大數(shù)據(jù)營銷培訓

課程大綱
第1篇基礎(chǔ)篇
第1章大數(shù)據(jù)時代下的數(shù)據(jù)挖掘
1.1大數(shù)據(jù)的基礎(chǔ)
1.2大數(shù)據(jù)的特點
1.3大數(shù)據(jù)的作用
1.4大數(shù)據(jù)與數(shù)據(jù)挖掘
1.5令人期待的大數(shù)據(jù)時
1.6本章小結(jié)

第2章 基于Hadoop的大數(shù)據(jù)處理架構(gòu)
2.1 Google核心云計算技術(shù)
2.2 Hadoop云計算技術(shù)及發(fā)展
2.3 基于云計算的大數(shù)據(jù)處理架構(gòu)
2.4 基于云計算的大數(shù)據(jù)處理技術(shù)的應用
2.5 Hadoop運行實踐

第2篇理論篇
第3章數(shù)據(jù)挖掘的主要方法及工具
3.1數(shù)據(jù)挖掘主要方法
3.1.1決策樹分類
3.1.2神經(jīng)網(wǎng)絡(luò)
3.1.3Logistic回歸方法
3.1.4聚類分析
3.1.5數(shù)據(jù)挖掘方法比較
3.1.6分類器的評估與選擇
3.2流行數(shù)據(jù)分析平臺及數(shù)據(jù)挖掘工具介紹
3.3本章小結(jié)

第4章Logistic回歸模型
4.1多元線性回歸模型
4.2Logistic回歸模型
4.3Logistic回歸模型的參數(shù)估計
4.4Logistic回歸模型中回歸系數(shù)的意義
4.5Logistic回歸模型的擬合優(yōu)度
4.6Logistic回歸系數(shù)的顯著性檢驗
4.7Logistic回歸模型的預測準確性
4.8回歸變量的選擇與逐步回歸
4.9本章小結(jié)

第5章數(shù)據(jù)挖掘建模過程
5.1 數(shù)據(jù)挖掘流程概述
5.1.1 問題識別
5.1.2 數(shù)據(jù)理解
5.1.3 數(shù)據(jù)準備
5.1.4 建立模型
5.1.5 模型評價
5.1.6 部署應用
5.2 離群點發(fā)現(xiàn)
5.2.1 基于統(tǒng)計的離群點檢測
5.2.2 基于距離的離群點檢測
5.2.3 局部離群點算法
5.3 不平衡數(shù)據(jù)級聯(lián)算法

第3篇應用篇
第6章電信行業(yè)應用——客戶流失預測
6.1背景介紹
6.2案例數(shù)據(jù)展示及分析
6.2.1商業(yè)理解
6.2.2數(shù)據(jù)理解
6.2.3數(shù)據(jù)準備
6.3建立打分模型
6.4分析建模結(jié)果
6.5數(shù)據(jù)挖掘結(jié)果的運用
6.6本章小結(jié)

第7章商品零售行業(yè)應用——購物籃分析
7.1某連鎖零售公司的背景介紹
7.2購物籃分析的基本內(nèi)容
7.2.1同次購買的基本概念
7.2.2同次購買的關(guān)聯(lián)規(guī)則質(zhì)量的衡量
7.2.3購買分析的實現(xiàn)
7.2.4下次購買的基本概念
7.2.5下次購買行為預測
7.3購物籃分析——MBA工具的使用
7.3.1MBA工具的用途
7.3.2MBA工具的使用
7.3.3MBA工具的輸出

第8章實戰(zhàn)項目——交叉銷售
8.1背景介紹
8.2案例數(shù)據(jù)展示及分析
8.2.1數(shù)據(jù)展示
8.2.2業(yè)務目標及分析要求
8.3數(shù)據(jù)挖掘過程
8.3.1數(shù)據(jù)預處理
8.3.2劃分數(shù)據(jù)集及生成目標變量
8.3.3生成衍生變量
8.3.4生成挖掘表
8.4建立打分模型
8.5結(jié)果分析
8.6本章小結(jié)

大數(shù)據(jù)營銷培訓