本課程從實際的業務需求出發，結合行業的典型應用特點，圍繞實際的商業問題，對數據分析及數據挖掘技術進行了全面的介紹（從數據收集與處理，到數據分析與挖掘，再到數據可視化和報告撰寫），通過大量的操作演練，幫助學員掌握數據分析和數據挖掘的思路、方法、表達、工具，從大量的企業經營數據中進行分析，挖掘客戶行為特點，幫助運營團隊深入理解業務運作，以達到提升學員的數據綜合分析能力，支撐運營決策的目的。

通過本課程的學習，達到如下目的：

1、  了解數據分析的本質，理解數據決策的底層邏輯

2、  學會搭建數據分析框架，熟悉常用的業務模型

3、  熟悉數據分析標準過程，能夠按步驟進行數據分析

4、  掌握常用數據分析方法，熟練使用Excel高級數據分析工具

5、  掌握常用高級定量預測模型，理解模型原理，學會解讀模型含義

【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（建議2016版本以上）。

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

采用互動式教學，圍繞業務問題，展開數據分析過程，全過程演練操作，讓學員在分析、分享、講授、總結、自我實踐過程中獲得能力提升。

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

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：  精準營銷分析—分析步驟篇

1、 數據分析的六步曲

2、 步驟1：明確目的，確定分析思路

‐  確定分析目的：要解決什么樣的業務問題

‐  確定分析思路：分解業務問題，構建分析框架

3、 步驟2：收集數據，尋找分析素材

‐  明確數據范圍

‐  確定收集來源

‐  確定收集方法

4、 步驟3：整理數據，確保數據質量

‐  數據質量評估

‐  數據清洗、數據處理和變量處理

‐  探索性分析

5、 步驟4：分析數據，尋找業務答案

‐  選擇合適的分析方法

‐  構建合適的分析模型

‐  選擇合適的分析工具

6、 步驟5：呈現數，解讀業務規律

‐  選擇恰當的圖表

‐  選擇合適的可視化工具

‐  提煉業務含義

7、 步驟6：撰寫報告，形成業務策略

‐  選擇報告種類

‐  完整的報告結構

演練：產品精準營銷案例分析

‐  如何搭建精準營銷分析框架

‐  精準營銷分析的過程和步驟

第三部分：  用戶行為分析—統計方法篇

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）

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）

4、 案例研討

結合公司具體業務目標，搭建數據分析框架

第五部分：  數據分析報告—數據可視化篇(基于需求，略講或不講)

1、 常用圖形類型及選擇原則

2、 基本圖形畫圖技巧

3、 圖形美化原則

4、 表格美化技巧

案例：繪圖示例

第六部分：  數據分析報告—數據報告篇(基于需求，略講或不講)

問題：如何讓你的分析報告顯得更專業？

1、 分析報告的種類與作用

2、 報告的結構

3、 報告命名的要求

4、 報告的目錄結構

5、 前言

6、 正文

7、 結論與建議

案例：報告示例和演示

第七部分：  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

‐  相關分析的基本步驟

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

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

4、 相關性分析方法總結

第八部分：  因素量化分析—回歸分析篇

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

結束：課程總結與問題答疑。