數說營銷——大數據營銷實戰培訓

【課程目標】

本課程從實際的市場營銷問題出發，構建數據分析與數據挖掘模型，以解決實際的商業問題。并對大數據分析與挖掘技術進行了全面的介紹，通過從大量的市場營銷數據中分析潛在的客戶特征，挖掘客戶行為特點，實現精準營銷，幫助市場營銷團隊深入理解業務運作，支持業務策略制定以及運營決策。

通過本課程的學習，達到如下目的：

1、 了解大數據營銷內容，掌握大數據在營銷中的應用。

2、 了解基本的營銷理論，并學會基于營銷理念來展開大數據分析。

3、 熟悉數據分析/挖掘的基本過程，掌握常用的數據挖掘方法。

4、 熟悉Excel數據分析工具，能夠利用Excel和SPSS軟件解決實際的營銷問題（比如定價/影響因素/行為預測/客戶需求/客戶價值/市場細分等）。

【授課時間】

2-4天時間，或者根據培訓需求選擇組合（每天6個小時）

【授課對象】

市場營銷部、運營分析部、業務支撐等偏業務人員。

本課程由淺入深，結合原理主講分析方法和常規分析工具的應用，不需要太深的數學知識，但希望掌握數據分析的相關人員。

【學員要求】

1、 每個學員自備一臺便攜機(必須)。

2、 便攜機中事先安裝好Excel 2013版本及以上（前兩天用）。

3、 便攜機中事先安裝好IBM SPSS Statistics v24版本及以上（后兩天用）。

注：講師可以提供試用版本軟件及分析數據源。

【授課方式】

理論精講 + 案例演練 + 實際業務問題分析 + Excel實踐操作 + SPSS實踐操作

本課程突出數據分析的實際應用，結合行業的典型應用特點，圍繞實際的商業問題，進行大數據的分析與挖掘，介紹常用的方法和模型，以及模型適用場景，通過演練操作，以達到提升學員對營銷數據的分析以及對數據模型的深入理解。

【課程大綱】

第一部分： 數據核心理念—數據思維篇

問題：什么是數據思維？大數據決策的底層邏輯以及決策依據是什么？

1、 數字化五大技術戰略：ABCDI戰略

? A：人工智能，目的是用機器模擬人類行為

? B：區塊鏈，構建不可篡改的分布記賬系統

? C：云計算，搭建按需分配的計算資源平臺

? D：大數據，實現智能化的判斷和決策機制

? I：物聯網，實現萬物互聯通信的基礎架構

2、 大數據的本質

? 數據，是事物發展和變化過程中留下的痕跡

? 大數據不在于量大，而在于全（多維性）

? 業務導向還是技術導向

3、 大數據決策的底層邏輯（即四大核心價值）

? 探索業務規律，按規律來管理決策

案例：客流規律與排班及最佳營銷時機

案例：致命交通事故發生的時間規律

? 發現運營變化，定短板來運營決策

案例：考核周期導致的員工月初懈怠

案例：工序信號異常監測設備故障

? 理清要素關系，找影響因素來決策

案例：情緒對于股市漲跌的影響

案例：為何升職反而會增加離職風險？

? 預測未來趨勢，通過預判進行決策

案例：惠普預測員工離職風險及挽留

案例：保險公司的車險預測與個性化保費定價

4、 大數據決策的三個關鍵環節

? 業務數據化：將業務問題轉化為數據問題

? 數據信息化：提取數據中的業務規律信息

? 信息策略化：基于規律形成業務應對策略

案例：用數據來識別喜歡賺“差價”的營業員

第二部分： 數據精準營銷—分析過程篇

問題：大數據實現精準營銷的整個過程是什么？要經歷哪些步驟？如何構建精準營銷的數據支撐框架？需要采集哪些數據？

1、 數據分析的六步曲

? 明確目標，確定分析思路

? 收集數據，尋找分析素材

? 整理數據，確保數據質量

? 分析數據，尋找業務答案

? 呈現數據，解讀業務規律

? 撰寫報告，形成業務策略

2、 精準營銷的業務分析框架（6R準則）

? 尋找正確的客戶

? 匹配正確的產品

? 確定合理的價格

? 通過合適的渠道

? 采用合適的方式

? 設計恰當的信息

演練：如何構建一個良好的大數據精準營銷分析框架

3、 精準營銷項目的整個分析過程

演練：如何用大數據來支撐產品精準營銷項目

第三部分： 用戶行為分析—分析方法篇

問題：數據分析方法的種類？分析方法的不同應用場景？

1、 業務分析的三個階段

? 現狀分析：通過企業運營指標來發現規律及短板

? 原因分析：查找數據相關性，探尋目標影響因素

? 預測分析：合理配置資源，預判業務未來的趨勢

2、 常用的數據分析方法種類

? 描述性分析法（對比/分組/結構/趨勢/交叉…）

? 相關性分析法（相關/方差/卡方…）

? 預測性分析法（回歸/時序/決策樹/神經網絡…）

? 專題性分析法（聚類/關聯/RFM模型/…）

3、 統計分析基礎

? 統計分析兩大關鍵要素（類別、指標）

? 統計分析的操作模式（類別à指標）

? 統計分析三個操作步驟（統計、畫圖、解讀）

? 透視表的三個組成部分

4、 常用的描述性指標

? 集中程度：均值、中位數、眾數

? 離散程度：極差、方差/標準差、IQR

? 分布形態：偏度、峰度

5、 基本分析方法及其適用場景

? 對比分析（查看數據差距，發現事物變化）

演練：尋找用戶的地域分布特征

演練：分析產品受歡迎情況及貢獻大小

演練：用數據來探索增量不增收困境的解決方案

? 分布分析（查看數據分布，探索業務層次）

演練：銀行用戶的消費水平和消費層次分析

演練：客戶年齡分布/收入分布分析

案例：通信運營商的流量套餐劃分合理性的評估

演練：呼叫中心接聽電話效率分析（呼叫中心）

? 結構分析（查看指標構成，評估結構合理性）

案例：增值業務收入結構分析（通信）

案例：物流費用成本結構分析（物流）

案例：中移動用戶群動態結構分析

演練：財務領域的結構瀑布圖、財務收支的變化瀑布圖

? 趨勢分析（發現事物隨時間的變化規律）

案例：破解零售店銷售規律

案例：手機銷量的淡旺季分析

案例：微信用戶的活躍時間規律

演練：發現客流量的時間規律

? 交叉分析（從多個維度的數據指標分析）

演練：用戶性別+地域分布分析

演練：不同客戶的產品偏好分析

演練：不同學歷用戶的套餐偏好分析

演練：銀行用戶的違約影響因素分析

第四部分： 用戶行為分析—分析框架篇

問題：如何才能全面/系統地分析而不遺漏？如何分解和細化業務問題？

1、 業務分析思路和分析框架來源于業務模型

2、 常用的業務模型

? 外部環境分析：PEST

? 業務專題分析：5W2H

? 競品/競爭分析：SWOT、波特五力

? 營銷市場專題分析：4P/4C等

3、 用戶行為分析（5W2H分析思路和框架）

? WHY：原因（用戶需求、產品亮點、競品優劣勢）

? WHAT：產品（產品喜好、產品貢獻、產品功能、產品結構）

? WHO：客戶（基本特征、消費能力、產品偏好）

? WHEN：時間（淡旺季、活躍時間、重購周期）

? WHERE：區域/渠道（區域喜好、渠道偏好）

? HOW：支付/促銷（支付方式、促銷方式有效性評估等）

? HOW MUCH：價格（費用、成本、利潤、收入結構、價格偏好等）

案例討論：結合公司情況，搭建用戶消費習慣的分析框架（5W2H）

4、 數據分析策略

第五部分： 影響因素分析—原因分析篇

營銷問題：哪些因素是影響業務目標的關鍵要素？比如，產品在貨架上的位置是否對銷量有影響？價格和廣告開銷是如何影響銷量的？影響風控的關鍵因素有哪些？如何判斷？

1、 影響因素分析的常見方法

2、 相關分析（衡量兩數據型變量的線性相關性）

? 相關分析簡介

? 相關分析的應用場景

? 相關分析的種類

2 簡單相關分析

2 偏相關分析

2 距離相關分析

? 相關系數的三種計算公式

2 Pearson相關系數

2 Spearman相關系數

2 Kendall相關系數

? 相關分析的假設檢驗

? 相關分析的四個基本步驟

演練：營銷費用會影響銷售額嗎？影響程度如何量化？

演練：哪些因素與汽車銷量有相關性

演練：影響用戶消費水平的因素會有哪些

? 偏相關分析

2 偏相關原理：排除不可控因素后的兩變量的相關性

2 偏相關系數的計算公式

2 偏相關分析的適用場景

? 距離相關分析

3、 方差分析（衡量類別變量與數值變量間的相關性）

? 方差分析的應用場景

? 方差分析的三個種類

2 單因素方差分析

2 多因素方差分析

2 協方差分析

? 單因素方差分析的原理

? 方差分析的四個步驟

? 解讀方差分析結果的兩個要點

演練：擺放位置與銷量有關嗎

演練：客戶學歷對消費水平的影響分析

演練：廣告和價格是影響終端銷量的關鍵因素嗎

演練：營業員的性別、技能級別對產品銷量有影響嗎

演練：尋找影響產品銷量的關鍵因素

? 多因素方差分析原理

? 多因素方差分析的作用

? 多因素方差結果的解讀

演練：廣告形式、地區對銷量的影響因素分析

? 協方差分析原理

? 協方差分析的適用場景

演練：排除產品價格，收入對銷量有影響嗎？

4、 列聯分析/卡方檢驗（兩類別變量的相關性分析）

? 交叉表與列聯表：計數值與期望值

? 卡方檢驗的原理

? 卡方檢驗的幾個計算公式

? 列聯表分析的適用場景

案例：套餐類型對客戶流失的影響分析

案例：學歷對業務套餐偏好的影響分析

案例：行業/規模對風控的影響分析

5、 相關性分析方法總結

第六部分： 產品銷量預測—回歸預測篇

營銷問題：如何預測未來的產品銷量/銷售額？如果產品跟隨季節性變動，該如何預測？

1、 回歸分析簡介和原理

2、 回歸分析的種類

? 一元回歸/多元回歸

? 線性回歸/非線性回歸

3、 常用回歸分析方法

? 散點圖+趨勢線（一元）

? 線性回歸工具（多元線性）

? 規劃求解工具（非線性回歸）

演練：散點圖找營銷費用與銷售額的關系

4、 線性回歸分析的五個步驟

演練：營銷費用、辦公費用與銷售額的關系（線性回歸）

5、 線性回歸方程的解讀技巧

? 定性描述：正相關/負相關

? 定量描述：自變量變化導致因變量的變化程度

6、 回歸預測模型評估

? 質量評估指標：判定系數R^2

? 如何選擇最佳回歸模型

演練：如何選擇最佳的回歸預測模型（一元曲線回歸）

7、 帶分類自變量的回歸預測

演練：汽車季度銷量預測

演練：工齡、性別與終端銷量的關系

演練：如何評估銷售目標與資源最佳配置

8、 回歸分析的基本原理

? 三個基本概念：總變差、回歸變差、剩余變差

? 方程的顯著性檢驗：方程可用性

? 因素的顯著性檢驗：因素可用性

? 方程擬合優度檢驗：質量好壞程度

? 理解標準誤差含義：預測準確性？

9、 回歸模型優化措施：尋找最佳回歸擬合線

? 如何處理預測離群值（剔除離群值）

? 如何剔除不顯著因素（剔除不顯著因素）

? 如何進行非線性關系檢驗（增加非線性自變量）

? 如何進行相互作用檢驗（增加相互作用自變量）

? 如何進行多重共線性檢驗（剔除共線性自變量）

演練：模型優化演示

10、 好模型都是優化出來的

第七部分： 客流預測模型—自定義回歸篇

1、 回歸建模的本質

2、 規劃求解工具簡介

3、 自定義回歸模型

案例：如何對客流量進行建模預測及模型優化

4、 季節性預測模型

? 回歸季節模型的原理及應用場景

? 加法季節模型

? 乘法季節模型

? 模型解讀

案例：美國航空旅客里程的季節性趨勢分析

5、 新產品累計銷量的S曲線

? S曲線模型的應用場景（最大累計銷量及銷量增長的拐點）

? 珀爾曲線

? 龔鉑茲曲線

案例：如何預測產品的銷售增長拐點，以及銷量上限

演練：預測IPad產品的銷量

第八部分： 產品銷量預測—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

2 一次移動平均

2 二次移動平均

2 加權移動平均

2 移動平均比率法

? 移動平均關鍵問題

2 如何選取最優參數N

2 如何確定最優權重系數

演練：平板電腦銷量預測及評估

演練：快銷產品季節銷量預測及評估

6、 指數平滑（ES）

? 應用場景及原理

? 最優平滑系數的選取原則

? 指數平滑種類

2 一次指數平滑

2 二次指數平滑（Brown線性、Holt線性、Holt指數、阻尼線性、阻尼指數）

2 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、 平穩序列模型（ARIMA）

? 序列的平穩性檢驗

? 平穩序列的擬合模型

2 AR(p)自回歸模型

2 MA(q)移動模型

2 ARMA(p,q)自回歸移動模型

? 模型的識別與定階

2 ACF圖/PACF圖

2 最小信息準則

? 序列平穩化處理

2 變量變換

2 k次差分

2 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：服裝銷售數據季節性趨勢預測分析

? 平穩序列的建模流程

第九部分： 客戶行為預測—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

2 二項邏輯回歸

2 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

2 如何選擇最佳屬性來構建節點

2 如何分裂變量

2 修剪決策樹

? 選擇最優屬性生長

2 熵、基尼索引、分類錯誤

2 屬性劃分增益

? 如何分裂變量

2 多元劃分與二元劃分

2 連續變量離散化（最優分割點）

? 修剪決策樹

2 剪枝原則

2 預剪枝與后剪枝

? 構建決策樹的四個算法

2 C5.0、CHAID、CART、QUEST

2 各種算法的比較

? 如何選擇最優分類模型？

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

第十部分： 市場細分模型—聚類模型篇

問題：我們的客戶有幾類？各類特征是什么？如何實現客戶細分，開發符合細分市場的新產品？如何提取客戶特征，從而對產品進行市場定位？

1、 市場細分的常用方法

? 有指導細分

? 無指導細分

2、 聚類分析

? 如何更好的了解客戶群體和市場細分？

? 如何識別客戶群體特征？

? 如何確定客戶要分成多少適當的類別？

? 聚類方法原理介紹

? 聚類方法作用及其適用場景

? 聚類分析的種類

2 K均值聚類

2 層次聚類

2 兩步聚類

? K均值聚類（快速聚類）

案例：移動三大品牌細分市場合適嗎？

演練：寶潔公司如何選擇新產品試銷區域？

演練：如何自動評選優秀員工？

演練：中國各省份發達程度分析，讓數據自動聚類

? 層次聚類（系統聚類）：發現多個類別

? R型聚類與Q型聚類的區別

案例：中移動如何實現客戶細分及營銷策略

演練：中國省市經濟發展情況分析（Q型聚類）

演練：裁判評分的標準衡量，避免“黑哨”（R型聚類）

? 兩步聚類

3、 客戶細分與PCA分析法

? PCA主成分分析的原理

? PCA分析法的適用場景

演練：利用PCA對汽車客戶群進行細分

演練：如何針對汽車客戶群設計汽車

第十一部分： 客戶價值評估—RFM模型篇

營銷問題：如何評估客戶的價值？不同的價值客戶有何區別對待？

1、 如何評價客戶生命周期的價值

? 貼現率與留存率

? 評估客戶的真實價值

? 使用雙向表衡量屬性敏感度

? 變化的邊際利潤

案例：評估營銷行為的合理性

2、 RFM模型（客戶價值評估）

? RFM模型，更深入了解你的客戶價值

? RFM模型與市場策略

? RFM模型與活躍度分析

演練：“雙11”淘寶商家如何選擇價值客戶進行促銷

演練：結合響應模型，宜家IKE實現最大化營銷利潤

案例：重購用戶特征分析

第十二部分： 產品推薦算法—推薦模型篇

問題：購買A產品的顧客還常常要購買其他什么產品？應該給客戶推薦什么產品最有可能被接受？

1、 從搜索引擎到推薦引擎

2、 常用產品推薦模型及算法

3、 基于流行度的推薦

? 基于排行榜的推薦，適用于剛注冊的用戶

? 優化思路：分群推薦

4、 基于內容的推薦CBR

? 關鍵問題：如何計算物品的相似度

? 優缺點

? 優化：Rocchio算法、基于標簽的推薦、基于興趣度的推薦

5、 基于用戶的推薦

? 關鍵問題：如何對用戶分類/計算用戶的相似度

? 算法：按屬性分類、RFM模型、PCA、聚類、按偏好分類、按地理位置

6、 協同過濾的推薦

? 基于用戶的協同過濾

? 基于物品的協同過濾

? 冷啟動的問題

案例：計算用戶相似度、計算物品相似度

7、 基于關聯分析的推薦

? 如何制定套餐，實現交叉/捆綁銷售

案例：啤酒與尿布、颶風與蛋撻

? 關聯分析模型原理（Association）

? 關聯規則的兩個關鍵參數

2 支持度

2 置信度

? 關聯分析的適用場景

案例：購物籃分析與產品捆綁銷售/布局優化

案例：通信產品的交叉銷售與產品推薦

8、 基于分類模型的推薦

9、 其它推薦算法

? LFM基于隱語義模型

? 按社交關系

? 基于時間上下文

10、 多推薦引擎的協同工作

第十三部分： 產品定價策略—最優定價篇

營銷問題：產品如何實現最優定價？套餐價格如何確定？采用哪種定價策略可達到利潤最大化？

1、 常見的定價方法

2、 產品定價的理論依據

? 需求曲線與利潤最大化

? 如何求解最優定價

案例：產品最優定價求解

3、 如何評估需求曲線

? 價格彈性

? 曲線方程（線性、乘冪）

4、 如何做產品組合定價

5、 如何做產品捆綁/套餐定價

? 最大收益定價（演進規劃求解）

? 避免價格反轉的套餐定價

案例：電信公司的寬帶、IPTV、移動電話套餐定價

6、 非線性定價原理

? 要理解支付意愿曲線

? 支付意愿曲線與需求曲線的異同

案例：雙重收費如何定價（如會費+按次計費）

7、 階梯定價策略

案例：電力公司如何做階梯定價

8、 數量折扣定價策略

案例：如何通過折扣來實現薄利多銷

9、 定價策略的評估與選擇

案例：零售公司如何選擇最優定價策略

10、 航空公司的收益管理

? 收益管理介紹

? 如何確定機票預訂限制

? 如何確定機票超售數量

? 如何評估模型的收益

案例：FBN航空公司如何實現收益管理（預訂/超售）

第十四部分： 實戰篇(客戶行為預測)

1、 電信業客戶流失預警與客戶挽留模型

2、 銀行欠貸風險預測模型

結束：課程總結與問題答疑。