-
助理
阿荣
大数据时代的数据挖掘及案例(含
CRISP-
DM
方法论)
课程收益:
通过本次培训中实际案例
的分享,了解数据管理和运营中的各种经验教训
(别人花费上百亿学费买来的经验啊!<
/p>
)
,
深刻理解数据运营的意义,
通过数据挖
掘技术,
发掘客户精细营销和运营的
价值,
实现产品设计的个性化需求分析。
通
过本次培训中实际案例的分享,
学习数据挖掘的基本算法
,
了解数据挖掘的各种
方法,
深刻理解
大数据时代的数据价值,
学习提升企业精细化管理的途径和案例。
学习互联网思维如何应用于数据挖掘领域,
提升客户体验,
加
强产品的个性化设
计需求。
课程背景:
2012-2014
p>
年,中国的营销者正面临着一个极具挑战的经济时局,然而他们
有机
会通过撬动海量数据的杠杆来获取巨额收益。
面对中国
5.13
亿的互联网用户、多样化的
1.8<
/p>
万亿
GB
数据,以及企业数据
每年
55%
的增长速度,在蓬勃发展的中国市场环
境中,大数据所带来的机遇前所
未有,
这将是中国市场的营销者
们预期取得大回报的最佳时机。
营销者必须知道
如何透过数据库
的挖掘与分析,
让手中的数据与信息发挥最大的价值,
通过有效
整合、分析线上和线下数据,提高与客户、潜在客户互动的精准度,及时发现企
业经营中的各种问题和风险。
在制造行业,通
过
ERP
、
CRM
等系统,企业在产品制造的过程中也逐步积累
了各种形式的大数据,
如何将这些大数据服务于企业的生产过程,
提高产品质量
控制能力,并提升对客户服务质量,也是摆在制造企业面前的一个紧迫问题。
其中手机制造企业如何使用数据挖掘的方法,深化客户需求分析,改进产品
设计,提升客户营销能力,扩展市场份额是摆在企业面前的问题。
培训目标:
大数据时代下,客户的重新认识和精细营销,企业的精细化管理,产品质量
助理
阿荣
的精准控制,
如何提升企业的核心竞争能力,
如
何更新企业运营的新理念。
了解
互联网时代带来的互联网思维,
分享互联网行业大数据分析案例,
对传统制造产
业带来的冲击分析,探索制造业大数据应用场景。了解大数据处理的基本技术,
包括数据仓库、数据挖掘、云计算、数据挖掘、元数据等基本内容。解决数据质
量的方法
和经验,数据管理的组织机构设置等。
课程内容:
一、
“大数据、大机会”
:
1.
概述
1)
大数据概念和特点
2)
大数据需要哪些技术支撑
3)
大数据能够带来哪些新应用?
2.
大数据时代带来对传统营销的挑战
1)
大数据如何成为资产?——
GOO
GLE
的市值远超过制造企业
2)
大数据如何体现精细营销
3)
大数据的价值——靠空调电表判断气候趋势(
“指数”
)
3.
大数据时代的“互联网思维”营销模式
1)
互联网思维——先圈用户再挣钱
2<
/p>
)互联网的营销模式——微博营销、网页营销等
3) CRM
——“旧貌焕发新颜”
4)
精细营销——装上了
GPS
,实现“精确打击”
4.
< br>如何在海量数据中整合线上、线下数据,形成你对客户的独特洞察力
1)
知道客户的各个属性——互联网时代不再“是否是狗”
2)
客户的群体特征——“人以群分”
5.
如何建立产品分析的数据平台,提供产品的“标尺”
1)
产品的数据有哪些?
2)
产品设计的互联网思维?——小米手机
3)
产品的大数据分析——哪些维度?
4
)如何“产品为中心”发展为“客户为中心”?——有数据就
有可能
助理
阿荣
6.
大数据对企业的精细管理提升
1
)企业的精细管理——不再盲人摸象
2
)企业的
KPI
仪表板——进入驾驶舱
3
)预防
企业的管理风险——早诊断、早发现
4
)员工的量化绩效评定——计件之后计量
7.
大数据提升企业的产品质量
p>
1
)建立量化的产品管理方法——辣椒的辣度评定
< br>
2
)产品制造过程的管理控制——监控大数据分析
p>
3
)产品问题的及时监控——温度、风速
等异常早发现
4
)产品订制的范例—
—好莱坞大片的大数据
5
)产品质量
的量化管控——挡板安装的故事
二、大数据的“数据挖掘技术”
1.
数据挖掘概述
1
)基本概念——“啤酒和尿布的故事”
2
)与专家系统、统计分析、人工智能的关系——演进历史分析
3
)数据挖掘在制造行业的应用内容——如何体现“智能制造”?
2. CRISP-
DM
过程描述
1
)商业理解——要实现什么“目的”?
2
)数据的理解以及收集——手里有哪些数据?
3
)数据的准备——数据的清洗及转换
4
)应用数据挖掘工具建立模型——使用哪种数据挖掘算法和工
具?
5
)模型评估——算法评估
6
)部署(并形成数据挖掘报告)——实际使用及形成报告
3.
数据挖掘常用算法介绍
预测型
1
)分类算法
2
)回归分析
3
)时间序列
助理
阿荣
描述型
4
)关联分析
5
)序列关联分析
6
)聚类分析
4.
数据挖掘具体算法举例
1
)神经网络算法
2
)决策树算法
5.
根据实际问题选择数据挖掘算法
1
)客户离网分析
2
)客户分群模型
3
)产品关联分析
4
)问题的描述
需要解决的关键问题
如何转换成为数据挖掘的描述
数据挖掘算法的选择依据
预测类还是描述类
与各种算法的使用特点结合
6.
分析结果的检验
对照组数据的选择方法
对照组数据的时间窗口选择
对照组数据的抽样
数据挖掘模型的修订
1
)
如何剔除无效的结果数据
2
)
根据反馈结果进行模型修订
7.
数据挖掘项目的投入产出
数据挖掘项目的投入成本计算
数据挖掘项目的产出计算依据
8.
如何形成分析报告
1
)分析报告的组成部分
-
-
-
-
-
-
-
-
-
上一篇:英皇乐理常见术语
下一篇:张江集团2016年七上英语开学考试卷(含答