我要預(yù)訂

咨詢電話：027-5111 9925 , 027-5111 9926手機(jī)：18971071887郵箱：Service@mingketang.com

【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。

【授課對(duì)象】

業(yè)務(wù)支撐、網(wǎng)絡(luò)中心、IT系統(tǒng)部、數(shù)據(jù)分析部等對(duì)業(yè)務(wù)數(shù)據(jù)分析有較高要求的相關(guān)專業(yè)人員。

【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)建模基本過程

1、預(yù)測(cè)建模六步法

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

?屬性篩選：選擇對(duì)目標(biāo)變量有顯著影響的屬性來建模

?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)

?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

?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

?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

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

?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

?市場(chǎng)細(xì)分：聚類、RFM、PCA等

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

?產(chǎn)品優(yōu)化：回歸、隨機(jī)效用等

?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

?基于變量本身特征

?基于相關(guān)性判斷

?因子合并（PCA等）

?IV值篩選（評(píng)分卡使用）

?基于信息增益判斷（決策樹使用）

4、模型評(píng)估

?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

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

?模型評(píng)估方法：留出法、K拆交叉驗(yàn)證、自助法等

?其它評(píng)估：過擬合評(píng)估

5、模型優(yōu)化

?優(yōu)化模型：選擇新模型/修改模型

?優(yōu)化數(shù)據(jù)：新增顯著自變量

?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

問題：如何選擇合適的屬性來進(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

?基于變量本身特征來選擇屬性

?基于數(shù)據(jù)間的相關(guān)性來選擇屬性

?基于因子合并（如PCA分析）實(shí)現(xiàn)變量的合并

?利用IV值篩選

?基于信息增益來選擇屬性

2、相關(guān)分析（衡量變量間的線性相關(guān)性）

問題：這兩個(gè)屬性是否會(huì)相互影響？影響程度大嗎？

?相關(guān)分析簡(jiǎn)介

?相關(guān)分析的三個(gè)種類

?簡(jiǎn)單相關(guān)分析

?偏相關(guān)分析

?距離相關(guān)分析

?相關(guān)系數(shù)的三種計(jì)算公式

?Pearson相關(guān)系數(shù)

?Spearman相關(guān)系數(shù)

?Kendall相關(guān)系數(shù)

?相關(guān)分析的假設(shè)檢驗(yàn)

?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

?偏相關(guān)分析

?偏相關(guān)原理：排除不可控因素后的兩變量的相關(guān)性

?偏相關(guān)系數(shù)的計(jì)算公式

?偏相關(guān)分析的適用場(chǎng)景

?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)

問題：哪些才是影響銷量的關(guān)鍵因素？

?方差分析的應(yīng)用場(chǎng)景

?方差分析的三個(gè)種類

?單因素方差分析

?多因素方差分析

?協(xié)方差分析

?方差分析的原理

?方差分析的四個(gè)步驟

?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

?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(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）

?協(xié)方差分析原理

?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）

?交叉表與列聯(lián)表

?卡方檢驗(yàn)的原理

?卡方檢驗(yàn)的幾個(gè)計(jì)算公式

?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）

?因子分析的原理

?因子個(gè)數(shù)如何選擇

?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

?回歸預(yù)測(cè)

?時(shí)序預(yù)測(cè)

2、回歸預(yù)測(cè)/回歸分析

問題：如何預(yù)測(cè)未來的銷售量（定量分析）？

?回歸分析的基本原理和應(yīng)用場(chǎng)景

?回歸分析的種類（一元/多元、線性/曲線）

?得到回歸方程的四種常用方法

?Excel函數(shù)

?散點(diǎn)圖+趨勢(shì)線

?線性回歸工具

?規(guī)范求解

?線性回歸分析的五個(gè)步驟

?回歸方程結(jié)果的解讀要點(diǎn)

?評(píng)估回歸模型質(zhì)量的常用指標(biāo)

?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）

?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

?三個(gè)基本概念：總變差、回歸變差、剩余變差

?方程的顯著性檢驗(yàn)：是否可以做回歸分析？

?因素的顯著性檢驗(yàn)：自變量是否可用？

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

?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

?如何處理預(yù)測(cè)離群值（剔除離群值）

?如何剔除非顯著因素（剔除不顯著因素）

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

?如何進(jìn)行相互作用檢驗(yàn)（增加相互作用自變量）

?如何進(jìn)行多重共線性檢驗(yàn)（剔除共線性自變量）

?如何檢驗(yàn)誤差項(xiàng)（修改因變量）

?如何判斷模型過擬合（模型過擬合判斷）

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)化出來的

第五部分：分類預(yù)測(cè)模型

問題：如何評(píng)估客戶購(gòu)買產(chǎn)品的可能性？或者說，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、常見分類預(yù)測(cè)模型

3、評(píng)估分類模型的常用指標(biāo)

?正確率、查全率/查準(zhǔn)率、特異性等

4、邏輯回歸分析模型（LR）

問題：如果評(píng)估用戶是否購(gòu)買產(chǎn)品的概率？

?邏輯回歸模型原理及適用場(chǎng)景

?邏輯回歸的種類

?二項(xiàng)邏輯回歸

?多項(xiàng)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(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？

?決策樹分類的原理

?決策樹的三個(gè)關(guān)鍵問題

?如何選擇最佳屬性來構(gòu)建節(jié)點(diǎn)

?如何分裂變量

?如何修剪決策樹

?選擇最優(yōu)屬性

?熵、基尼索引、分類錯(cuò)誤

?屬性劃分增益

?如何分裂變量

?多元?jiǎng)澐峙c二元?jiǎng)澐?/p>

?連續(xù)變量離散化（最優(yōu)劃分點(diǎn)）

?修剪決策樹

?剪枝原則

?預(yù)剪枝與后剪枝

?構(gòu)建決策樹的四個(gè)算法

?C5.0、CHAID、CART、QUEST

?各種算法的比較

?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）

?神經(jīng)網(wǎng)絡(luò)概述

?神經(jīng)網(wǎng)絡(luò)基本原理

?神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

?神經(jīng)網(wǎng)絡(luò)的建立步驟

?神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題

?BP反向傳播網(wǎng)絡(luò)（MLP）

?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）

?判別分析原理

?距離判別法

?典型判別法

?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）

?基本原理

?關(guān)鍵問題

9、貝葉斯分類（NBN）

?貝葉斯分類原理

?計(jì)算類別屬性的條件概率

?估計(jì)連續(xù)屬性的條件概率

?貝葉斯網(wǎng)絡(luò)種類：TAN/馬爾科夫毯

?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）

?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(zhuǎn)換

?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

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

?多個(gè)弱分類器投票決定

3、集成方法/元算法的種類

?Bagging算法

?Boosting算法

4、Bagging原理

?如何選擇數(shù)據(jù)集

?如何進(jìn)行投票

?隨機(jī)森林

5、Boosting的原理

?AdaBoost算法流程

?樣本選擇權(quán)重計(jì)算公式

?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)鍵問題

3、信用評(píng)分卡建立過程

?篩選重要屬性

?數(shù)據(jù)集轉(zhuǎn)化

?建立分類模型

?計(jì)算屬性分值

?確定審批閾值

4、篩選重要屬性

?屬性分段

?基本概念：WOE、IV

?屬性重要性評(píng)估

5、數(shù)據(jù)集轉(zhuǎn)化

?連續(xù)屬性最優(yōu)分段

?計(jì)算屬性取值的WOE

6、建立分類模型

?訓(xùn)練邏輯回歸模型

?評(píng)估模型

?得到字段系數(shù)

7、計(jì)算屬性分值

?計(jì)算補(bǔ)償與刻度值

?計(jì)算各字段得分

?生成評(píng)分卡

8、確定審批閾值

?畫K-S曲線

?計(jì)算K-S值

?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)

?數(shù)據(jù)集成：多個(gè)數(shù)據(jù)集的合并

?數(shù)據(jù)清理：異常值的處理

?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

?變量處理：變量變換、變量派生、變量精簡(jiǎn)

?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

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

?數(shù)據(jù)追加（添加數(shù)據(jù)）

?變量合并（添加變量）

3、數(shù)據(jù)理解（異常數(shù)據(jù)處理）

?取值范圍限定

?重復(fù)值處理

?無效值/錯(cuò)誤值處理

?缺失值處理

?離群值/極端值處理

?數(shù)據(jù)質(zhì)量評(píng)估

4、數(shù)據(jù)準(zhǔn)備：數(shù)據(jù)處理

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

?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)）

?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

?變量變換：原變量取值更新，比如標(biāo)準(zhǔn)化

?變量派生：根據(jù)舊變量生成新的變量

?變量精簡(jiǎn)：降維，減少變量個(gè)數(shù)

6、數(shù)據(jù)降維

?常用降維的方法

?如何確定變量個(gè)數(shù)

?特征選擇：選擇重要變量，剔除不重要的變量

?從變量本身考慮

?從輸入變量與目標(biāo)變量的相關(guān)性考慮

?對(duì)輸入變量進(jìn)行合并

?因子分析（主成分分析）

?因子分析的原理

?因子個(gè)數(shù)如何選擇

?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

?常用統(tǒng)計(jì)指標(biāo)分析

?單變量：數(shù)值變量/分類變量

?雙變量：交叉分析/相關(guān)性分析

?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

?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

?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)與問題答疑。

傅老師

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)。

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)解決方案開發(fā)技術(shù)基礎(chǔ)培訓(xùn)》

《Python開發(fā)基礎(chǔ)實(shí)戰(zhàn)》

《大數(shù)據(jù)分析與挖掘之Python開發(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尽?/p>

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》

……

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》

……

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)》

……

【學(xué)員評(píng)價(jià)】

傅老師是我目前聽過的很少忽悠而多干貨的老師，能夠?qū)⒗碚撝v得深入淺出，將案例講深講透，將實(shí)戰(zhàn)講得易理解易操作。在課堂中，他能把枯燥的數(shù)據(jù)說得有生命，在課堂上，他能對(duì)學(xué)員關(guān)注和付出。我不是對(duì)數(shù)據(jù)很喜歡的人，但仍然在課堂中能夠感覺到數(shù)據(jù)的生命力。五天的課讓我進(jìn)入到數(shù)據(jù)構(gòu)成的多彩、多維的世界，值得！

——學(xué)員分享

某金融行業(yè)---《大數(shù)據(jù)變革與商業(yè)模式創(chuàng)新》

傅老師運(yùn)用全面翔實(shí)的案例和不拘一格的語言，全方位剖析大數(shù)據(jù)發(fā)展以來在工具、思維和文化上帶來的變革，生動(dòng)闡述數(shù)據(jù)分析過程六部曲、數(shù)據(jù)戰(zhàn)略七大思維等經(jīng)典概述，立體呈現(xiàn)大數(shù)據(jù)時(shí)代企業(yè)所面臨的機(jī)遇與挑戰(zhàn)。結(jié)合當(dāng)前關(guān)注焦點(diǎn)和時(shí)代熱點(diǎn)話題，傅老師現(xiàn)場(chǎng)分享了第一代傳統(tǒng)營(yíng)銷、第二代互聯(lián)網(wǎng)營(yíng)銷、第三代大數(shù)據(jù)營(yíng)銷的進(jìn)階升級(jí)和精準(zhǔn)營(yíng)銷實(shí)戰(zhàn)應(yīng)用。在為學(xué)員呈現(xiàn)一場(chǎng)思維見識(shí)領(lǐng)域盛宴的同時(shí)，傅老師還與學(xué)員進(jìn)行了積極互動(dòng)和現(xiàn)場(chǎng)答疑，在相互交流中啟迪智慧、開拓思維，在思想碰撞中點(diǎn)燃大數(shù)據(jù)時(shí)代下的創(chuàng)新引擎，為全行在未來發(fā)展中進(jìn)一步把握經(jīng)濟(jì)大勢(shì)、開展前瞻預(yù)判、實(shí)施精準(zhǔn)決策提供了重要思想指引。

吉林某企業(yè)——《數(shù)據(jù)分析與數(shù)據(jù)挖掘應(yīng)用培訓(xùn)》 學(xué)員：張經(jīng)理

五天的培訓(xùn)，讓我對(duì)數(shù)據(jù)分析與數(shù)據(jù)挖掘有了進(jìn)一步的了解，也學(xué)到了技術(shù)。以前參加過培訓(xùn)，兩天的培訓(xùn)我都覺得有時(shí)很難，而這次連續(xù)五天的培訓(xùn)，我聽課過程當(dāng)中既然感覺到時(shí)間過得很快。

貴州某運(yùn)營(yíng)商——《“數(shù)”說營(yíng)銷----大數(shù)據(jù)營(yíng)銷實(shí)戰(zhàn)》 學(xué)員：劉經(jīng)理

傅老師的課程，開拓了我營(yíng)銷的思維，大數(shù)據(jù)營(yíng)銷，重在利用數(shù)據(jù)為營(yíng)銷服務(wù)。用戶細(xì)分、用戶特征提取、營(yíng)銷費(fèi)用預(yù)算、客戶流失預(yù)警，原來可以這樣利用大數(shù)據(jù)，以后不再需要“拍腦袋”了,呵呵。

遼寧某運(yùn)營(yíng)商——《數(shù)據(jù)分析與經(jīng)營(yíng)分析實(shí)戰(zhàn)培訓(xùn)》學(xué)員：于經(jīng)理

傅老師的課程全程高能，信息量巨大，我們已經(jīng)建議公司安排后續(xù)高級(jí)課程，期待再次學(xué)習(xí)，點(diǎn)贊！

我要預(yù)訂

咨詢電話：027-5111 9925 , 027-5111 9926手機(jī)：18971071887郵箱：Service@mingketang.com