課程簡介
本系列課程從實際的業(yè)務需求出發(fā)，結合行業(yè)的典型應用特點，圍繞實際的商業(yè)問題，對數據預測建模的過程進行了全面的介紹（從模型選擇，到特征選擇，再到訓練模型，評估模型，以及優(yōu)化模型和模型解讀），通過大量的操作演練，幫助學員掌握數據建模的思路、方法、技巧，以提升學員的數據建模的能力，支撐運營決策的目的。
目標收益
1、了解數據建模的標準過程
2、明白時序預測的基本思想，熟悉常用的時序預測模型
3、掌握常用的分類預測模型，理解模型基本原理
4、學會解讀分類預測模型的含義
5、理解并掌握定性預測模型的質量評估指標
6、了解分類預測模型的集成優(yōu)化思想
培訓對象
產品銷量部、業(yè)務支撐部、運營分析部、數據分析部、大數據系統(tǒng)開發(fā)部等對業(yè)務數據分析有較高要求的相關人員。
課前準備
1、每個學員自備一臺便攜機(必須)。
2、便攜機中事先安裝好Microsoft Office Excel 2013版本及以上。
3、便攜機中事先安裝好IBM SPSS Statistics v19版本及以上。
注：講師可以提供試用版本軟件及分析數據源。
課程大綱
| 第一部分：數據建模過程—流程步驟篇 |
1、預測建模六步法 ?選擇模型：基于業(yè)務選擇恰當的數據模型 ?特征工程：選擇對目標變量有顯著影響的屬性來建模 ?訓練模型：采用合適的算法對模型進行訓練，尋找到最優(yōu)參數 ?評估模型：進行評估模型的質量，判斷模型是否可用 ?優(yōu)化模型：如果評估結果不理想，則需要對模型進行優(yōu)化 ?應用模型：如果評估結果滿足要求，則可應用模型于業(yè)務場景 2、數據挖掘常用的模型 ?定量預測模型：回歸預測、時序預測等 ?定性預測模型：邏輯回歸、決策樹、神經網絡、支持向量機等 ?市場細分：聚類、RFM、PCA等 ?產品推薦：關聯分析、協(xié)同過濾等 ?產品優(yōu)化：回歸、隨機效用等 ?產品定價：定價策略/最優(yōu)定價等 3、特征工程/特征選擇/變量降維 ?基于變量本身特征 ?基于相關性判斷 ?因子合并（PCA等） ?IV值篩選（評分卡使用） ?基于信息增益判斷（決策樹使用） 4、模型評估 ?模型質量評估指標：R^2、正確率/查全率/查準率/特異性等 ?預測值評估指標：MAD、MSE/RMSE、MAPE、概率等 ?模型評估方法：留出法、K拆交叉驗證、自助法等 ?其它評估：過擬合評估、殘差檢驗 5、模型優(yōu)化 ?優(yōu)化模型：選擇新模型/修改模型 ?優(yōu)化數據：新增顯著自變量 ?優(yōu)化公式：采用新的計算公式 ?集成思想：Bagging/Boosting/Stacking 6、常用預測模型介紹 ?時序預測模型 ?回歸預測模型 ?分類預測模型 |
| 第二部分：定量預測模型—時序預測篇 |
營銷問題：像利率/CPI/GDP等按時序變化的指標如何預測？當銷量隨季節(jié)周期變動時該如何預測？ 1、回歸預測vs時序預測 2、因素分解思想 3、時序預測常用模型 ?趨勢擬合 ?季節(jié)擬合 ?平均序列擬合 4、評估預測值的準確度指標：MAD、RMSE、MAPE 5、移動平均（MA） ?應用場景及原理 ?移動平均種類 ?一次移動平均 ?二次移動平均 ?加權移動平均 ?移動平均比率法 ?移動平均關鍵問題 ?如何選取最優(yōu)參數N ?如何確定最優(yōu)權重系數 演練：平板電腦銷量預測及評估 演練：快銷產品季節(jié)銷量預測及評估 6、指數平滑（ES） ?應用場景及原理 ?最優(yōu)平滑系數的選取原則 ?指數平滑種類 ?一次指數平滑 ?二次指數平滑（Brown線性、Holt線性、Holt指數、阻尼線性、阻尼指數） ?三次指數平滑 演練：煤炭產量預測 演練：航空旅客量預測及評估 7、溫特斯季節(jié)預測模型 ?適用場景及原理 ?Holt-Winters加法模型 ?Holt-Winters乘法模型 演練：汽車銷量預測及評估 8、平穩(wěn)序列模型（ARIMA） ?序列的平穩(wěn)性檢驗 ?平穩(wěn)序列的擬合模型 ?AR(p)自回歸模型 ?MA(q)移動模型 ?ARMA(p,q)自回歸移動模型 ?模型的識別與定階 ?ACF圖/PACF圖 ?最小信息準則 ?序列平穩(wěn)化處理 ?變量變換 ?k次差分 ?d階差分 ?ARIMA(p,d,q)模型 演練：上海證券交易所綜合指數收益率序列分析 演練：服裝銷售數據季節(jié)性趨勢預測分析 ?平穩(wěn)序列的建模流程 |
| 第三部分：定性預測模型—分類預測篇 |
問題：如何評估客戶購買產品的可能性？如何預測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準推薦產品或業(yè)務？ 1、分類模型概述及其應用場景 2、常見分類預測模型 3、邏輯回歸（LR） ?邏輯回歸的適用場景 ?邏輯回歸的模型原理 ?邏輯回歸分類的幾何意義 ?邏輯回歸的種類 ?二項邏輯回歸 ?多項邏輯回歸 ?如何解讀邏輯回歸方程 ?帶分類自變量的邏輯回歸分析 ?多項邏輯回歸/多分類邏輯回歸 案例：如何評估用戶是否會購買某產品（二項邏輯回歸） 案例：多品牌選擇模型分析（多項邏輯回歸） 4、分類決策樹（DT） 問題：如何預測客戶行為？如何識別潛在客戶？ 風控：如何識別欠貸者的特征，以及預測欠貸概率？ 客戶保有：如何識別流失客戶特征，以及預測客戶流失概率？ ?決策樹分類簡介 案例：美國零售商（Target）如何預測少女懷孕 演練：識別銀行欠貨風險，提取欠貸者的特征 ?決策樹分類的幾何意義 ?構建決策樹的三個關鍵問題 ?如何選擇最佳屬性來構建節(jié)點 ?如何分裂變量 ?修剪決策樹 ?選擇最優(yōu)屬性生長 ?熵、基尼索引、分類錯誤 ?屬性劃分增益 ?如何分裂變量 ?多元劃分與二元劃分 ?連續(xù)變量離散化（最優(yōu)分割點） ?修剪決策樹 ?剪枝原則 ?預剪枝與后剪枝 ?構建決策樹的四個算法 ?C5.0、CHAID、CART、QUEST ?各種算法的比較 ?如何選擇最優(yōu)分類模型？ 案例：商場用戶的典型特征提取 案例：客戶流失預警與客戶挽留 案例：識別拖欠銀行貨款者的特征，避免不良貨款 案例：識別電信詐騙者嘴臉，讓通信更安全 ?多分類決策樹 案例：不同套餐用戶的典型特征 ?決策樹模型的保存與應用 5、人工神經網絡（ANN） ?神經網絡概述 ?神經網絡基本原理 ?神經網絡的結構 ?神經網絡分類的幾何意義 ?神經網絡的建立步驟 ?神經網絡的關鍵問題 ?BP反向傳播網絡（MLP） ?徑向基網絡（RBF） 案例：評估銀行用戶拖欠貨款的概率 6、判別分析（DA） ?判別分析原理 ?判別分析種類 ?Fisher線性判別分析 案例：MBA學生錄取判別分析 案例：上市公司類別評估 7、最近鄰分類（KNN） ?KNN模型的基本原理 ?KNN分類的幾何意義 ?K近鄰的關鍵問題 8、支持向量機（SVM） ?SVM基本原理 ?線性可分問題：最大邊界超平面 ?線性不可分問題：特征空間的轉換 ?維災難與核函數 9、貝葉斯分類（NBN） ?貝葉斯分類原理 ?計算類別屬性的條件概率 ?估計連續(xù)屬性的條件概率 ?預測分類概率（計算概率） ?拉普拉斯修正 案例：評估銀行用戶拖欠貨款的概率 |
| 第四部分：定性預測模型—模型評估篇 |
1、模型的評估指標 ?兩大矩陣：混淆矩陣，代價矩陣 ?六大指標：Acc,P,R,Spec,F1,lift ?三條曲線： ?ROC曲線和AUC ?PR曲線和BEP ?KS曲線和KS值 2、模型的評估方法 ?原始評估法 ?留出法（Hold-Out） ?交叉驗證法（k-fold cross validation） ?自助采樣法（Bootstrapping） |
| 第五部分：定性預測模型—集成優(yōu)化篇 |
1、模型的優(yōu)化思路 2、集成算法基本原理 ?單獨構建多個弱分類器 ?多個弱分類器組合投票，決定預測結果 3、集成方法的種類 ?Bagging ?Boosting ?Stacking 4、Bagging集成 ?數據/屬性重抽樣 ?決策依據：少數服從多數 ?典型模型：隨機森林RF 5、Boosting集成 ?基于誤分數據建模 ?樣本選擇權重更新公式 ?決策依據：加權投票 ?典型模型：AdaBoost模型 |
|
第一部分：數據建模過程—流程步驟篇 1、預測建模六步法 ?選擇模型：基于業(yè)務選擇恰當的數據模型 ?特征工程：選擇對目標變量有顯著影響的屬性來建模 ?訓練模型：采用合適的算法對模型進行訓練，尋找到最優(yōu)參數 ?評估模型：進行評估模型的質量，判斷模型是否可用 ?優(yōu)化模型：如果評估結果不理想，則需要對模型進行優(yōu)化 ?應用模型：如果評估結果滿足要求，則可應用模型于業(yè)務場景 2、數據挖掘常用的模型 ?定量預測模型：回歸預測、時序預測等 ?定性預測模型：邏輯回歸、決策樹、神經網絡、支持向量機等 ?市場細分：聚類、RFM、PCA等 ?產品推薦：關聯分析、協(xié)同過濾等 ?產品優(yōu)化：回歸、隨機效用等 ?產品定價：定價策略/最優(yōu)定價等 3、特征工程/特征選擇/變量降維 ?基于變量本身特征 ?基于相關性判斷 ?因子合并（PCA等） ?IV值篩選（評分卡使用） ?基于信息增益判斷（決策樹使用） 4、模型評估 ?模型質量評估指標：R^2、正確率/查全率/查準率/特異性等 ?預測值評估指標：MAD、MSE/RMSE、MAPE、概率等 ?模型評估方法：留出法、K拆交叉驗證、自助法等 ?其它評估：過擬合評估、殘差檢驗 5、模型優(yōu)化 ?優(yōu)化模型：選擇新模型/修改模型 ?優(yōu)化數據：新增顯著自變量 ?優(yōu)化公式：采用新的計算公式 ?集成思想：Bagging/Boosting/Stacking 6、常用預測模型介紹 ?時序預測模型 ?回歸預測模型 ?分類預測模型 |
|
第二部分：定量預測模型—時序預測篇 營銷問題：像利率/CPI/GDP等按時序變化的指標如何預測？當銷量隨季節(jié)周期變動時該如何預測？ 1、回歸預測vs時序預測 2、因素分解思想 3、時序預測常用模型 ?趨勢擬合 ?季節(jié)擬合 ?平均序列擬合 4、評估預測值的準確度指標：MAD、RMSE、MAPE 5、移動平均（MA） ?應用場景及原理 ?移動平均種類 ?一次移動平均 ?二次移動平均 ?加權移動平均 ?移動平均比率法 ?移動平均關鍵問題 ?如何選取最優(yōu)參數N ?如何確定最優(yōu)權重系數 演練：平板電腦銷量預測及評估 演練：快銷產品季節(jié)銷量預測及評估 6、指數平滑（ES） ?應用場景及原理 ?最優(yōu)平滑系數的選取原則 ?指數平滑種類 ?一次指數平滑 ?二次指數平滑（Brown線性、Holt線性、Holt指數、阻尼線性、阻尼指數） ?三次指數平滑 演練：煤炭產量預測 演練：航空旅客量預測及評估 7、溫特斯季節(jié)預測模型 ?適用場景及原理 ?Holt-Winters加法模型 ?Holt-Winters乘法模型 演練：汽車銷量預測及評估 8、平穩(wěn)序列模型（ARIMA） ?序列的平穩(wěn)性檢驗 ?平穩(wěn)序列的擬合模型 ?AR(p)自回歸模型 ?MA(q)移動模型 ?ARMA(p,q)自回歸移動模型 ?模型的識別與定階 ?ACF圖/PACF圖 ?最小信息準則 ?序列平穩(wěn)化處理 ?變量變換 ?k次差分 ?d階差分 ?ARIMA(p,d,q)模型 演練：上海證券交易所綜合指數收益率序列分析 演練：服裝銷售數據季節(jié)性趨勢預測分析 ?平穩(wěn)序列的建模流程 |
|
第三部分：定性預測模型—分類預測篇 問題：如何評估客戶購買產品的可能性？如何預測客戶的購買行為？如何提取某類客戶的典型特征？如何向客戶精準推薦產品或業(yè)務？ 1、分類模型概述及其應用場景 2、常見分類預測模型 3、邏輯回歸（LR） ?邏輯回歸的適用場景 ?邏輯回歸的模型原理 ?邏輯回歸分類的幾何意義 ?邏輯回歸的種類 ?二項邏輯回歸 ?多項邏輯回歸 ?如何解讀邏輯回歸方程 ?帶分類自變量的邏輯回歸分析 ?多項邏輯回歸/多分類邏輯回歸 案例：如何評估用戶是否會購買某產品（二項邏輯回歸） 案例：多品牌選擇模型分析（多項邏輯回歸） 4、分類決策樹（DT） 問題：如何預測客戶行為？如何識別潛在客戶？ 風控：如何識別欠貸者的特征，以及預測欠貸概率？ 客戶保有：如何識別流失客戶特征，以及預測客戶流失概率？ ?決策樹分類簡介 案例：美國零售商（Target）如何預測少女懷孕 演練：識別銀行欠貨風險，提取欠貸者的特征 ?決策樹分類的幾何意義 ?構建決策樹的三個關鍵問題 ?如何選擇最佳屬性來構建節(jié)點 ?如何分裂變量 ?修剪決策樹 ?選擇最優(yōu)屬性生長 ?熵、基尼索引、分類錯誤 ?屬性劃分增益 ?如何分裂變量 ?多元劃分與二元劃分 ?連續(xù)變量離散化（最優(yōu)分割點） ?修剪決策樹 ?剪枝原則 ?預剪枝與后剪枝 ?構建決策樹的四個算法 ?C5.0、CHAID、CART、QUEST ?各種算法的比較 ?如何選擇最優(yōu)分類模型？ 案例：商場用戶的典型特征提取 案例：客戶流失預警與客戶挽留 案例：識別拖欠銀行貨款者的特征，避免不良貨款 案例：識別電信詐騙者嘴臉，讓通信更安全 ?多分類決策樹 案例：不同套餐用戶的典型特征 ?決策樹模型的保存與應用 5、人工神經網絡（ANN） ?神經網絡概述 ?神經網絡基本原理 ?神經網絡的結構 ?神經網絡分類的幾何意義 ?神經網絡的建立步驟 ?神經網絡的關鍵問題 ?BP反向傳播網絡（MLP） ?徑向基網絡（RBF） 案例：評估銀行用戶拖欠貨款的概率 6、判別分析（DA） ?判別分析原理 ?判別分析種類 ?Fisher線性判別分析 案例：MBA學生錄取判別分析 案例：上市公司類別評估 7、最近鄰分類（KNN） ?KNN模型的基本原理 ?KNN分類的幾何意義 ?K近鄰的關鍵問題 8、支持向量機（SVM） ?SVM基本原理 ?線性可分問題：最大邊界超平面 ?線性不可分問題：特征空間的轉換 ?維災難與核函數 9、貝葉斯分類（NBN） ?貝葉斯分類原理 ?計算類別屬性的條件概率 ?估計連續(xù)屬性的條件概率 ?預測分類概率（計算概率） ?拉普拉斯修正 案例：評估銀行用戶拖欠貨款的概率 |
|
第四部分：定性預測模型—模型評估篇 1、模型的評估指標 ?兩大矩陣：混淆矩陣，代價矩陣 ?六大指標：Acc,P,R,Spec,F1,lift ?三條曲線： ?ROC曲線和AUC ?PR曲線和BEP ?KS曲線和KS值 2、模型的評估方法 ?原始評估法 ?留出法（Hold-Out） ?交叉驗證法（k-fold cross validation） ?自助采樣法（Bootstrapping） |
|
第五部分：定性預測模型—集成優(yōu)化篇 1、模型的優(yōu)化思路 2、集成算法基本原理 ?單獨構建多個弱分類器 ?多個弱分類器組合投票，決定預測結果 3、集成方法的種類 ?Bagging ?Boosting ?Stacking 4、Bagging集成 ?數據/屬性重抽樣 ?決策依據：少數服從多數 ?典型模型：隨機森林RF 5、Boosting集成 ?基于誤分數據建模 ?樣本選擇權重更新公式 ?決策依據：加權投票 ?典型模型：AdaBoost模型 |
近期公開課推薦
