本课程从实际的业务需求出发，结合行业的典型应用特点，围绕实际的商业问题，对数据分析及数据挖掘技术进行了全面的介绍（从数据收集与处理，到数据分析与挖掘，再到数据可视化和报告撰写），通过大量的操作演练，帮助学员掌握数据分析和数据挖掘的思路、方法、表达、工具，从大量的企业经营数据中进行分析，挖掘客户行为特点，帮助运营团队深入理解业务运作，以达到提升学员的数据综合分析能力，支撑运营决策的目的。

通过本课程的学习，达到如下目的：

1、  了解数据分析的本质，理解数据决策的底层逻辑

2、  学会搭建数据分析框架，熟悉常用的业务模型

3、  熟悉数据分析标准过程，能够按步骤进行数据分析

4、  掌握常用数据分析方法，熟练使用Excel高级数据分析工具

5、  掌握常用高级定量预测模型，理解模型原理，学会解读模型含义

【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（建议2016版本以上）。

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

采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中获得能力提升。

第一部分：  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

2、 大数据的本质

‐  数据，是事物发展和变化过程中留下的痕迹

‐  大数据不在于量大，而在于全（多维性）

‐  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）

‐  探索业务规律，按规律来管理决策

案例：客流规律与排班及最佳营销时机

案例：致命交通事故发生的时间规律

‐  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

‐  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？

‐  预测未来趋势，通过预判进行决策

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

‐  业务数据化：将业务问题转化为数据问题

‐  数据信息化：提取数据中的业务规律信息

‐  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：  精准营销分析—分析步骤篇

1、 数据分析的六步曲

2、 步骤1：明确目的，确定分析思路

‐  确定分析目的：要解决什么样的业务问题

‐  确定分析思路：分解业务问题，构建分析框架

3、 步骤2：收集数据，寻找分析素材

‐  明确数据范围

‐  确定收集来源

‐  确定收集方法

4、 步骤3：整理数据，确保数据质量

‐  数据质量评估

‐  数据清洗、数据处理和变量处理

‐  探索性分析

5、 步骤4：分析数据，寻找业务答案

‐  选择合适的分析方法

‐  构建合适的分析模型

‐  选择合适的分析工具

6、 步骤5：呈现数，解读业务规律

‐  选择恰当的图表

‐  选择合适的可视化工具

‐  提炼业务含义

7、 步骤6：撰写报告，形成业务策略

‐  选择报告种类

‐  完整的报告结构

演练：产品精准营销案例分析

‐  如何搭建精准营销分析框架

‐  精准营销分析的过程和步骤

第三部分：  用户行为分析—统计方法篇

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

‐  现状分析：通过企业运营指标来发现规律及短板

‐  原因分析：查找数据相关性，探寻目标影响因素

‐  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

‐  描述性分析法（对比/分组/结构/趋势/交叉…）

‐  相关性分析法（相关/方差/卡方…）

‐  预测性分析法（回归/时序/决策树/神经网络…）

‐  专题性分析法（聚类/关联/RFM模型/…）

3、 统计分析基础

‐  统计分析两大关键要素（类别、指标）

‐  统计分析的操作模式（类别à指标）

‐  统计分析三个操作步骤（统计、画图、解读）

4、 常用的描述性指标

‐  集中程度：均值、中位数、众数

‐  离散程度：极差、方差/标准差、IQR

‐  分布形态：偏度、峰度

5、 基本分析方法及其适用场景

‐  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

‐  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）

‐  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

‐  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

‐  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

‐  外部环境分析：PEST

‐  业务专题分析：5W2H

‐  竞品/竞争分析：SWOT、波特五力

‐  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）

‐  WHY：原因（用户需求、产品亮点、竞品优劣势）

‐  WHAT：产品（产品喜好、产品贡献、产品功能、产品结构）

‐  WHO：客户（基本特征、消费能力、产品偏好）

‐  WHEN：时间（淡旺季、活跃时间、重购周期）

‐  WHERE：区域/渠道（区域喜好、渠道偏好）

‐  HOW：支付/促销（支付方式、促销方式有效性评估等）

‐  HOW MUCH：价格（费用、成本、利润、收入结构、价格偏好等）

4、 案例研讨

结合公司具体业务目标，搭建数据分析框架

第五部分：  数据分析报告—数据可视化篇(基于需求，略讲或不讲)

1、 常用图形类型及选择原则

2、 基本图形画图技巧

3、 图形美化原则

4、 表格美化技巧

案例：绘图示例

第六部分：  数据分析报告—数据报告篇(基于需求，略讲或不讲)

问题：如何让你的分析报告显得更专业？

1、 分析报告的种类与作用

2、 报告的结构

3、 报告命名的要求

4、 报告的目录结构

5、 前言

6、 正文

7、 结论与建议

案例：报告示例和演示

第七部分：  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）

‐  相关分析简介

‐  相关分析的应用场景

‐  相关分析的种类

‐  相关分析的基本步骤

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

3、 方差分析（衡量类别变量与数值变量间的相关性）

‐  方差分析的应用场景

‐  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

‐  单因素方差分析的原理

‐  方差分析的四个步骤

‐  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

4、 相关性分析方法总结

第八部分：  因素量化分析—回归分析篇

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

‐  一元回归/多元回归

‐  线性回归/非线性回归

3、 常用回归分析方法

‐  散点图+趋势线（一元）

‐  线性回归工具（多元线性）

‐  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

‐  定性描述：正相关/负相关

‐  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

‐  质量评估指标：判定系数R^2

‐  如何选择最佳回归模型

演练：如何选择最佳的回归预测模型（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最佳配置

结束：课程总结与问题答疑。