结构分析（通信）

案例：物流费用成本结构分析（物流）

案例：中移动用户群动态结构分析

演练：财务领域的结构瀑布图、财务收支的变化瀑布图

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

案例：微信用户的活跃时间规律

演练：发现客流量的时间规律

交叉分析（从多个维度的数据指标分析）

演练：用户性别+地域分布分析

演练：不同客户的产品偏好分析

演练：不同学历用户的套餐偏好分析

演练：银行用户的违约影响因素分析

第四部分： 用户行为分析—分析框架篇

问题：如何才能全面/系统地分析而不遗漏？如何分解和细化业务问题？

1、 业务分析思路和分析框架来源于业务模型

2、 常用的业务模型

外部环境分析：PEST

业务专题分析：5W2H

竞品/竞争分析：SWOT、波特五力

营销市场专题分析：4P/4C等

3、 用户行为分析（5W2H分析思路和框架）

WHY：原因（用户需求、产品亮点、竞品优劣势）

WHAT：产品（产品喜好、产品贡献、产品功能、产品结构）

WHO：客户（基本特征、消费能力、产品偏好）

WHEN：时间（淡旺季、活跃时间、重购周期）

WHERE：区域/渠道（区域喜好、渠道偏好）

HOW：支付/促销（支付方式、促销方式有效性评估等）

HOW MUCH：价格（费用、成本、利润、收入结构、价格偏好等）

案例讨论：结合公司情况，搭建用户消费习惯的分析框架（5W2H）

4、 数据分析策略

第五部分： 影响因素分析—原因分析篇

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）

相关分析简介

相关分析的应用场景

相关分析的种类

简单相关分析

偏相关分析

距离相关分析

相关系数的三种计算公式

Pearson相关系数

Spearman相关系数

Kendall相关系数

相关分析的假设检验

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

偏相关分析

偏相关原理：排除不可控因素后的两变量的相关性

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（衡量类别变量与数值变量间的相关性）

方差分析的应用场景

方差分析的三个种类

单因素方差分析

多因素方差分析

协方差分析

单因素方差分析的原理

方差分析的四个步骤

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

多因素方差分析原理

多因素方差分析的作用

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

协方差分析原理

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）

交叉表与列联表：计数值与期望值

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：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

第六部分： 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/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

一元回归/多元回归

线性回归/非线性回归

3、 常用回归分析方法

散点图+趋势线（一元）

线性回归工具（多元线性）

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

定性描述：正相关/负相关

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

质量评估指标：判定系数R^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）

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*配置

8、 回归分析的基本原理

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：方程可用性

因素的显著性检验：因素可用性

方程拟合优度检验：质量好坏程度

理解标准误差含义：预测准确性？

9、 回归模型优化措施：寻找*回归拟合线

如何处理预测离群值（剔除离群值）

如何剔除不显著因素（剔除不显著因素）

如何进行非线性关系检验（增加非线性自变量）

如何进行相互作用检验（增加相互作用自变量）

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

10、 好模型都是优化出来的

第七部分： 客流预测模型—自定义回归篇

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、 季节性预测模型

回归季节模型的原理及应用场景

加法季节模型

乘法季节模型

模型解读

案例：*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

S曲线模型的应用场景（*累计销量及销量增长的拐点）

珀尔曲线

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： 产品销量预测—时序预测篇

营销问题：像利率/*/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

趋势拟合

季节拟合

平均序列拟合

4、 评估预测值的准确度指标：MAD、RMSE、MAPE

5、 移动平均（MA）

应用场景及原理

移动平均种类

一次移动平均

二次移动平均

加权移动平均

移动平均比率法

移动平均关键问题

如何选取**参数N

如何确定**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）

应用场景及原理

**平滑系数的选取原则

指数平滑种类

一次指数平滑

二次指数平滑（Brown线性、Holt线性、Holt指数、阻尼线性、阻尼指数）

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

适用场景及原理

Holt-Winters加法模型

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）

序列的平稳性检验

平稳序列的拟合模型

AR(p)自回归模型

MA(q)移动模型

ARMA(p,q)自回归移动模型

模型的识别与定阶

ACF图/PACF图

**小信息准则

序列平稳化处理

变量变换

k次差分

d阶差分

ARIMA(p,d,q)模型

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

平稳序列的建模流程

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、 分类模型概述及其应用场景

2、 常见分类预测模型

3、 逻辑回归（LR）

逻辑回归的适用场景

逻辑回归的模型原理

逻辑回归分类的几何意义

逻辑回归的种类

二项逻辑回归

多项逻辑回归

如何解读逻辑回归方程

带分类自变量的逻辑回归分析

多项逻辑回归/多分类逻辑回归

案例：如何评估用户是否会购买某产品（二项逻辑回归）

案例：多品牌选择模型分析（多项逻辑回归）

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？

决策树分类简介

案例：*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

决策树分类的几何意义

构建决策树的三个关键问题

如何选择*属性来构建节点

如何分裂变量

修剪决策树

选择**属性生长

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（**分割点）

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**分类模型？

案例：商场用户的典型特征提取

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

多分类决策树

案例：不同套餐用户的典型特征

决策树模型的保存与应用

5、 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

神经网络分类的几何意义

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

6、 判别分析（DA）

判别分析原理

判别分析种类

Fisher线性判别分析

案例：MBA学生录取判别分析

案例：上市公司类别评估

7、 **近邻分类（KNN）

KNN模型的基本原理

KNN分类的几何意义

K近邻的关键问题

8、 支持向量机（SVM）

SVM基本原理

线性可分问题：*边界超平面

线性不可分问题：特征空间的转换

维灾难与核函数

9、 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

预测分类概率（计算概率）

拉普拉斯修正

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—聚类模型篇

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

层次聚类

两步聚类

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：如何自动评选优秀员工？

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、 客户细分与PCA分析法

PCA主成分分析的原理

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： 客户价值评估—RFM模型篇

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

演练：“双11”淘宝商家如何选择价值客户进行促销

演练：结合响应模型，宜家IKE实现*化营销利润

案例：重购用户特征分析

第十二部分： 产品推荐算法—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**有可能被接受？

1、 从搜索引擎到推荐引擎

2、 常用产品推荐模型及算法

3、 基于流行度的推荐

基于排行榜的推荐，适用于刚注册的用户

优化思路：分群推荐

4、 基于内容的推荐CBR

关键问题：如何计算物品的相似度

优缺点

优化：Rocchio算法、基于标签的推荐、基于兴趣度的推荐

5、 基于用户的推荐

关键问题：如何对用户分类/计算用户的相似度

算法：按属性分类、RFM模型、PCA、聚类、按偏好分类、按地理位置

6、 协同过滤的推荐

基于用户的协同过滤

基于物品的协同过滤

冷启动的问题

案例：计算用户相似度、计算物品相似度

7、 基于关联分析的推荐

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：通信产品的交叉销售与产品推荐

8、 基于分类模型的推荐

9、 其它推荐算法

LFM基于隐语义模型

按社交关系

基于时间上下文

10、 多推荐引擎的协同工作

第十三部分： 产品定价策略—**定价篇

营销问题：产品如何实现**定价？套餐价格如何确定？采用哪种定价策略可达到利润*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*化

如何求解**定价

案例：产品**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

*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：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**定价策略

10、 航空公司的收益管理

收益管理介绍

如何确定机票预订限制

如何确定机票超售数量

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(客户行为预测)

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

更多课程详情请点击咨询专属客服