課程目標(biāo)

本課程專注于金融行業(yè)的風(fēng)控模型，面向數(shù)據(jù)分析部等專門負(fù)責(zé)數(shù)據(jù)分析與建模的人士。

通過(guò)本課程的學(xué)習(xí)，達(dá)到如下目的：

1、 掌握數(shù)據(jù)建模的基本過(guò)程和步驟。

2、 掌握數(shù)據(jù)建模前的屬性篩選的系統(tǒng)方法，為建模打下基礎(chǔ)。

3、 掌握常用的分類預(yù)測(cè)模型，包括邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、判別分析等等，以及分類模型的優(yōu)化。

4、 掌握金融行業(yè)信用評(píng)分卡模型，構(gòu)建信用評(píng)分模型。

主要內(nèi)容包括數(shù)據(jù)建模的過(guò)程和步驟，以及建模涉及到的分析方法、分析模型，以及模型優(yōu)化等。

本課程突出數(shù)據(jù)挖掘的實(shí)際應(yīng)用，結(jié)合行業(yè)的典型應(yīng)用特點(diǎn)，從實(shí)際問(wèn)題入手，引出相關(guān)知識(shí)，進(jìn)行大數(shù)據(jù)的收集與處理；探索數(shù)據(jù)之間的規(guī)律及關(guān)聯(lián)性，幫助學(xué)員掌握系統(tǒng)的數(shù)據(jù)預(yù)處理方法；介紹常用的模型，訓(xùn)練模型，并優(yōu)化模型，以達(dá)到最優(yōu)分析結(jié)果。

【授課時(shí)間】

2-3天時(shí)間（每天6個(gè)小時(shí)）

【學(xué)員要求】

1、 每個(gè)學(xué)員自備一臺(tái)便攜機(jī)(必須)。

2、 便攜機(jī)中事先安裝好Office Excel 2013版本及以上。

3、 便攜機(jī)中事先安裝好IBM SPSS Statistics v24版本以上軟件。

注：講師可以提供試用版本軟件及分析數(shù)據(jù)源。

【授課方式】

基礎(chǔ)知識(shí)精講 + 案例演練 + 實(shí)際業(yè)務(wù)問(wèn)題分析 + SPSS實(shí)際操作

課程大綱

第一部分： 數(shù)據(jù)建模基本過(guò)程

1、 預(yù)測(cè)建模六步法

Ø 選擇模型：基于業(yè)務(wù)選擇恰當(dāng)?shù)臄?shù)據(jù)模型

Ø 屬性篩選：選擇對(duì)目標(biāo)變量有顯著影響的屬性來(lái)建模

Ø 訓(xùn)練模型：采用合適的算法對(duì)模型進(jìn)行訓(xùn)練，尋找到最合適的模型參數(shù)

Ø 評(píng)估模型：進(jìn)行評(píng)估模型的質(zhì)量，判斷模型是否可用

Ø 優(yōu)化模型：如果評(píng)估結(jié)果不理想，則需要對(duì)模型進(jìn)行優(yōu)化

Ø 應(yīng)用模型：如果評(píng)估結(jié)果滿足要求，則可應(yīng)用模型于業(yè)務(wù)場(chǎng)景

2、 數(shù)據(jù)挖掘常用的模型

Ø 數(shù)值預(yù)測(cè)模型：回歸預(yù)測(cè)、時(shí)序預(yù)測(cè)等

Ø 分類預(yù)測(cè)模型：邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等

Ø 市場(chǎng)細(xì)分：聚類、RFM、PCA等

Ø 產(chǎn)品推薦：關(guān)聯(lián)分析、協(xié)同過(guò)濾等

Ø 產(chǎn)品優(yōu)化：回歸、隨機(jī)效用等

Ø 產(chǎn)品定價(jià)：定價(jià)策略/最優(yōu)定價(jià)等

3、 屬性篩選/特征選擇/變量降維

Ø 基于變量本身特征

Ø 基于相關(guān)性判斷

Ø 因子合并（PCA等）

Ø IV值篩選（評(píng)分卡使用）

Ø 基于信息增益判斷（決策樹使用）

4、 模型評(píng)估

Ø 模型質(zhì)量評(píng)估指標(biāo)：R^2、正確率/查全率/查準(zhǔn)率/特異性等

Ø 預(yù)測(cè)值評(píng)估指標(biāo)：MAD、MSE/RMSE、MAPE、概率等

Ø 模型評(píng)估方法：留出法、K拆交叉驗(yàn)證、自助法等

Ø 其它評(píng)估：過(guò)擬合評(píng)估

5、 模型優(yōu)化

Ø 優(yōu)化模型：選擇新模型/修改模型

Ø 優(yōu)化數(shù)據(jù)：新增顯著自變量

Ø 優(yōu)化公式：采用新的計(jì)算公式

6、 模型實(shí)現(xiàn)算法（暫略）

7、 好模型是優(yōu)化出來(lái)的

案例：通信客戶流失分析及預(yù)警模型

第二部分： 屬性篩選方法

問(wèn)題：如何選擇合適的屬性來(lái)進(jìn)行建模預(yù)測(cè)？

比如：價(jià)格是否可用于產(chǎn)品銷量的預(yù)測(cè)？套餐的合理性是否會(huì)影響客戶流失？在欺詐風(fēng)險(xiǎn)中有哪些數(shù)據(jù)會(huì)有異常表現(xiàn)？

1、 屬性篩選/變量降維的常用方法

Ø 基于變量本身特征來(lái)選擇屬性

Ø 基于數(shù)據(jù)間的相關(guān)性來(lái)選擇屬性

Ø 基于因子合并（如PCA分析）實(shí)現(xiàn)變量的合并

Ø 利用IV值篩選

Ø 基于信息增益來(lái)選擇屬性

2、 相關(guān)分析（衡量變量間的線性相關(guān)性）

問(wèn)題：這兩個(gè)屬性是否會(huì)相互影響？影響程度大嗎？

Ø 相關(guān)分析簡(jiǎn)介

Ø 相關(guān)分析的三個(gè)種類

² 簡(jiǎn)單相關(guān)分析

² 偏相關(guān)分析

² 距離相關(guān)分析

Ø 相關(guān)系數(shù)的三種計(jì)算公式

² Pearson相關(guān)系數(shù)

² Spearman相關(guān)系數(shù)

² Kendall相關(guān)系數(shù)

Ø 相關(guān)分析的假設(shè)檢驗(yàn)

Ø 相關(guān)分析的四個(gè)基本步驟

演練：年齡和收入的相關(guān)分析

演練：營(yíng)銷費(fèi)用會(huì)影響銷售額嗎

演練：工作時(shí)間與收入有相關(guān)性嗎

演練：話費(fèi)與網(wǎng)齡的相關(guān)分析

Ø 偏相關(guān)分析

² 偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性

² 偏相關(guān)系數(shù)的計(jì)算公式

² 偏相關(guān)分析的適用場(chǎng)景

Ø 距離相關(guān)分析

3、 方差分析(衡量類別變量與數(shù)據(jù)變量的相關(guān)性)

問(wèn)題：哪些才是影響銷量的關(guān)鍵因素？

Ø 方差分析的應(yīng)用場(chǎng)景

Ø 方差分析的三個(gè)種類

² 單因素方差分析

² 多因素方差分析

² 協(xié)方差分析

Ø 方差分析的原理

Ø 方差分析的四個(gè)步驟

Ø 解讀方差分析結(jié)果的兩個(gè)要點(diǎn)

演練：用戶收入對(duì)銀行欠貸的影響分析

演練：家庭人數(shù)對(duì)銀行欠貸的影響分析

演練：年齡大小對(duì)欠貸有影響嗎

演練：尋找影響貸款風(fēng)險(xiǎn)的關(guān)鍵因素

Ø 多因素方差分析原理

Ø 多因素方差分析的作用

Ø 多因素方差結(jié)果的解讀

演練：廣告形式、地區(qū)對(duì)銷量的影響因素分析（多因素）

Ø 協(xié)方差分析原理

Ø 協(xié)方差分析的適用場(chǎng)景

演練：飼料對(duì)生豬體重的影響分析（協(xié)方差分析）

4、 列聯(lián)分析/卡方檢驗(yàn)（兩類別變量的相關(guān)性分析）

Ø 交叉表與列聯(lián)表

Ø 卡方檢驗(yàn)的原理

Ø 卡方檢驗(yàn)的幾個(gè)計(jì)算公式

Ø 列聯(lián)表分析的適用場(chǎng)景

演練：不同的信用卡類型會(huì)有不同欠貸風(fēng)險(xiǎn)嗎

演練：有無(wú)住房對(duì)欠貸的影響分析

案例：行業(yè)/規(guī)模對(duì)風(fēng)控的影響分析

5、 相關(guān)性分析各種方法的適用場(chǎng)景

6、 主成份分析（PCA）

Ø 因子分析的原理

Ø 因子個(gè)數(shù)如何選擇

Ø 如何解讀因子含義

案例：提取影響電信客戶流失的主成分分析

第三部分： 回歸預(yù)測(cè)模型篇

問(wèn)題：如何預(yù)測(cè)產(chǎn)品的銷量/銷售金額？如果產(chǎn)品跟隨季節(jié)性變動(dòng)，該如何預(yù)測(cè)？新產(chǎn)品上市，如果評(píng)估銷量上限及銷售增速？

1、 常用的數(shù)值預(yù)測(cè)模型

Ø 回歸預(yù)測(cè)

Ø 時(shí)序預(yù)測(cè)

2、 回歸預(yù)測(cè)/回歸分析

問(wèn)題：如何預(yù)測(cè)未來(lái)的銷售量（定量分析）？

Ø 回歸分析的基本原理和應(yīng)用場(chǎng)景

Ø 回歸分析的種類（一元/多元、線性/曲線）

Ø 得到回歸方程的四種常用方法

² Excel函數(shù)

² 散點(diǎn)圖+趨勢(shì)線

² 線性回歸工具

² 規(guī)范求解

Ø 線性回歸分析的五個(gè)步驟

Ø 回歸方程結(jié)果的解讀要點(diǎn)

Ø 評(píng)估回歸模型質(zhì)量的常用指標(biāo)

Ø 評(píng)估預(yù)測(cè)值的準(zhǔn)確度的常用指標(biāo)

演練：散點(diǎn)圖找推廣費(fèi)用與銷售額的關(guān)系（一元線性回歸）

演練：推廣費(fèi)用、辦公費(fèi)用與銷售額的關(guān)系（多元線性回歸）

演練：讓你的營(yíng)銷費(fèi)用預(yù)算更準(zhǔn)確

演練：如何選擇最佳的回歸預(yù)測(cè)模型（曲線回歸）

Ø 帶分類變量的回歸預(yù)測(cè)

演練：汽車季度銷量預(yù)測(cè)

演練：工齡、性別與終端銷量的關(guān)系

演練：如何評(píng)估銷售目標(biāo)與資源配置（營(yíng)業(yè)廳）

3、 自動(dòng)篩選不顯著自變量

第四部分： 回歸預(yù)測(cè)模型優(yōu)化篇

1、 回歸分析的基本原理

Ø 三個(gè)基本概念：總變差、回歸變差、剩余變差

Ø 方程的顯著性檢驗(yàn)：是否可以做回歸分析？

Ø 因素的顯著性檢驗(yàn)：自變量是否可用？

Ø 擬合優(yōu)度檢驗(yàn)：回歸模型的質(zhì)量評(píng)估？

Ø 理解標(biāo)準(zhǔn)誤差的含義：預(yù)測(cè)的準(zhǔn)確性？

2、 回歸模型優(yōu)化思路：尋找最佳回歸擬合線

Ø 如何處理預(yù)測(cè)離群值（剔除離群值）

Ø 如何剔除非顯著因素（剔除不顯著因素）

Ø 如何進(jìn)行非線性關(guān)系檢驗(yàn)（增加非線性自變量）

Ø 如何進(jìn)行相互作用檢驗(yàn)（增加相互作用自變量）

Ø 如何進(jìn)行多重共線性檢驗(yàn)（剔除共線性自變量）

Ø 如何檢驗(yàn)誤差項(xiàng)（修改因變量）

Ø 如何判斷模型過(guò)擬合（模型過(guò)擬合判斷）

案例：模型優(yōu)化案例

3、 規(guī)劃求解工具簡(jiǎn)介

4、 自定義回歸模型（如何利用規(guī)劃求解進(jìn)行自定義模型）

案例：如何對(duì)餐廳客流量進(jìn)行建模及模型優(yōu)化

5、 好模型都是優(yōu)化出來(lái)的

第五部分： 分類預(yù)測(cè)模型

問(wèn)題：如何評(píng)估客戶購(gòu)買產(chǎn)品的可能性？或者說(shuō)，影響客戶購(gòu)買意向的產(chǎn)品關(guān)鍵特性是什么？

1、 分類預(yù)測(cè)模型概述

2、 常見(jiàn)分類預(yù)測(cè)模型

3、 評(píng)估分類模型的常用指標(biāo)

Ø 正確率、查全率/查準(zhǔn)率、特異性等

4、 邏輯回歸分析模型（LR）

問(wèn)題：如果評(píng)估用戶是否購(gòu)買產(chǎn)品的概率？

Ø 邏輯回歸模型原理及適用場(chǎng)景

Ø 邏輯回歸的種類

² 二項(xiàng)邏輯回歸

² 多項(xiàng)邏輯回歸

Ø 如何解讀邏輯回歸方程

Ø 帶分類自變量的邏輯回歸分析

Ø 多項(xiàng)邏輯回歸

案例：如何評(píng)估用戶是否會(huì)有違約風(fēng)險(xiǎn)（二項(xiàng)邏輯回歸）

案例：多品牌選擇模型分析（多項(xiàng)邏輯回歸）

5、 決策樹分類（DT）

問(wèn)題：如何提取客戶流失者、拖欠貨款者的特征？如何預(yù)測(cè)其流失的概率？ 

Ø 決策樹分類的原理

Ø 決策樹的三個(gè)關(guān)鍵問(wèn)題

² 如何選擇最佳屬性來(lái)構(gòu)建節(jié)點(diǎn)

² 如何分裂變量

² 如何修剪決策樹

Ø 選擇最優(yōu)屬性

² 熵、基尼索引、分類錯(cuò)誤

² 屬性劃分增益

Ø 如何分裂變量

² 多元?jiǎng)澐峙c二元?jiǎng)澐?/p>

² 連續(xù)變量離散化（最優(yōu)劃分點(diǎn)）

Ø 修剪決策樹

² 剪枝原則

² 預(yù)剪枝與后剪枝

Ø 構(gòu)建決策樹的四個(gè)算法

² C5.0、CHAID、CART、QUEST

² 各種算法的比較

Ø 如何選擇最優(yōu)分類模型？

案例：識(shí)別銀行欠貨風(fēng)險(xiǎn)，提取欠貨者的特征

案例：客戶流失預(yù)警與客戶挽留模型

6、 人工神經(jīng)網(wǎng)絡(luò)（ANN）

Ø 神經(jīng)網(wǎng)絡(luò)概述

Ø 神經(jīng)網(wǎng)絡(luò)基本原理

Ø 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

Ø 神經(jīng)網(wǎng)絡(luò)的建立步驟

Ø 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問(wèn)題

Ø BP反向傳播網(wǎng)絡(luò)（MLP）

Ø 徑向基網(wǎng)絡(luò)（RBF）

案例：評(píng)估銀行用戶拖欠貨款的概率

7、 判別分析（DA）

Ø 判別分析原理

Ø 距離判別法

Ø 典型判別法

Ø 貝葉斯判別法

案例：MBA學(xué)生錄取判別分析

案例：上市公司類別評(píng)估

8、 最近鄰分類（KNN）

Ø 基本原理

Ø 關(guān)鍵問(wèn)題

9、 貝葉斯分類（NBN）

Ø 貝葉斯分類原理

Ø 計(jì)算類別屬性的條件概率

Ø 估計(jì)連續(xù)屬性的條件概率

Ø 貝葉斯網(wǎng)絡(luò)種類：TAN/馬爾科夫毯

Ø 預(yù)測(cè)分類概率（計(jì)算概率）

案例：評(píng)估銀行用戶拖欠貨款的概率

10、 支持向量機(jī)（SVM）

Ø SVM基本原理

Ø 線性可分問(wèn)題：最大邊界超平面

Ø 線性不可分問(wèn)題：特征空間的轉(zhuǎn)換

Ø 維空難與核函數(shù)

第六部分： 分類模型優(yōu)化篇（集成方法）

1、 分類模型的優(yōu)化思路：利用弱分類器構(gòu)建強(qiáng)分類模型

2、 集成方法的基本原理

Ø 選取多個(gè)數(shù)據(jù)集，構(gòu)建多個(gè)弱分類器

Ø 多個(gè)弱分類器投票決定

3、 集成方法/元算法的種類

Ø Bagging算法

Ø Boosting算法

4、 Bagging原理

Ø 如何選擇數(shù)據(jù)集

Ø 如何進(jìn)行投票

Ø 隨機(jī)森林

5、 Boosting的原理

Ø AdaBoost算法流程

Ø 樣本選擇權(quán)重計(jì)算公式

Ø 分類器投票權(quán)重計(jì)算公式

第七部分： 銀行信用評(píng)分卡模型

1、 信用評(píng)分卡模型簡(jiǎn)介

2、 評(píng)分卡的關(guān)鍵問(wèn)題

3、 信用評(píng)分卡建立過(guò)程

Ø 篩選重要屬性

Ø 數(shù)據(jù)集轉(zhuǎn)化

Ø 建立分類模型

Ø 計(jì)算屬性分值

Ø 確定審批閾值

4、 篩選重要屬性

Ø 屬性分段

Ø 基本概念：WOE、IV

Ø 屬性重要性評(píng)估

5、 數(shù)據(jù)集轉(zhuǎn)化

Ø 連續(xù)屬性最優(yōu)分段

Ø 計(jì)算屬性取值的WOE

6、 建立分類模型

Ø 訓(xùn)練邏輯回歸模型

Ø 評(píng)估模型

Ø 得到字段系數(shù)

7、 計(jì)算屬性分值

Ø 計(jì)算補(bǔ)償與刻度值

Ø 計(jì)算各字段得分

Ø 生成評(píng)分卡

8、 確定審批閾值

Ø 畫K-S曲線

Ø 計(jì)算K-S值

Ø 獲取最優(yōu)閾值

案例：構(gòu)建銀行小額貸款的用戶信用模型

第八部分： 數(shù)據(jù)預(yù)處理篇（了解你的數(shù)據(jù)集）

1、 數(shù)據(jù)預(yù)處理的主要任務(wù)

Ø 數(shù)據(jù)集成：多個(gè)數(shù)據(jù)集的合并

Ø 數(shù)據(jù)清理：異常值的處理

Ø 數(shù)據(jù)處理：數(shù)據(jù)篩選、數(shù)據(jù)精簡(jiǎn)、數(shù)據(jù)平衡

Ø 變量處理：變量變換、變量派生、變量精簡(jiǎn)

Ø 數(shù)據(jù)歸約：實(shí)現(xiàn)降維，避免維災(zāi)難

2、 數(shù)據(jù)集成

Ø 外部數(shù)據(jù)讀入：Txt/Excel/SPSS/Database

Ø 數(shù)據(jù)追加（添加數(shù)據(jù)）

Ø 變量合并（添加變量）

3、 數(shù)據(jù)理解（異常數(shù)據(jù)處理）

Ø 取值范圍限定

Ø 重復(fù)值處理

Ø 無(wú)效值/錯(cuò)誤值處理

Ø 缺失值處理

Ø 離群值/極端值處理

Ø 數(shù)據(jù)質(zhì)量評(píng)估

4、 數(shù)據(jù)準(zhǔn)備：數(shù)據(jù)處理

Ø 數(shù)據(jù)篩選：數(shù)據(jù)抽樣/選擇（減少樣本數(shù)量）

Ø 數(shù)據(jù)精簡(jiǎn)：數(shù)據(jù)分段/離散化（減少變量的取值個(gè)數(shù)）

Ø 數(shù)據(jù)平衡：正反樣本比例均衡

5、 數(shù)據(jù)準(zhǔn)備：變量處理

Ø 變量變換：原變量取值更新，比如標(biāo)準(zhǔn)化

Ø 變量派生：根據(jù)舊變量生成新的變量

Ø 變量精簡(jiǎn)：降維，減少變量個(gè)數(shù)

6、 數(shù)據(jù)降維

Ø 常用降維的方法

Ø 如何確定變量個(gè)數(shù)

Ø 特征選擇：選擇重要變量，剔除不重要的變量

² 從變量本身考慮

² 從輸入變量與目標(biāo)變量的相關(guān)性考慮

² 對(duì)輸入變量進(jìn)行合并

Ø 因子分析（主成分分析）

² 因子分析的原理

² 因子個(gè)數(shù)如何選擇

² 如何解讀因子含義

案例：提取影響電信客戶流失的主成分分析

7、 數(shù)據(jù)探索性分析

Ø 常用統(tǒng)計(jì)指標(biāo)分析

Ø 單變量：數(shù)值變量/分類變量

Ø 雙變量：交叉分析/相關(guān)性分析

Ø 多變量：特征選擇、因子分析

演練：描述性分析（頻數(shù)、描述、探索、分類匯總）

8、 數(shù)據(jù)可視化

Ø 數(shù)據(jù)可視化：柱狀圖、條形圖、餅圖、折線圖、箱圖、散點(diǎn)圖等

Ø 圖形的表達(dá)及適用場(chǎng)景

演練：各種圖形繪制

第九部分： 數(shù)據(jù)建模實(shí)戰(zhàn)篇

1、 電信業(yè)客戶流失預(yù)警和客戶挽留模型實(shí)戰(zhàn)

2、 銀行欠貸風(fēng)險(xiǎn)預(yù)測(cè)模型實(shí)戰(zhàn)

3、 銀行信用卡評(píng)分模型實(shí)戰(zhàn)

結(jié)束：課程總結(jié)與問(wèn)題答疑。

講師簡(jiǎn)介 

傅一航

華為系大數(shù)據(jù)專家

計(jì)算機(jī)軟件與理論碩士研究生

（研究方向：數(shù)據(jù)挖掘、搜索引擎）

在華為工作十年，五項(xiàng)國(guó)家專利，在華為工作期間

獲得華為數(shù)項(xiàng)獎(jiǎng)項(xiàng)，曾在英國(guó)、日本、荷蘭和比利

時(shí)等海外市場(chǎng)做項(xiàng)目，對(duì)大數(shù)據(jù)有深入的研究。

傅老師專注于大數(shù)據(jù)分析與挖掘、機(jī)器學(xué)習(xí)等應(yīng)用技術(shù)，以及大數(shù)據(jù)系統(tǒng)部署解決方案。旨在將大數(shù)據(jù)的數(shù)據(jù)分析、數(shù)據(jù)挖掘、數(shù)據(jù)建模應(yīng)用于行業(yè)及商業(yè)領(lǐng)域，解決行業(yè)實(shí)際的問(wèn)題。

1、讓決策更科學(xué)：將大數(shù)據(jù)應(yīng)用于運(yùn)營(yíng)決策，用大數(shù)據(jù)探索領(lǐng)域發(fā)展規(guī)律和行業(yè)發(fā)展趨勢(shì)，有效分析用戶需求，并預(yù)測(cè)用戶行為，最終實(shí)現(xiàn)市場(chǎng)變化預(yù)測(cè)，提升企業(yè)科學(xué)決策能力。

2、讓管理更高效：將大數(shù)據(jù)應(yīng)用于企業(yè)管理，用大數(shù)據(jù)呈現(xiàn)企業(yè)整體運(yùn)營(yíng)情況，診斷企業(yè)管理問(wèn)題和風(fēng)險(xiǎn)，全面理解組織、產(chǎn)品、人員、營(yíng)銷、財(cái)務(wù)等要素間的相關(guān)性，實(shí)現(xiàn)企業(yè)資源的最優(yōu)化配置，提升企業(yè)管理效率。

3、讓營(yíng)銷更精準(zhǔn)：將大數(shù)據(jù)應(yīng)用于市場(chǎng)營(yíng)銷，解決營(yíng)銷中的用戶群細(xì)分和品牌定位，客戶價(jià)值評(píng)估，產(chǎn)品設(shè)計(jì)優(yōu)化，產(chǎn)品最優(yōu)定價(jià)等實(shí)際問(wèn)題，實(shí)現(xiàn)精準(zhǔn)營(yíng)銷和精準(zhǔn)推薦，以最小的營(yíng)銷成本實(shí)現(xiàn)最大化的營(yíng)銷效果。

傅老師目前致力于將大數(shù)據(jù)技術(shù)應(yīng)用于通信、金融、航空、電商、互聯(lián)網(wǎng)、政府等領(lǐng)域。傅老師的課程最大特色：實(shí)戰(zhàn)性強(qiáng)！“圍繞業(yè)務(wù)問(wèn)題+搭建分析框架+運(yùn)用分析方法+建立分析模型+熟悉分析工具+形成業(yè)務(wù)策略”。以商業(yè)問(wèn)題為起點(diǎn)，基于實(shí)際的業(yè)務(wù)應(yīng)用場(chǎng)景（明確目的），搭建全面系統(tǒng)的業(yè)務(wù)框架和分析維度（分析思路），選擇最合適的方法（分析方法），深入淺出的理論講解（分析模型），使用簡(jiǎn)單實(shí)用的工具操作（分析工具），對(duì)分析結(jié)果進(jìn)行有效的解讀（數(shù)據(jù)可視化），最終形成具體的業(yè)務(wù)建議，實(shí)現(xiàn)業(yè)務(wù)分析/數(shù)據(jù)分析的閉環(huán)。

培訓(xùn)課題設(shè)計(jì):

應(yīng)用類：

《大數(shù)據(jù)分析與數(shù)據(jù)挖掘綜合能力提升實(shí)戰(zhàn)》

《“數(shù)”說(shuō)營(yíng)銷----大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)與沙盤》

《市場(chǎng)營(yíng)銷大數(shù)據(jù)分析實(shí)戰(zhàn)培訓(xùn)》

《大數(shù)據(jù)建模與模型優(yōu)化實(shí)戰(zhàn)培訓(xùn)》

《大數(shù)據(jù)分析與挖掘之SPSS工具入門與提高》

《金融行業(yè)風(fēng)險(xiǎn)預(yù)測(cè)模型實(shí)戰(zhàn)培訓(xùn)》

理論/認(rèn)知/戰(zhàn)略類：

《大數(shù)據(jù)產(chǎn)業(yè)現(xiàn)狀及應(yīng)用創(chuàng)新》

《大數(shù)據(jù)思維與應(yīng)用創(chuàng)新》

《大數(shù)據(jù)時(shí)代的精準(zhǔn)營(yíng)銷》

技術(shù)類：

《Hadoop大數(shù)據(jù)解決方案開(kāi)發(fā)技術(shù)基礎(chǔ)培訓(xùn)》

《Python開(kāi)發(fā)基礎(chǔ)實(shí)戰(zhàn)》

《大數(shù)據(jù)分析與挖掘之Python開(kāi)發(fā)實(shí)戰(zhàn)》

《Python機(jī)器學(xué)習(xí)算法原理及優(yōu)化實(shí)現(xiàn)》

服務(wù)客戶:

傅老師曾提供過(guò)培訓(xùn)咨詢服務(wù)的客戶遍及通信、金融、交通、制造、政府等行業(yè)，包括華為、富士康、平安集團(tuán)、中國(guó)銀行、招商銀行、光大銀行、中信銀行、交通銀行、廣電銀通、西部航空、海南航空、中國(guó)移動(dòng)、中國(guó)聯(lián)通、中國(guó)電信、西部航空、安能物流、廣州地鐵、富維江森、東風(fēng)日產(chǎn)、神南礦業(yè)、公交集團(tuán)、廣州稅務(wù)、良品鋪?zhàn)拥葐挝缓凸�司�?/p>

部分信息如下所示：

通信行業(yè)培訓(xùn)客戶：

聯(lián)通研究院：《大數(shù)據(jù)預(yù)測(cè)建模優(yōu)化》

廣州電信：《大數(shù)據(jù)時(shí)代的精準(zhǔn)營(yíng)銷》兩期

北京電信：《大數(shù)據(jù)分析綜合能力提升》

香港電信：《大數(shù)據(jù)精準(zhǔn)營(yíng)銷實(shí)戰(zhàn)》

上海電信：《渠道大數(shù)據(jù)分析與挖掘思路及方法》兩期

河北電信：《數(shù)據(jù)化運(yùn)營(yíng)下的大數(shù)據(jù)分析綜合能力提升實(shí)戰(zhàn)》

南京電信：《大數(shù)據(jù)視圖支撐精準(zhǔn)化營(yíng)銷》

佛山電信：《數(shù)據(jù)挖掘技術(shù)及其應(yīng)用培訓(xùn)》

泉州電信：《大數(shù)據(jù)挖掘、信息分析及應(yīng)用培訓(xùn)》

湖北聯(lián)通：《大數(shù)據(jù)分析與商業(yè)智能》

廣東聯(lián)通：《數(shù)據(jù)分析與數(shù)據(jù)挖掘?qū)崙?zhàn)培訓(xùn)》兩期

江蘇聯(lián)通：《大數(shù)據(jù)分析綜合能力提升》

吉林聯(lián)通：《大數(shù)據(jù)分析綜合能力提升-中級(jí)》

烏魯木齊聯(lián)通：《大數(shù)據(jù)分析綜合能力提升》

上海移動(dòng)：《大數(shù)據(jù)分析與挖掘、建模及優(yōu)化》叁期

浙江移動(dòng)：《大數(shù)據(jù)分析與數(shù)據(jù)挖掘應(yīng)用實(shí)戰(zhàn)》

江蘇移動(dòng)：《大數(shù)據(jù)精準(zhǔn)營(yíng)銷技能提升實(shí)戰(zhàn)》

深圳移動(dòng)：《大數(shù)據(jù)分析綜合能力提升》

廣西移動(dòng)：《大數(shù)據(jù)發(fā)展趨勢(shì)及在公司營(yíng)銷領(lǐng)域的應(yīng)用》

遼寧移動(dòng)2期：《數(shù)據(jù)分析方法與經(jīng)營(yíng)分析技巧》

泉州移動(dòng)3期：《數(shù)說(shuō)營(yíng)銷—市場(chǎng)營(yíng)銷數(shù)據(jù)分析與挖掘應(yīng)用》

德陽(yáng)移動(dòng)2期：《大數(shù)據(jù)挖掘與建模優(yōu)化實(shí)戰(zhàn)培訓(xùn)》

浙江移動(dòng)：《大數(shù)據(jù)產(chǎn)品營(yíng)銷能力提升》

四川移動(dòng)：《大數(shù)據(jù)分析與挖掘綜合能力提升》

吉林移動(dòng)：《數(shù)據(jù)分析與數(shù)據(jù)挖掘培訓(xùn)》；

貴州移動(dòng)：《“數(shù)”說(shuō)營(yíng)銷----大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)與沙盤》

海南移動(dòng)：《基于大數(shù)據(jù)運(yùn)營(yíng)的用戶行為分析與精準(zhǔn)定位》

山東移動(dòng)：《大數(shù)據(jù)分析綜合能力提升》

深圳移動(dòng)：《大數(shù)據(jù)在行業(yè)內(nèi)外的應(yīng)用》

中國(guó)移動(dòng)終端公司：《大數(shù)據(jù)分析綜合能力提升培訓(xùn)》

中山移動(dòng)：《“數(shù)”說(shuō)營(yíng)銷----大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)與沙盤》

東莞移動(dòng)：《“數(shù)”說(shuō)營(yíng)銷----大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)與沙盤》

成都移動(dòng)：《數(shù)字化運(yùn)營(yíng)下的數(shù)據(jù)分析與數(shù)據(jù)挖掘》

眉山移動(dòng)2期：《大數(shù)據(jù)分析綜合能力提升》

云浮移動(dòng)：《大數(shù)據(jù)挖掘和信息提煉專項(xiàng)培訓(xùn)》

陽(yáng)江移動(dòng)：《小數(shù)據(jù)·大運(yùn)營(yíng)--運(yùn)營(yíng)數(shù)據(jù)的分析與挖掘》

德陽(yáng)移動(dòng)：《電信運(yùn)營(yíng)商市場(chǎng)營(yíng)銷數(shù)據(jù)挖掘應(yīng)用典型案例》

陜西在線：《“數(shù)”說(shuō)營(yíng)銷----大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)與沙盤》

四川在線：《“數(shù)”說(shuō)營(yíng)銷----大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)與沙盤》

大連移動(dòng)：《“數(shù)”說(shuō)營(yíng)銷----大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)與沙盤》

內(nèi)蒙古移動(dòng)：《大數(shù)據(jù)分析與Hadoop大數(shù)據(jù)解決方案》

貴州中移通信：《SPSS數(shù)據(jù)分析與數(shù)據(jù)挖掘應(yīng)用實(shí)戰(zhàn)》

華為技術(shù)：《話務(wù)量預(yù)測(cè)與排班管理》

……

金融行業(yè)培訓(xùn)客戶：

中國(guó)銀行：《大數(shù)據(jù)變革與商業(yè)模式創(chuàng)新》《大數(shù)據(jù)時(shí)代的精準(zhǔn)營(yíng)銷》

廣發(fā)銀行：《大數(shù)據(jù)下的精準(zhǔn)營(yíng)銷實(shí)戰(zhàn)》四期

中信銀行：《大數(shù)據(jù)分析與挖掘綜合能力提升實(shí)戰(zhàn)》叁期

交通銀行：《大數(shù)據(jù)時(shí)代的精準(zhǔn)營(yíng)銷》

安信證券：《大數(shù)據(jù)時(shí)代下的金融發(fā)展》

平安集團(tuán)：《大數(shù)據(jù)思維與應(yīng)用創(chuàng)新》

平安產(chǎn)險(xiǎn)：《大數(shù)據(jù)分析綜合能力提升》

平安壽險(xiǎn)：《大數(shù)據(jù)分析與應(yīng)用實(shí)戰(zhàn)》

平安銀行：《大數(shù)據(jù)思維與應(yīng)用創(chuàng)新》

農(nóng)業(yè)銀行：《Python大數(shù)據(jù)分析與挖掘》叁期

建設(shè)銀行：《大數(shù)據(jù)思維與應(yīng)用創(chuàng)新》兩期

光大銀行：《大數(shù)據(jù)分析與數(shù)據(jù)挖掘應(yīng)用實(shí)戰(zhàn)》四期

招商銀行：《“數(shù)”說(shuō)營(yíng)銷----大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)與沙盤》四期

杭州銀貨通科技：《大數(shù)據(jù)產(chǎn)業(yè)發(fā)展及應(yīng)用創(chuàng)新》

廣電銀通：《大數(shù)據(jù)綜合能力提升》

平安普惠金融：《Hadoop解決方案技術(shù)培訓(xùn)》

浦發(fā)銀行：《大數(shù)據(jù)精準(zhǔn)營(yíng)銷》

金融壹帳通：《大數(shù)據(jù)分析與挖掘綜合能力提升實(shí)戰(zhàn)》

中金所：《大數(shù)據(jù)思維與應(yīng)用創(chuàng)新》

……

能源汽車交通行業(yè)培訓(xùn)客戶：

一汽解放錫柴：《大數(shù)據(jù)思維與應(yīng)用創(chuàng)新》

廣東郵政：《大數(shù)據(jù)分析綜合能力提升實(shí)戰(zhàn)》

深圳水務(wù)：《大數(shù)據(jù)思維與應(yīng)用創(chuàng)新》

寧夏國(guó)電：《大數(shù)據(jù)思維與應(yīng)用》兩期

柳州上汽五菱：《大數(shù)據(jù)下的精準(zhǔn)營(yíng)銷實(shí)戰(zhàn)》

東風(fēng)商用：《數(shù)說(shuō)營(yíng)銷實(shí)戰(zhàn)》

東風(fēng)日產(chǎn)：《大數(shù)據(jù)分析與數(shù)據(jù)挖掘應(yīng)用實(shí)戰(zhàn)》兩期

富維江森（汽車）：《數(shù)字化運(yùn)營(yíng)下的數(shù)據(jù)分析與數(shù)據(jù)挖掘應(yīng)用培訓(xùn)》

廣州地鐵：《大數(shù)據(jù)分析與數(shù)據(jù)挖掘培訓(xùn)》兩期

廣州地鐵：《數(shù)據(jù)分析與數(shù)據(jù)建模實(shí)戰(zhàn)》兩期

西部航空：《數(shù)字化運(yùn)營(yíng)下的數(shù)據(jù)分析與數(shù)據(jù)挖掘應(yīng)用培訓(xùn)》

海南航空：《利用大數(shù)據(jù)營(yíng)銷提升航線收益》

南方航空：《大數(shù)據(jù)精準(zhǔn)營(yíng)銷實(shí)戰(zhàn)》兩期

北京機(jī)場(chǎng)貴賓公司：《市場(chǎng)營(yíng)銷數(shù)據(jù)的分析》

深圳公交集團(tuán)：《大數(shù)據(jù)與智慧交通》

延長(zhǎng)殼牌：《大數(shù)據(jù)分析與挖掘綜合能力提升》

神南礦業(yè)：《大數(shù)據(jù)產(chǎn)業(yè)發(fā)展與應(yīng)用創(chuàng)新》

寶雞國(guó)電：《大數(shù)據(jù)分析與挖掘》兩期

順豐快遞：《大數(shù)據(jù)分析綜合能力提升實(shí)戰(zhàn)》

……

其它行業(yè)培訓(xùn)客戶：

嶺南集團(tuán)：《大數(shù)據(jù)時(shí)代下的精準(zhǔn)營(yíng)銷》

ABB：《大數(shù)據(jù)分析實(shí)戰(zhàn)培訓(xùn)》

頂新國(guó)際：《大數(shù)據(jù)思維與應(yīng)用創(chuàng)新》

索菲亞：《大數(shù)據(jù)分析實(shí)戰(zhàn)培訓(xùn)》

玫琳凱：《大數(shù)據(jù)思維與應(yīng)用》叁期

西部數(shù)據(jù)：《大數(shù)據(jù)分析綜合能力提升》

無(wú)限極：《大數(shù)據(jù)分析綜合能力提升》兩期

雅圖仕：《大數(shù)據(jù)分析綜合能力提升》

施耐德：《大數(shù)據(jù)分析綜合能力提升》叁期

廣州稅務(wù)：《大數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》叁期

YKK吉田拉鏈：《大數(shù)據(jù)分析綜合能力提升培訓(xùn)》

富士康：《數(shù)據(jù)分析綜合能力提升培訓(xùn)》

貴州中煙：《互聯(lián)網(wǎng)+時(shí)代的大數(shù)據(jù)思維》

深圳欣盛商：《電商大數(shù)據(jù)分析》

安能物流：《大數(shù)據(jù)挖掘分析及應(yīng)用實(shí)戰(zhàn)》

良品鋪?zhàn)樱骸洞髷?shù)據(jù)分析綜合能力提升》兩期

新時(shí)代集團(tuán)：《問(wèn)題的挖掘、分析—數(shù)據(jù)分析技巧》兩期培訓(xùn)

挑戰(zhàn)牧業(yè)：《大數(shù)據(jù)分析綜合能力提升》

易鑫集團(tuán)：《大數(shù)據(jù)分析綜合能力提升》

贛州監(jiān)獄：《大數(shù)據(jù)時(shí)代的營(yíng)銷》共三期培訓(xùn)

賀州學(xué)院：《大數(shù)據(jù)時(shí)代的人才培養(yǎng)》

……