【课程目标】
本课程为主要面向金融行业，提升业务部门的数据分析综合能力提升，主要使用统计分析方法，解决业务问题。
一般情况下，在企业中有80%的数据分析工作（比如业务分析、经营分析等等），都可以使用简单的统计分析方法来解决，关键在于发现企业运营过程中的业务规律及业务问题，进而提出业务策略及建议，供企业领导进行决策。
本课程覆盖了如下内容：
1、 数据分析基础，数据分析过程
2、 数据分析方法，数据分析思路。
3、 数据可视化呈现，数据报告撰写。
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、 了解数据分析基础知识，掌握数据分析的基本过程。
2、 学会数据分析的框架和思路，掌握常用数据分析方法来分析问题。
3、 熟悉数据分析的基本过程，掌握Excel高级数据分析库操作。
4、 熟练使用图表制作工具，掌握图表美化原则，正确使用图表来表达观点。
5、 掌握数据分析报告的写作技巧及要点，全面正确地呈现分析结果。
【授课时间】2天时间
【授课对象】
销售部门、营业厅、业务支撑、经营分析部、网管/网优中心、运营分析部、呼叫中心等对业务数据分析有基本要求的相关人员。
【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Excel2010版本及以上。
3、 便携机中事先安装好IBM SPSS v19版本及以上。
注：讲师可以提供试用版本软件及分析数据源。
【授课方式】
数据分析基础+ 方法讲解+ 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。
【课程大纲】
第一部分：金融行业的大数据
1、 大数据时代已经来临
2、 数据驱动成为银行发展的新动力
3、 大数据在银行业的应用
▪ 营销支持
▪ 风险管控
▪ 精细化管理
▪ 决策支持
4、 银行大数据应用案例
▪ 信贷风险控制
▪ 差异化产品营销
▪ 客户兴趣与客户细分
▪ 个人信用评估
5、 大数据在各银行的应用
▪ 中信银行，以客户为上帝
▪ 民生银行大数据战略
▪ 青岛银行提升运营能力
6、 大数据应用系统的四层结构
▪ 数据基础层
▪ 数据模型层
▪ 业务模型层
▪ 业务应用层
第二部分：数据分析基本过程
1、 认识数据分析
2、 数据分析的六步曲
3、 步骤1：明确目的--理清思路
▪ 确定分析目的
▪ 确定分析思路
4、 步骤2：数据收集—理清思路
▪ 明确收集数据范围
▪ 确定收集来源
▪ 确定收集方法
5、 步骤3：数据预处理—寻找答案
▪ 数据清洗、转化、提取、计算
▪ 数据质量评估
6、 步骤4：数据分析--寻找答案
▪ 分析方法选择
▪ 构建合适的分析模型
▪ 分析工具选择
7、 步骤5：数据展示--观点表达
▪ 选择合适的可视化工具
▪ 选择恰当的图表
8、 步骤6：报表撰写--观点表达
▪ 选择报告种类
▪ 完整的报告结构
案例：终端精准营销项目过程讨论
第三部分：数据分析方法篇
问题：数据分析有什么方法可依?不同的方法适用解决什么样的问题？
1、 数据分析方法的层次
▪ 基本分析法（对比/分组/结构/趋势/…）
▪ 综合分析法（交叉/综合评价/杜邦/漏斗/…）
▪ 高级分析法（相关/方差/验证/回归/时序/…）
▪ 数据挖掘法（聚类/分类/关联/RFM模型/…）
2、 统计分析常用指标
▪ 计数、求和、百分比（增跌幅）
▪ 集中程度：均值、中位数、众数
▪ 离散程度：极差、方差/标准差
▪ 分布形态：偏度、峰度
3、 基本分析方法及其适用场景
▪ 对比分析（查看数据差距）
演练：按性别、省份、产品进行分类统计
▪ 分组分析（查看数据分布）
演练：银行信用卡月消费分析（银行）
演练：客服中心接听效率及排班分析
▪ 结构分析（评估事物构成）
案例：用户市场占比结构分析
▪ 趋势分析（发现变化规律）
案例：破解零售店销售规律
4、 综合分析方法及其适用场景
▪ 交叉分析（两维分析）
演练：用户性别+地域分布分析
▪ 综合评价法（多维指标归一）
案例：南京丈母娘选女婿分析表格
▪ 杜邦分析法（关键因素分析-财务数据分析）
案例：电信市场占有率分析
案例：销售额的影响因素分析（零售店/电商）
▪ 漏斗分析法（关键流程环节分析-流失率与转化率分析）
案例：业务办理流程优化分析（银行营业厅）
5、 最合适的分析方法才是硬道理。
第四部分：数据分析思路篇
问题：数据分析思路是怎样的？如何才能全面/系统地分析而不遗漏？
1、 数据分析的思路
▪ 从KPI指标开始
▪ 从营销/管理模型开始
2、 常用分析思路模型
3、 企业外部环境分析（PEST分析法）
案例：电信行业外部环境分析
4、 用户消费行为分析（5W2H分析法）
案例：用户购买行为分析（5W2H）
5、 公司整体经营情况分析（4P营销理论）
6、 业务问题专题分析（逻辑树分析法）
案例：用户增长缓慢分析
7、 用户使用行为研究（用户使用行为分析法）
案例：终端销售流程分析
第五部分：图表呈现篇
问题：如何让你的分析结果更直观易懂？如何让数据“慧”说话？
1、 图表类型与作用
2、 常用图形及适用场景
3、 常用图形
4、 复杂图形
5、 动态图表画法技巧
6、 图表美化原则
7、 表格呈现
8、 优秀图表示例解析
第六部分：分析报告撰写
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
8、 优秀报告展现与解析
第七部分：数据分析实战篇（中级）
影响因素分析，数值预测模型。
1、 相关分析（衡量变量间的的相关性）
问题：营销费用会影响销售额吗？影响程度大吗？
▪ 什么是相关关系
▪ 相关系数：衡量相关程度的指标
▪ 相关分析的步骤与计算公式
▪ 相关分析应用场景
演练：体重与腰围的关系
演练：营销费用与销售额的关系
2、 方差分析
问题：哪些才是影响销量的关键因素？
▪ 方差分析解决什么问题
▪ 方差分析种类：单因素/双因素可重复/双因素无重复
▪ 方差分析的应用场景
▪ 如何解决方差分析结果
演练：终端摆放位置与终端销量有关吗？（单因素方差分析）
演练：时间、区域是否是影响终端销量的关键因素（双因素无重复方差分析）
演练：广告和价格是影响终端销量的关键因素吗（双因素可重复）
3、 回归分析（预测）
问题：如何预测未来的销售量（定量分析）？
▪ 回归分析的基本原理和应用场景
▪ 回归分析的种类（一元/多元、线性/曲线）
▪ 回归分析的几种常用方法
▪ 回归分析的五个步骤与结果解读
▪ 回归预测结果评估（如何评估预测质量，如何选择最佳回归模型）
演练：散点图找推广费用与销售额的关系（一元线性回归）
演练：推广费用、办公费用与销售额的关系（多元线性回归）
演练：最佳选择的预测销售额的回归模型（一元曲线回归）
▪ 回归分析（带分类变量）
案例：汽车销量的季度预测
演练：工龄、性别与终端销量的关系
讨论：终端销售预测分析（营业厅）
4、 时序分析（预测）
问题：随着时间变化，未来的销量变化趋势如何？
▪ 时序分析的应用场景（基于时间的变化规律）
▪ 移动平均的预测原理
▪ 指数平滑的预测原理
案例：销售额的时序预测及评估
演练：产品销量预测及评估
第八部分：数据挖掘实战篇（高级）
1、 聚类分析
问题：如何实现客户细分，开发符合细分市场的新产品？
▪ 聚类分析及其作用
▪ 聚类分析的种类
▪ 层次聚类：发现多个类别
▪ R型聚类与Q型聚类的区别
演练：中国省市经济发展情况分析（Q型聚类）
演练：裁判评分的标准衡量（R型聚类）
▪ K均值聚类
演练：如何选择新产品的试销区域？
演练：如何评选优秀员工？
2、 分类分析
案例：美国零售商（Target）如何预测少女怀孕
问题：如何提取客户流失者、拖欠货款者的特征？如何预测其流失的概率？
▪ 分类与聚类
▪ 决策树分类的原理
▪ 如何评估分类性能
演练：识别银行欠货风险，提取欠货者的特征
3、 关联分析
案例：啤酒与尿布、飓风与蛋挞
问题：购买面包的人是否也会购买牛奶？他们同时购买哪些产品？
▪ 关联分析解决什么样的问题
▪ 如何提取关联规则
▪ 关联规则的应用场景
演练：商场购物篮分析
4、 RFM模型
问题：如何评估客户的价值？如何针对不同客户采取不同的营销策略？
▪ RFM模型介绍
▪ RFM的客户细分框架理解
演练：淘宝客户选择促销客户的方式
演练：结合响应模型，宜家IKE实现最大化营销利润
实战：客户流失分析与预警模型
结束：课程总结与问题答疑。
授课老师
傅一航 大数据专家
常驻地：深圳
邀请老师授课：13439064501 陈助理
