時(shí) 程

大綱內(nèi)容

第1天

主題：顧客關(guān)系管理及基礎(chǔ)數(shù)據(jù)挖掘技術(shù)

企業(yè)使用之范圍：

說(shuō)明企業(yè)如何利用顧客關(guān)系管理來(lái)進(jìn)行營(yíng)銷(xiāo)活動(dòng)

理論介紹：

顧客關(guān)系管理系統(tǒng)的架構(gòu)及其組成元素

企業(yè)如何利用顧客關(guān)系管理系統(tǒng)來(lái)進(jìn)行營(yíng)銷(xiāo)活動(dòng)

數(shù)據(jù)挖掘技術(shù)的功能分類(lèi)

數(shù)據(jù)挖掘技術(shù)的績(jī)效增益

數(shù)據(jù)挖掘技術(shù)的產(chǎn)業(yè)標(biāo)準(zhǔn)

數(shù)據(jù)挖掘基本觀(guān)念與實(shí)際應(yīng)用解說(shuō)

SAS EM & SPSS Modeler實(shí)務(wù)案例操作：

Introduction to SAS Enterprise Miner(SAS EM) & IBM SPSS Modeler

Getting Started with SAS EM 12.1 & IBM SPSS Modeler 16

Creating a EM Project, Library and Diagram

Creating a SPSS Modeler Project

第1天

第2天

主題：基礎(chǔ)數(shù)據(jù)挖掘技術(shù)

企業(yè)使用之范圍：

說(shuō)明企業(yè)如何利用數(shù)據(jù)前處理技術(shù)來(lái)進(jìn)行數(shù)據(jù)的重整，建置數(shù)據(jù)倉(cāng)庫(kù)，以做為數(shù)據(jù)挖掘之輸入

理論介紹：

數(shù)據(jù)挖掘技術(shù)的流程-SEMMA vs. CRISP DM

數(shù)據(jù)前處理(Data Preprocessing)技術(shù)

Attribute Selection(字段選擇)

*Data Integration(數(shù)據(jù)整合)

Data Cleansing(數(shù)據(jù)清洗):

*Wrong Value(錯(cuò)誤值),

*Outlier(離群值),

*Missing Value(遺失值)

Attribute Enrichment(字段擴(kuò)充):

*內(nèi)/外部數(shù)據(jù)的擴(kuò)充方法

Data Coding(數(shù)據(jù)編碼):

*Data Transformation(數(shù)據(jù)轉(zhuǎn)換),

*Data Reduction(數(shù)據(jù)精簡(jiǎn)),

*Record Reduction(記錄精簡(jiǎn)),

*Attribute Value Reduction(域值精簡(jiǎn)),

*Attribute Reduction(字段精簡(jiǎn))

SAS EM & SPSS Modeler實(shí)務(wù)案例操作：

Defining a Data Source

Exploring a Data Source

  * Exploring Source Data

  * Changing the Explore Window Sampling Defaults

  * Modifying and Correcting Source Data

Managing Wrong Values/Outliers/Missing Values

Transforming Inputs

Recording Categorical Inputs

第2天

第3天

主題：進(jìn)階數(shù)據(jù)挖掘技術(shù)

企業(yè)使用之范圍：

說(shuō)明企業(yè)如何利用關(guān)鍵變量發(fā)掘技術(shù)來(lái)發(fā)掘?qū)?xiàng)目目標(biāo)有效之關(guān)鍵變量，以做為數(shù)據(jù)挖掘之輸入變量

理論介紹：

訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)的產(chǎn)生方法

關(guān)鍵變量(Key Attributes)發(fā)掘技術(shù)

*卡方檢定(Chi-square Test)

*t檢定及ANOVA檢定(t Test & ANOVA Test)

*利用決策樹(shù)(Decision Tree)選擇關(guān)鍵變量

SAS EM & SPSS Modeler實(shí)務(wù)案例操作：

Creating Training & Validation Dataset

Variable Selection

Using Partial Least Squares for Input Selection

Using the Decision Tree for Input Selection

第3天

主題：進(jìn)階數(shù)據(jù)挖掘技術(shù)2

企業(yè)使用之范圍：

說(shuō)明如何利用分類(lèi)技術(shù)之決策樹(shù)來(lái)建立交叉銷(xiāo)售(Cross-Selling)模型，以提升公司獲利

理論介紹：

分類(lèi)之決策樹(shù)(Decision Tree)

SAS EM & SPSS Modeler實(shí)務(wù)案例操作：

Constructing a Decision Tree Model

Optimizing the Complexity of Decision Trees

Assessing a Decision Tree

Understanding Additional Plots & Tables

Automatic Tree Growth

第3天

主題：進(jìn)階數(shù)據(jù)挖掘技術(shù)3

企業(yè)使用之范圍：

說(shuō)明企業(yè)如何利用分類(lèi)技術(shù)之神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)及分類(lèi)多模型整合來(lái)建立信用評(píng)分(Credit Scoring)模型，以降低公司損失

理論介紹：

分類(lèi)之神經(jīng)網(wǎng)絡(luò)(Neural Network)

分類(lèi)之支持向量機(jī)(Support Vector Machine)

分類(lèi)多模型整合(Ensemble)之裝袋(Bagging)、增強(qiáng)(Boosting)學(xué)習(xí)

SAS EM &SPSS Modeler實(shí)務(wù)案例操作：

Training a Neural Network

Selecting Neural Network Inputs

Increasing Network Flexibility

Using the AutoNeural Tool

Constructing a Support Vector Machine

Constructing Ensemble Models by Using Bagging and Boosting Techniques

Model Comparisons

第4天

主題：進(jìn)階數(shù)據(jù)挖掘技術(shù)4

企業(yè)使用之范圍：

說(shuō)明企業(yè)如何利用模型評(píng)估技術(shù)來(lái)評(píng)估模型的優(yōu)劣，以作為采用適當(dāng)模型的準(zhǔn)則

理論介紹：

模型評(píng)估(Model Assessment)技術(shù)

SAS EM & SPSS Modeler實(shí)務(wù)案例操作：

Model Fit Statistics:

* Comparing Models with Summary Statistics

Statistical Graph:

* Comparing Models with ROC Charts

* Comparing Models with Score Rankings Plots

* Adjusting for Separate Sampling

Profit Matrix:

* Evaluating Model Profit

* Viewing Additional Assessments

* Optimizing with Profit

Internally Scored Data Sets:

  * Creating a Score Data Source

  * Scoring with the Score Tool

  * Exporting a Scored Table

Score Code Modules:

  * Creating a SAS Score Code Module

  * Creating Other Score Code Modules

第4天

主題：進(jìn)階數(shù)據(jù)挖掘技術(shù)5

企業(yè)使用之范圍：

說(shuō)明企業(yè)如何利用預(yù)測(cè)(Prediction)技術(shù)之回歸樹(shù)及類(lèi)神經(jīng)網(wǎng)絡(luò)來(lái)建立數(shù)值預(yù)測(cè)模型-如預(yù)測(cè)客戶(hù)之年收入，以利公司設(shè)計(jì)營(yíng)銷(xiāo)活動(dòng)

理論介紹：

回歸樹(shù)(Regression Tree)

類(lèi)神經(jīng)網(wǎng)絡(luò)(Neural Network)-非線(xiàn)性回歸

SAS EM & SPSS Modeler實(shí)務(wù)案例操作：

Review and Set the Decision Tree Node

Review and Set the Neural Network Node

第4天

主題：進(jìn)階數(shù)據(jù)挖掘技術(shù)6

企業(yè)使用之范圍：

說(shuō)明企業(yè)如何利用關(guān)聯(lián)及序列分析技術(shù)來(lái)建立交叉銷(xiāo)售(Cross-Selling)及提升銷(xiāo)售(Up-Selling)模型，以提升公司獲利

理論介紹：

關(guān)聯(lián)分析(Association Analysis)

序列分析(Sequence Analysis)

SAS EM & SPSS Modeler案例案例操作：

Consolidating Categorical Inputs

Market Basket Analysis

Sequence Analysis

第5天

環(huán)境搭建與數(shù)據(jù)轉(zhuǎn)換

主體：數(shù)據(jù)分析環(huán)境搭建

1、Python程序安裝

2、MySQL數(shù)據(jù)庫(kù)安裝、配置、建庫(kù)；

主題：Python與其它軟件之間數(shù)據(jù)轉(zhuǎn)換

1、Python內(nèi)部的數(shù)據(jù)存儲(chǔ)類(lèi)型

2、Python與CSV格式文件；

3、Python與EXCEL格式文件；

4、Python與MySQL；

5、Python與ODBC；

主題：SQL編程與MySQL數(shù)據(jù)庫(kù)使用

Mysql SQL編程與Python SQL編程

主題：用R作統(tǒng)計(jì)

兩變量相關(guān)檢驗(yàn)（兩樣本T檢驗(yàn)、方差分析、卡方檢驗(yàn)、相關(guān)檢驗(yàn)）；

主成分與因子分析；

決策樹(shù)

數(shù)據(jù)挖據(jù)完整流程案例

——Python編程構(gòu)造銀行信用風(fēng)險(xiǎn)模型

第6天

主題：信用風(fēng)險(xiǎn)建模簡(jiǎn)介

銀行信用風(fēng)險(xiǎn)監(jiān)管體系與信用風(fēng)險(xiǎn)內(nèi)部模型

主題：?jiǎn)巫兞繖z驗(yàn)與數(shù)據(jù)清洗

缺失值檢驗(yàn)與處理方法

異常值檢驗(yàn)與處理方法

解釋變量粗篩

雙變量關(guān)系檢驗(yàn)法

數(shù)據(jù)分箱

主題：連續(xù)變量壓縮技術(shù)

變量聚類(lèi)

分類(lèi)變量壓縮技術(shù)

似完整分類(lèi)數(shù)據(jù)問(wèn)題

WOE方法

主題：邏輯回歸建模技術(shù)

模型選擇：逐步法、全子集法

根據(jù)經(jīng)驗(yàn)Logit曲線(xiàn)進(jìn)行連續(xù)變量轉(zhuǎn)換

主題：編程模型評(píng)估技術(shù)

ROC曲線(xiàn)

K-S曲線(xiàn)