 班級規模及環境--熱線:4008699035 手機:15921673576( 微信同號) |
|
每期人數限3到5人。 |
| 上課時間和地點 |
上課地點：【上海】：同濟大學(滬西)/新城金郡商務樓(11號線白銀路站) 【深圳分部】：電影大廈(地鐵一號線大劇院站)/深圳大學成教院 【北京分部】：北京中山學院/福鑫大樓 【南京分部】：金港大廈(和燕路) 【武漢分部】：佳源大廈（高新二路） 【成都分部】：領館區1號（中和大道） 【沈陽分部】：沈陽理工大學/六宅臻品 【鄭州分部】：鄭州大學/錦華大廈 【石家莊分部】：河北科技大學/瑞景大廈 【廣州分部】：廣糧大廈 【西安分部】：協同大廈
最近開課時間(周末班/連續班/晚班）：2020年3月16日 |
| 實驗設備 |
☆資深工程師授課
☆注重質量
☆邊講邊練
☆合格學員免費推薦工作
★實驗設備請點擊這兒查看★ |
| 質量保障 |
1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
2、培訓結束后,授課老師留給學員聯系方式,保障培訓效果,免費提供課后技術支持。
3、培訓合格學員可享受免費推薦就業機會。 |
課程大綱 |
課程介紹
在國內，“數據挖掘”作為一門復合型應用學科，其在商業領域的實踐應用及推廣只有十幾年的時間，在此期間，國內雖然陸續出版了一些相關的書籍，但是絕大多數都是基于理論或者國外經驗來闡述的，少有針對國內企業相關商業實戰的詳細介紹和分享，更缺乏從數據分析師的角度對商業實戰所進行的總結和歸納。因此，從商業應用出發，基于大量的商業實戰案例而不是基于理論探討的數據挖掘應用書籍成為當今圖書市場和廣大“數據挖掘”學習者的共同需求。
課程目標
? 了解數據化運營基礎理論
? 了解數據化運營需要的常見技術手段與場景
培訓對象
? 了解數據化運營基礎理論
? 了解數據化運營需要的常見技術手段與場景
? 擁有大數據挖掘需求的人員
? 正在工作中面臨大數據挖掘問題的架構師，分析師等
課程內容
第1個主題： 電商大鱷逐鹿中原、數據驅動主宰沉浮
第2個主題： 大數據生態體系介紹（深入理解大數據的生態體系）（30分鐘）
1、 大數據生態體系介紹
2、 大數據支撐----云計算
3、 大數據核心----海量數據
4、 大數據靈魂----大數據技術
5、 大數據價值----大數據商業思維
6、 大數據企業應用障礙分析
第3個主題： 大數據技術在大型互聯網公司中的實際應用（深入理解大數據作用與意義）（60分鐘）
1、 電商遇到的問題
2、 大型互聯網企業遇到的問題
3、 大數據主要解決的問題
4、 實例分享：淘寶雙十一
5、 實例分享：騰訊QQ
6、 實例分享：百度文庫
7、 實例分享：打車大戰
8、 大數據的作用
9、 戰略決策和精細化管理
10、 大數據網絡營銷
第4個主題： 大數據企業級平臺選型（大數據時代企業級技術選型分享）（30分鐘）
1、 實例分享：淘寶技術變遷
2、 實例分享：京東技術變革
實例分享：滴滴打車技術變革
第5個主題： 什么是數據化運營
1. 現代營銷理論的發展歷程
a) 從4P到4C
b) 從4C到3P3C
2. 數據化運營的主要內容
3. 為什么要數據化運營
4. 數據化運營的必要條件
a) 企業級海量數據存儲的實現
b) 精細化運營的需求
c) 數據分析和數據挖掘技術的有效應用
d) 企業決策層的倡導與持續支持
5. 數據化運營的新現象與新發展
第6個主題： 大數據挖掘與分析介紹（全面理解大數據挖掘概念與分析技術）（120分鐘）
1、 數據分析基本概念
2、 數據分析算法
3、 數據分析工具
4、 數據分析流程
5、 數據分析范疇
6、 數據挖掘基本概念
7、 數據挖掘模型
8、 數據挖掘目標
9、 數據挖掘數據質量
10、 數據挖掘的9大定律
11、 數據挖掘發展趨勢
12、 數據挖掘的工具
a) 數據采集工具
b) 客戶端數據分析工具
c) 客戶端數據挖掘工具
d) 數據存儲——數據庫系統
13、 數據挖掘的主要成熟技術以及在數據化運營中的主要應用
1. 決策樹
2. 神經網絡
3. 回歸
4. 關聯規則
5. 聚類
6. 貝葉斯分類方法
7. 支持向量機
8. 主成分分析
9. 假設檢驗
14、 數據化運營中常見的數據分析項目類型
1. 目標客戶的特征分析
2. 目標客戶的預測（響應、分類）模型
3. 運營群體的活躍度定義
4. 用戶路徑分析
5. 交叉銷售模型
6. 信息質量模型
7. 服務保障模型
15、 數據化運營是跨專業、跨團隊的協調與合作
a) 數據分析團隊與業務團隊的分工和定位
b) 數據化運營是真正的多團隊、多專業的協同作業
c) 實例示范數據化運營中的跨專業、跨團隊協調合作
第2天
第7個主題： 分析師常見的錯誤觀念和對治的管理策略
8. 輕視業務論
9. 技術萬能論
10. 技術尖端論
11. 建模與應用兩段論
12. 機器萬能論
第8個主題： 數據挖掘項目完整應用案例演示
1. 項目背景和業務分析需求的提出
2. 數據分析師參與需求討論
3. 制定需求分析框架和分析計劃
4. 抽取樣本數據、熟悉數據、數據清洗和摸底
5. 按計劃初步搭建挖掘模型
6. 與業務方討論模型的初步結論，提出新的思路和模型優化方案
7. 按優化方案重新抽取樣本并建模，提煉結論并驗證模型
8. 完成分析報告和落地應用建議
9. 制定具體的落地應用方案和評估方案
10. 業務方實施落地應用方案并跟蹤、評估效果
11. 落地應用方案在實際效果評估后，不斷修正完善
12. 不同運營方案的評估、總結和反饋
13. 項目應用后的總結和反思
第9個主題： 用戶特征分析
1. 用戶特征分析所適用的典型業務場景
2. 尋找目標用戶
3. 尋找運營的抓手
4. 用戶群體細分的依據
5. 新品開發的線索和依據
6. 用戶特征分析的典型分析思路和分析技術
7. 3種劃分的區別
8. RFM
9. 聚類技術的應用
10. 決策樹技術的應用
11. 預測（響應）模型中的核心自變量
12. 假設檢驗的應用
13. 特征提煉后的評價體系
14. 用戶特征分析與用戶預測模型的區別和聯系
15. 用戶特征分析案例
第10個主題： 運營效果分析的典型應用和技術小竅門
1. 為什么要做運營效果分析
2. 統計技術在數據化運營中最重要最常見的應用
3. 為什么要進行假設檢驗
4. 假設檢驗的基本思想
5. T檢驗概述
6. 兩組獨立樣本T檢驗的假設和檢驗
7. 兩組獨立樣本的非參數檢驗
8. 配對差值的T檢驗
9. 配對差值的非參數檢驗?
10. 方差分析概述
11. 單因素方差分析
12. 多個樣本組的非參數檢驗
13. 卡方檢驗
14. 控制變量的方法
15. AB Test
第11個主題： 漏斗模型和路徑分析
1. 漏斗模型和路徑分析
2. ??網絡日志和布點
3. ????日志布點
4. ????日志采集
5. ??日志解析
6. ??日志分析
7. ??漏斗模型與路徑分析的主要區別和聯系
8. ??漏斗模型的主要應用場景
9. ??運營過程的監控和運營效率的分析與改善
10. ??用戶關鍵路徑分析
11. ??產品優化
12. ??路徑分析的主要應用場景
13. ??路徑分析的主要算法
14. ??社會網絡分析方法
15. ??基于序列的關聯分析
16. 最樸素的遍歷方法
17. 路徑分析案例的分享
第12個主題： 數據分析師對業務團隊數據分析能力的培養
1. 培養業務團隊數據分析意識與能力的重要性
2. 數據分析師在業務團隊數據分析意識能力培養中的作用
3. 數據分析師如何培養業務團隊的數據分析意識和能力
4. 數據分析師培養業務團隊數據分析意識能力的案例分享 |
|
|
|
首頁 課程表 在線聊 報名 講師 品牌 QQ聊 活動 就業
