您好,欢迎来到诺达名师!
客服热线:18898361497

当前位置: 首页 > 市场营销 > 营销综合 > 数说营销--大数据营销实战培训

傅一航

数说营销--大数据营销实战培训

傅一航 / 数据分析和数据挖掘讲师

课程价格: 具体课酬和讲师商量确定

常驻地: 深圳

预定该课 下载课纲

咨 / 询 / 热 / 线 18898361497

在线咨询

课程大纲

【课程目标】

本课程从实际的市场营销问题出发,构建数据分析与数据挖掘模型,以解决实际的商业问题。并对大数据分析与挖掘技术进行了全面的介绍,**从大量的市场营销数据中分析潜在的客户特征,挖掘客户行为特点,实现精准营销,帮助市场营销团队深入理解业务运作,支持业务策略制定以及运营决策。

**本课程的学习,达到如下目的:

1、 了解大数据营销内容,掌握大数据在营销中的应用。

2、 了解基本的营销理论,并学会基于营销理念来展开大数据分析。

3、 熟悉数据分析/挖掘的基本过程,掌握常用的数据挖掘方法。

4、 熟悉Excel数据分析工具,能够利用Excel和SPSS软件解决实际的营销问题(比如定价/影响因素/行为预测/客户需求/客户价值/市场细分等)。【授课时间】

2-4天时间,或者根据培训需求选择组合(每天6个小时)

内容

2天

4天

核心数据思维

数据分析过程

用户行为分析

数据分析思路

影响因素分析

产品销量预测

√回归

√时序

客户行为预测

市场客户细分

客户价值评估

产品推荐模型

产品定价策略

【授课对象】

市场营销部、运营分析部、业务支撑等偏业务人员。

本课程由浅入深,结合原理主讲分析方法和常规分析工具的应用,不需要太深的数学知识,但希望掌握数据分析的相关人员。

【学员要求】

1、 每个学员自备一台便携机(必须)。

2、 便携机中事先安装好Excel 2013版本及以上(前两天用)。

3、 便携机中事先安装好IBM SPSS Statistics v24版本及以上(后两天用)。

注:讲师可以提供试用版本软件及分析数据源。

【授课方式】

理论精讲 案例演练 实际业务问题分析 Excel实践操作 SPSS实践操作

本课程突出数据分析的实际应用,结合行业的典型应用特点,围绕实际的商业问题,进行大数据的分析与挖掘,介绍常用的方法和模型,以及模型适用场景,**演练操作,以达到提升学员对营销数据的分析以及对数据模型的深入理解。

【课程大纲】

**部分: 数据核心理念—数据思维篇

问题:什么是数据思维?大数据决策的底层逻辑以及决策依据是什么?

1、 数字化五大技术战略:ABCDI战略

Ø A:人工智能,目的是用机器模拟人类行为

Ø B:区块链,构建不可篡改的分布记账系统

Ø C:云计算,搭建按需分配的计算资源平台

Ø D:大数据,实现智能化的判断和决策机制

Ø I:物联网,实现万物互联通信的基础架构

2、 大数据的本质

Ø 数据,是事物发展和变化过程中留下的痕迹

Ø 大数据不在于量大,而在于全(多维性)

Ø 业务导向还是技术导向

3、 大数据决策的底层逻辑(即四大核心价值)

Ø 探索业务规律,按规律来管理决策

案例:客流规律与排班及**营销时机

案例:致命交通事故发生的时间规律

Ø 发现运营变化,定短板来运营决策

案例:考核周期导致的员工月初懈怠

案例:工序信号异常监测设备故障

Ø 理清要素关系,找影响因素来决策

案例:情绪对于股市涨跌的影响

案例:为何升职反而会增加离职风险?

Ø 预测未来趋势,**预判进行决策

案例:惠普预测员工离职风险及挽留

案例:保险公司的车险预测与个性化保费定价

4、 大数据决策的三个关键环节

Ø 业务数据化:将业务问题转化为数据问题

Ø 数据信息化:提取数据中的业务规律信息

Ø 信息策略化:基于规律形成业务应对策略

案例:用数据来识别喜欢赚“差价”的营业员

第二部分: 数据精准营销—分析过程篇

问题:大数据实现精准营销的整个过程是什么?要经历哪些步骤?如何构建精准营销的数据支撑框架?需要采集哪些数据?

1、 数据分析的六步曲

Ø 明确目标,确定分析思路

Ø 收集数据,寻找分析素材

Ø 整理数据,确保数据质量

Ø 分析数据,寻找业务答案

Ø 呈现数据,解读业务规律

Ø 撰写报告,形成业务策略

2、 精准营销的业务分析框架(6R准则)

Ø 寻找正确的客户

Ø 匹配正确的产品

Ø 确定合理的价格

Ø **合适的渠道

Ø 采用合适的方式

Ø 设计恰当的信息

演练:如何构建一个良好的大数据精准营销分析框架

3、 精准营销项目的整个分析过程

演练:如何用大数据来支撑产品精准营销项目

第三部分: 用户行为分析—分析方法篇

问题:数据分析方法的种类?分析方法的不同应用场景?

1、 业务分析的三个阶段

Ø 现状分析:**企业运营指标来发现规律及短板

Ø 原因分析:查找数据相关性,探寻目标影响因素

Ø 预测分析:合理配置资源,预判业务未来的趋势

2、 常用的数据分析方法种类

Ø 描述性分析法(对比/分组/结构/趋势/交叉…)

Ø 相关性分析法(相关/方差/卡方…)

Ø 预测性分析法(回归/时序/决策树/神经网络…)

Ø 专题性分析法(聚类/关联/RFM模型/…)

3、 统计分析基础

Ø 统计分析两大关键要素(类别、指标)

Ø 统计分析的操作模式(类别à指标)

Ø 统计分析三个操作步骤(统计、画图、解读)

Ø 透视表的三个组成部分

4、 常用的描述性指标

Ø 集中程度:均值、中位数、众数

Ø 离散程度:极差、方差/标准差、IQR

Ø 分布形态:偏度、峰度

5、 基本分析方法及其适用场景

Ø 对比分析(查看数据差距,发现事物变化)

演练:寻找用户的地域分布特征

演练:分析产品受欢迎情况及贡献大小

演练:用数据来探索增量不增收困境的解决方案

Ø 分布分析(查看数据分布,探索业务层次)

演练:银行用户的消费水平和消费层次分析

演练:客户年龄分布/收入分布分析

案例:通信运营商的流量套餐划分合理性的评估

演练:呼叫中心接听电话效率分析(呼叫中心)

Ø 结构分析(查看指标构成,评估结构合理性)

案例:增值业务收入结构分析(通信)

案例:物流费用成本结构分析(物流)

案例:中移动用户群动态结构分析

演练:财务领域的结构瀑布图、财务收支的变化瀑布图

Ø 趋势分析(发现事物随时间的变化规律)

案例:破解零售店销售规律

案例:手机销量的淡旺季分析

案例:微信用户的活跃时间规律

演练:发现客流量的时间规律

Ø 交叉分析(从多个维度的数据指标分析)

演练:用户性别 地域分布分析

演练:不同客户的产品偏好分析

演练:不同学历用户的套餐偏好分析

演练:银行用户的违约影响因素分析

第四部分: 用户行为分析—分析框架篇

问题:如何才能全面/系统地分析而不遗漏?如何分解和细化业务问题?

1、 业务分析思路和分析框架来源于业务模型

2、 常用的业务模型

Ø 外部环境分析:PEST

Ø 业务专题分析:5W2H

Ø 竞品/竞争分析:SWOT、波特五力

Ø 营销市场专题分析:4P/4C等

3、 用户行为分析(5W2H分析思路和框架)

Ø WHY:原因(用户需求、产品亮点、竞品优劣势)

Ø WHAT:产品(产品喜好、产品贡献、产品功能、产品结构)

Ø WHO:客户(基本特征、消费能力、产品偏好)

Ø WHEN:时间(淡旺季、活跃时间、重购周期)

Ø WHERE:区域/渠道(区域喜好、渠道偏好)

Ø HOW:支付/促销(支付方式、促销方式有效性评估等)

Ø HOW MUCH:价格(费用、成本、利润、收入结构、价格偏好等)

案例讨论:结合公司情况,搭建用户消费习惯的分析框架(5W2H)

4、 数据分析策略

第五部分: 影响因素分析—原因分析篇

营销问题:哪些因素是影响业务目标的关键要素?比如,产品在货架上的位置是否对销量有影响?价格和广告开销是如何影响销量的?影响风控的关键因素有哪些?如何判断?

1、 影响因素分析的常见方法

2、 相关分析(衡量两数据型变量的线性相关性)

Ø 相关分析简介

Ø 相关分析的应用场景

Ø 相关分析的种类

² 简单相关分析

² 偏相关分析

² 距离相关分析

Ø 相关系数的三种计算公式

² Pearson相关系数

² Spearman相关系数

² Kendall相关系数

Ø 相关分析的假设检验

Ø 相关分析的四个基本步骤

演练:营销费用会影响销售额吗?影响程度如何量化?

演练:哪些因素与汽车销量有相关性

演练:影响用户消费水平的因素会有哪些

Ø 偏相关分析

² 偏相关原理:排除不可控因素后的两变量的相关性

² 偏相关系数的计算公式

² 偏相关分析的适用场景

Ø 距离相关分析

3、 方差分析(衡量类别变量与数值变量间的相关性)

Ø 方差分析的应用场景

Ø 方差分析的三个种类

² 单因素方差分析

² 多因素方差分析

² 协方差分析

Ø 单因素方差分析的原理

Ø 方差分析的四个步骤

Ø 解读方差分析结果的两个要点

演练:摆放位置与销量有关吗

演练:客户学历对消费水平的影响分析

演练:广告和价格是影响终端销量的关键因素吗

演练:营业员的性别、技能级别对产品销量有影响吗

演练:寻找影响产品销量的关键因素

Ø 多因素方差分析原理

Ø 多因素方差分析的作用

Ø 多因素方差结果的解读

演练:广告形式、地区对销量的影响因素分析

Ø 协方差分析原理

Ø 协方差分析的适用场景

演练:排除产品价格,收入对销量有影响吗?

4、 列联分析/卡方检验(两类别变量的相关性分析)

Ø 交叉表与列联表:计数值与期望值

Ø 卡方检验的原理

Ø 卡方检验的几个计算公式

Ø 列联表分析的适用场景

案例:套餐类型对客户流失的影响分析

案例:学历对业务套餐偏好的影响分析

案例:行业/规模对风控的影响分析

5、 相关性分析方法总结

第六部分: 产品销量预测—回归预测篇

营销问题:如何预测未来的产品销量/销售额?如果产品跟随季节性变动,该如何预测?

1、 回归分析简介和原理

2、 回归分析的种类

Ø 一元回归/多元回归

Ø 线性回归/非线性回归

3、 常用回归分析方法

Ø 散点图 趋势线(一元)

Ø 线性回归工具(多元线性)

Ø 规划求解工具(非线性回归)

演练:散点图找营销费用与销售额的关系

4、 线性回归分析的五个步骤

演练:营销费用、办公费用与销售额的关系(线性回归)

5、 线性回归方程的解读技巧

Ø 定性描述:正相关/负相关

Ø 定量描述:自变量变化导致因变量的变化程度

6、 回归预测模型评估

Ø 质量评估指标:判定系数R^2

Ø 如何选择**回归模型

演练:如何选择**的回归预测模型(一元曲线回归)

7、 带分类自变量的回归预测

演练:汽车季度销量预测

演练:工龄、性别与终端销量的关系

演练:如何评估销售目标与资源**配置

8、 回归分析的基本原理

Ø 三个基本概念:总变差、回归变差、剩余变差

Ø 方程的显著性检验:方程可用性

Ø 因素的显著性检验:因素可用性

Ø 方程拟合优度检验:质量好坏程度

Ø 理解标准误差含义:预测准确性?

9、 回归模型优化措施:寻找**回归拟合线

Ø 如何处理预测离群值(剔除离群值)

Ø 如何剔除不显著因素(剔除不显著因素)

Ø 如何进行非线性关系检验(增加非线性自变量)

Ø 如何进行相互作用检验(增加相互作用自变量)

Ø 如何进行多重共线性检验(剔除共线性自变量)

演练:模型优化演示

10、 好模型都是优化出来的

第七部分: 客流预测模型—自定义回归篇

1、 回归建模的本质

2、 规划求解工具简介

3、 自定义回归模型

案例:如何对客流量进行建模预测及模型优化

4、 季节性预测模型

Ø 回归季节模型的原理及应用场景

Ø 加法季节模型

Ø 乘法季节模型

Ø 模型解读

案例:美国航空旅客里程的季节性趋势分析

5、 新产品累计销量的S曲线

Ø S曲线模型的应用场景(**大累计销量及销量增长的拐点)

Ø 珀尔曲线

Ø 龚铂兹曲线

案例:如何预测产品的销售增长拐点,以及销量上限

演练:预测IPad产品的销量

第八部分: 产品销量预测—时序预测篇

营销问题:像利率/CPI/GDP等按时序变化的指标如何预测?当销量随季节周期变动时该如何预测?

1、 回归预测vs时序预测

2、 因素分解思想

3、 时序预测常用模型

Ø 趋势拟合

Ø 季节拟合

Ø 平均序列拟合

4、 评估预测值的准确度指标:MAD、RMSE、MAPE

5、 移动平均(MA)

Ø 应用场景及原理

Ø 移动平均种类

² 一次移动平均

² 二次移动平均

² 加权移动平均

² 移动平均比率法

Ø 移动平均关键问题

² 如何选取**优参数N

² 如何确定**优权重系数

演练:平板电脑销量预测及评估

演练:快销产品季节销量预测及评估

6、 指数平滑(ES)

Ø 应用场景及原理

Ø **优平滑系数的选取原则

Ø 指数平滑种类

² 一次指数平滑

² 二次指数平滑(Brown线性、Holt线性、Holt指数、阻尼线性、阻尼指数)

² 三次指数平滑

演练:煤炭产量预测

演练:航空旅客量预测及评估

7、 温特斯季节预测模型

Ø 适用场景及原理

Ø Holt-Winters加法模型

Ø Holt-Winters乘法模型

演练:汽车销量预测及评估

8、 平稳序列模型(ARIMA)

Ø 序列的平稳性检验

Ø 平稳序列的拟合模型

² AR(p)自回归模型

² MA(q)移动模型

² ARMA(p,q)自回归移动模型

Ø 模型的识别与定阶

² ACF图/PACF图

² **小信息准则

Ø 序列平稳化处理

² 变量变换

² k次差分

² d阶差分

Ø ARIMA(p,d,q)模型

演练:上海证券交易所综合指数收益率序列分析

演练:服装销售数据季节性趋势预测分析

Ø 平稳序列的建模流程

第九部分: 客户行为预测—分类预测篇

问题:如何评估客户购买产品的可能性?如何预测客户的购买行为?如何提取某类客户的典型特征?如何向客户精准推荐产品或业务?

1、 分类模型概述及其应用场景

2、 常见分类预测模型

3、 逻辑回归(LR)

Ø 逻辑回归的适用场景

Ø 逻辑回归的模型原理

Ø 逻辑回归分类的几何意义

Ø 逻辑回归的种类

² 二项逻辑回归

² 多项逻辑回归

Ø 如何解读逻辑回归方程

Ø 带分类自变量的逻辑回归分析

Ø 多项逻辑回归/多分类逻辑回归

案例:如何评估用户是否会购买某产品(二项逻辑回归)

案例:多品牌选择模型分析(多项逻辑回归)

4、 分类决策树(DT)

问题:如何预测客户行为?如何识别潜在客户?

风控:如何识别欠贷者的特征,以及预测欠贷概率?

客户保有:如何识别流失客户特征,以及预测客户流失概率?

Ø 决策树分类简介

案例:美国零售商(Target)如何预测少女怀孕

演练:识别银行欠货风险,提取欠贷者的特征

Ø 决策树分类的几何意义

Ø 构建决策树的三个关键问题

² 如何选择**属性来构建节点

² 如何分裂变量

² 修剪决策树

Ø 选择**优属性生长

² 熵、基尼索引、分类错误

² 属性划分增益

Ø 如何分裂变量

² 多元划分与二元划分

² 连续变量离散化(**优分割点)

Ø 修剪决策树

² 剪枝原则

² 预剪枝与后剪枝

Ø 构建决策树的四个算法

² C5.0、CHAID、CART、QUEST

² 各种算法的比较

Ø 如何选择**优分类模型?

案例:商场用户的典型特征提取

案例:客户流失预警与客户挽留

案例:识别拖欠银行货款者的特征,避免不良货款

案例:识别电信诈骗者嘴脸,让通信更安全

Ø 多分类决策树

案例:不同套餐用户的典型特征

Ø 决策树模型的保存与应用

5、 人工神经网络(ANN)

Ø 神经网络概述

Ø 神经网络基本原理

Ø 神经网络的结构

Ø 神经网络分类的几何意义

Ø 神经网络的建立步骤

Ø 神经网络的关键问题

Ø BP反向传播网络(MLP)

Ø 径向基网络(RBF)

案例:评估银行用户拖欠货款的概率

6、 判别分析(DA)

Ø 判别分析原理

Ø 判别分析种类

Ø Fisher线性判别分析

案例:MBA学生录取判别分析

案例:上市公司类别评估

7、 **近邻分类(KNN)

Ø KNN模型的基本原理

Ø KNN分类的几何意义

Ø K近邻的关键问题

8、 支持向量机(SVM)

Ø SVM基本原理

Ø 线性可分问题:**大边界超平面

Ø 线性不可分问题:特征空间的转换

Ø 维灾难与核函数

9、 贝叶斯分类(NBN)

Ø 贝叶斯分类原理

Ø 计算类别属性的条件概率

Ø 估计连续属性的条件概率

Ø 预测分类概率(计算概率)

Ø 拉普拉斯修正

案例:评估银行用户拖欠货款的概率

第十部分: 市场细分模型—聚类模型篇

问题:我们的客户有几类?各类特征是什么?如何实现客户细分,开发符合细分市场的新产品?如何提取客户特征,从而对产品进行市场定位?

1、 市场细分的常用方法

Ø 有指导细分

Ø 无指导细分

2、 聚类分析

Ø 如何更好的了解客户群体和市场细分?

Ø 如何识别客户群体特征?

Ø 如何确定客户要分成多少适当的类别?

Ø 聚类方法原理介绍

Ø 聚类方法作用及其适用场景

Ø 聚类分析的种类

² K均值聚类

² 层次聚类

² 两步聚类

Ø K均值聚类(快速聚类)

案例:移动三大品牌细分市场合适吗?

演练:宝洁公司如何选择新产品试销区域?

演练:如何自动评选优秀员工?

演练:中国各省份发达程度分析,让数据自动聚类

Ø 层次聚类(系统聚类):发现多个类别

Ø R型聚类与Q型聚类的区别

案例:中移动如何实现客户细分及营销策略

演练:中国省市经济发展情况分析(Q型聚类)

演练:裁判评分的标准衡量,避免“黑哨”(R型聚类)

Ø 两步聚类

3、 客户细分与PCA分析法

Ø PCA主成分分析的原理

Ø PCA分析法的适用场景

演练:利用PCA对汽车客户群进行细分

演练:如何针对汽车客户群设计汽车

第十一部分: 客户价值评估—RFM模型篇

营销问题:如何评估客户的价值?不同的价值客户有何区别对待?

1、 如何评价客户生命周期的价值

Ø 贴现率与留存率

Ø 评估客户的真实价值

Ø 使用双向表衡量属性敏感度

Ø 变化的边际利润

案例:评估营销行为的合理性

2、 RFM模型(客户价值评估)

Ø RFM模型,更深入了解你的客户价值

Ø RFM模型与市场策略

Ø RFM模型与活跃度分析

演练:“双11”淘宝商家如何选择价值客户进行促销

演练:结合响应模型,宜家IKE实现**大化营销利润

案例:重购用户特征分析

第十二部分: 产品推荐算法—推荐模型篇

问题:购买A产品的顾客还常常要购买其他什么产品?应该给客户推荐什么产品**有可能被接受?

1、 从搜索引擎到推荐引擎

2、 常用产品推荐模型及算法

3、 基于流行度的推荐

Ø 基于排行榜的推荐,适用于刚注册的用户

Ø 优化思路:分群推荐

4、 基于内容的推荐CBR

Ø 关键问题:如何计算物品的相似度

Ø 优缺点

Ø 优化:Rocchio算法、基于标签的推荐、基于兴趣度的推荐

5、 基于用户的推荐

Ø 关键问题:如何对用户分类/计算用户的相似度

Ø 算法:按属性分类、RFM模型、PCA、聚类、按偏好分类、按地理位置

6、 协同过滤的推荐

Ø 基于用户的协同过滤

Ø 基于物品的协同过滤

Ø 冷启动的问题

案例:计算用户相似度、计算物品相似度

7、 基于关联分析的推荐

Ø 如何制定套餐,实现交叉/捆绑销售

案例:啤酒与尿布、飓风与蛋挞

Ø 关联分析模型原理(Association)

Ø 关联规则的两个关键参数

² 支持度

² 置信度

Ø 关联分析的适用场景

案例:购物篮分析与产品捆绑销售/布局优化

案例:通信产品的交叉销售与产品推荐

8、 基于分类模型的推荐

9、 其它推荐算法

Ø LFM基于隐语义模型

Ø 按社交关系

Ø 基于时间上下文

10、 多推荐引擎的协同工作

第十三部分: 产品定价策略—**优定价篇

营销问题:产品如何实现**优定价?套餐价格如何确定?采用哪种定价策略可达到利润**大化?

1、 常见的定价方法

2、 产品定价的理论依据

Ø 需求曲线与利润**大化

Ø 如何求解**优定价

案例:产品**优定价求解

3、 如何评估需求曲线

Ø 价格弹性

Ø 曲线方程(线性、乘幂)

4、 如何做产品组合定价

5、 如何做产品捆绑/套餐定价

Ø **大收益定价(演进规划求解)

Ø 避免价格反转的套餐定价

案例:电信公司的宽带、IPTV、移动电话套餐定价

6、 非线性定价原理

Ø 要理解支付意愿曲线

Ø 支付意愿曲线与需求曲线的异同

案例:双重收费如何定价(如会费 按次计费)

7、 阶梯定价策略

案例:电力公司如何做阶梯定价

8、 数量折扣定价策略

案例:如何**折扣来实现薄利多销

9、 定价策略的评估与选择

案例:零售公司如何选择**优定价策略

10、 航空公司的收益管理

Ø 收益管理介绍

Ø 如何确定机票预订限制

Ø 如何确定机票超售数量

Ø 如何评估模型的收益

案例:FBN航空公司如何实现收益管理(预订/超售)

第十四部分: 实战篇(客户行为预测)

1、 电信业客户流失预警与客户挽留模型

2、 银行欠贷风险预测模型

结束:课程总结与问题答疑。

上一篇: 小微贷产品营销实务 下一篇:《互联网 时代卷烟营销创新》

下载课纲

X
""