课程背景
本课
从
实际的
市场营销
问题出发，
构筑资料拆解和资料
挖掘
模型，以破解实际的商业问题。并对海量资料拆解和挖掘
技艺开展了周全
的引见
，
借助从大量的市场营销资料
中拆解潜在的买方特征，挖掘买方行为特点，
达成
精准营销，
支援市场营销
队伍纵深领会业务
运作
，支持业务
打法
拟定以及营运决策
。
课程收益
借助本课的研习，达成
如下目的：
弄懂海量资料营销内容，掌握海量资料在营销中的运用。
弄懂基本的营销理论，并学会基于营销理念来展开海量资料拆解。
熟稔资料拆解
/
挖掘的
基本
进程，
掌握常用
的
资料挖掘
办法
。
熟稔
Excel
资料拆解抓手，能够利用
Excel
和
SPSS
软件破解实际的营销问题（比如
定价
/
影响因素
/
行为预测
/
买方诉求
/
买方价值
/
市场细分
等等）。
课程大纲
资料
核心理念—资料思路篇
问题：何为资料思路？海量资料决策的底层推演以及决策依据为何？
数智化五大技艺方略：
ABCDI
方略
A
：机器智能，目的是用机器还原人类行为
B
：区块链，构筑不可篡改的分布记账系统
C
：云计算，搭建按照需分配的计算资源平台
D
：海量资料，达成智能化的判断和决策制度
I
：物联网，达成万物互联通信的基础架构
海量资料
的本质
资料，
是
事物演进和变化进程中留下的痕迹
海量资料不在于量大，而在于全（多维性）
业务导向还是技艺导向
海量资料决策的底层推演（即四大核心价值）
探索业务规律，按照规律来管控决策
实例
：
客流规律和排班以及最佳营销时机
实例：致命交通事故发生的时间规律
发现营运变化，定短板来营运决策
实例
：
考核周期导致的员工月初懈怠
实例：工序信号异常监测装置故障
理清要素关系，找影响因素来决策
实例
：
情绪对于股市涨跌的影响
实例：为何升职反而会增加离职隐患？
预测未来趋势，借助预判开展决策
实例
：
惠普预测员工离职隐患以及挽留
实例：保险公司的车险预测和个性化保费定价
海量资料决策的三个要害环节
业务资料化：将业务问题转化为资料问题
资料资讯化：提取资料中的业务规律资讯
资讯打法化：基于规律形成业务化解打法
实例
：
用资料来识别喜欢赚
“差价”的营业员
资料精准营销—拆解进程篇
问题：海量资料达成精准营销的整个进程为何？要经历哪些步骤？怎样构筑精准营销的资料支撑轮廓？需要采集哪些资料？
资料
拆解
的六
步
曲
明晰标的，确定拆解思路
收集资料，寻找拆解素材
整理资料，确保资料质量
拆解资料，寻找业务答案
呈现资料，解读业务规律
撰写报告，形成业务打法
精准营销的业务拆解轮廓（
6R
准则）
寻找正确的买方
匹配正确的货品
确定合理的价格
借助合适的渠道
采用合适的方式
规划恰当的资讯
上手：怎样构筑一个良好的海量资料精准营销拆解轮廓
精准营销项目的整个拆解进程
上手
：
怎样用海量资料来支撑货品精准营销项目
用户行为拆解
—
拆解办法
篇
问题：资料拆解办法的种类？拆解办法的不同运用情境？
业务拆解的三个阶段
现况拆解：借助公司营运指标来发现规律以及短板
原因拆解：查找资料相关性，探寻标的影响因素
预测拆解：合理配置资源，预判业务未来的趋势
常用的资料拆解办法种类
描述性拆解法（对比
/
分组
/
结构
/
趋势
/
交叉
…）
相关性拆解法（相关
/
方差
/
卡方
…）
预测性拆解法（回归
/
时序
/
决策树
/
神经网络
…）
专题性拆解法（聚类
/
关联
/RFM
模型
/
…）
统计拆解基础
统计拆解两大要害要素（类别、指标）
统计拆解的操作模式（类别à指标）
统计拆解三个操作步骤（统计、画图，解读）
透视表的三个组成部分
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
/
准则差、
IQR
分布形态：偏度、峰度
基本
拆解办法
以及其适用情境
对比拆解（查看资料差距，发现事物变化）
上手：寻找用户的地域分布特征
上手：拆解货品受欢迎情况以及贡献大小
上手：用资料来探索增量不增收困境的解题打法
分布拆解（查看资料分布，探索业务层次）
上手：银行用户的消费水平和消费层次拆解
上手
：
买方年龄分布
/
收入分布拆解
实例：通信营运商的流量套餐划分合理性的评核
上手：呼叫中心接听电话效率拆解（呼叫中心）
结构拆解（查看指标构成，评核结构合理性）
实例：增值业务收入结构拆解（通信）
实例：物流费用成本结构拆解（物流）
实例：
中移动用户群动态结构拆解
上手：
财务领域的结构瀑布图、财务收支的变化瀑布图
趋势拆解（发现
事物随时间的
变化规律）
实例：破解零售店销售规律
实例：手机
销量
的淡旺季拆解
实例：微信用户的活跃时间规律
上手：发现客流量的时间规律
交叉拆解（从多个维度的资料指标拆解）
上手：用户性别
+
地域分布拆解
上手：
不同买方的
货品偏好拆解
上手：不同
学历用户
的套餐偏好拆解
上手：银行用户的违约影响因素拆解
用户行为拆解—拆解轮廓
篇
问题：怎样才能周全
/
系统地拆解而不遗漏？怎样分解和细化业务问题？
业务拆解思路和拆解轮廓来源于业务模型
常用的业务模型
外部环境拆解：
PEST
业务专题拆解：
5W
2
H
竞品
/
竞争拆解：
SWOT
、波特五力
营销市场专题拆解：
4P/
4
C
等等
用户行为拆解
（
5
W2H
拆解思路
和轮廓
）
WHY
：原因
（用户诉求、货品亮点、竞品优劣势）
WHAT
：货品
（货品喜好、货品贡献、货品功能、货品结构）
WHO
：买方
（基本特征、消费本领、货品偏好）
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、促销方式有效性评核等等）
HOW MUCH
：价格
（费用、成本，利润、收入结构、价格偏好等等）
实例碰头
：
结合公司情况，搭建用户消费习惯的
拆解
轮廓（
5
W2H
）
资料拆解打法
影响因素拆解—原因拆解篇
营销问题：哪些因素是影响业务标的的要害要素？比如，货品在货架上的位置是否对销量有影响？价格和广告开销是怎样影响销量的？影响风控的要害因素有哪些？怎样判断？
影响因素拆解
的常见办法
相关拆解（衡量两资料型变量的线性相关性）
相关拆解简介
相关拆解的运用情境
相关拆解的种类
简单相关拆解
偏相关拆解
距离相关拆解
相关系数的三
种计算公式
P
earson相关系数
S
pearman相关系数
K
endall相关系数
相关拆解的假设检验
相关拆解的
四个基本步骤
上手：营销费用会影响销售额吗？影响程度怎样量化？
上手：
哪些因素和汽车销量有相关性
上手
：
影响用户消费水平的因素会有哪些
偏相关拆解
偏相关
原理：排除不可控因素后的两变量的相关性
偏相关
系数的计算公式
偏相关拆解的适用情境
距离相关拆解
方差拆解（衡量类别变量和数值变量间的相关性）
方差拆解的运用情境
方差拆解的三个种类
单因素方差拆解
多因素方差拆解
协方差拆解
单因素方差拆解的原理
方差拆解的
四个
步骤
解读方差拆解结果的两个要点
上手
：
摆放位置和销量有关吗
上手：买方学历对消费
水平
的影响拆解
上手
：
广告和价格是影响终端销量的要害因素吗
上手
：
营业员的性别、本领级别对货品销量有影响吗
上手：寻找影响货品销量的要害因素
多因素方差拆解原理
多因素方差拆解的作用
多因素方差结果的解读
上手：广告
形式、地区对
销量的
影响因素
拆解
协方差拆解原理
协方差拆解的适用情境
上手：排除货品价格，收入对销量有影响吗？
列联拆解
/
卡方检验（两类别变量的相关性拆解）
交叉表和列联表：计数值和期望值
卡方检验的原理
卡方检验的几个计算公式
列联表拆解的适用情境
实例：套餐类型对买方离职的影响拆解
实例：学历对业务套餐偏好的影响拆解
实例：业界
/
规模对风控的影响拆解
相关性拆解办法
收束
货品销量预测—回归预测篇
营销问题：
怎样预测未来的货品销量
/
销售额？倘若货品跟随季节性变动，该怎样预测？
回归拆解简介和原理
回归拆解的种类
一元回归
/
多元回归
线性回归
/
非线性回归
常用回归拆解办法
散点图
+
趋势线（一元）
线性回归抓手（多元线性）
规划求解抓手（非线性回归）
上手：散点图找营销费用和销售额的关系
线性回归拆解的五个步骤
上手
：营销
费用、办公费用和销售额的关系（线性回归）
线性回归方程的解读招数
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
回归预测模型评核
质量评核指标：判定系数
R
^2
怎样选项最佳回归模型
上手：怎样选项最佳的回归预测模型（一元曲线回归）
带分类自变量的回归预测
上手
：汽车季度销量预测
上手
：
工龄、性别和终端销量的关系
上手：怎样评核销售标的和资源最佳配置
回归拆解的基本原理
三个基本概念：总变差、回归变差，剩余变差
方程的显著性检验：方程可用性
因素的显著性检验：因素可用性
方程拟合优度检验：质量好坏程度
领会准则误差含义：预测准确性？
回归模型精进措施：寻找最佳回归拟合线
怎样处理预测离群值（剔除离群值）
怎样剔除
不
显著因素（
剔除不显著因素
）
怎样开展非线性关系检验（增加非线性自变量）
怎样开展相互作用检验（增加相互作用自变量）
怎样开展多重共线性检验
（剔除共线性自变量）
上手：模型精进演示
好模型都是精进出来的
客流预测模型—自定义回归篇
回归建模的本质
规划求解抓手简介
自定义回归模型
实例：怎样对客流量开展建模预测以及模型精进
季节性预测模型
回归季节模型的原理以及运用情境
加法季节模型
乘法季节模型
模型解读
实例
：
美国航空旅客里程的季节性趋势拆解
新货品累计销量的
S
曲线
S
曲线模型的运用情境（最大累计销量以及销量增长的拐点）
珀尔曲线
龚铂兹曲线
实例
：
怎样预测货品的销售增长拐点，以及销量上限
上手：预测
I
Pad
货品的销量
货品销量预测—时序预测篇
营销问题：像利率
/CPI
/GDP等等按照时序变化的指标怎样预测？当销量随季节周期变动时该怎样预测？
回归预测
v
s时序预测
因素分解思想
时序预测常用模型
趋势拟合
季节拟合
平均序列拟合
评核预测值的准确度指标：
MAD
、
RMSE
，
MAPE
移动平均（
MA
）
运用情境以及原理
移动平均种类
一次移动平均
二次移动平均
加权移动平均
移动平均比率法
移动平均要害问题
怎样选取最优参数N
怎样确定
最优权重系数
上手：平板电脑销量预测以及评核
上手：快销货品季节销量预测以及评核
指数平滑（
ES
）
运用情境以及原理
最优平滑系数的选取
要则
指数平滑种类
一次指数平滑
二次指数平滑（
Brown
线性，
Holt
线性、
Holt
指数、阻尼线性，阻尼指数）
三次指数平滑
上手：煤炭产量预测
上手：航空旅客量预测以及评核
温特斯季节预测模型
适用情境以及原理
H
olt-Winters加法
模型
H
olt-Winters
乘法模型
上手：
汽车销量预测以及评核
平稳序列模型（ARIMA）
序列的平稳性检验
平稳序列的拟合模型
AR
(p)自回归模型
MA(
q)移动模型
A
RMA(p,q)自回归移动模型
模型的识别和定阶
ACF
图
/
PACF图
最小资讯准则
序列平稳化处理
变量变换
k次差分
d
阶差分
A
RIMA(p,d,q)模型
上手：
上海
证券交易所
综合
指数收益率
序列拆解
上手：服装销售资料季节性趋势预测拆解
平稳序列的建模流程
买方行为预测—分类预测篇
问题：
怎样评核买方购买货品的可能性？怎样预测买方的购买行为？怎样提取某类买方的典型特征？怎样向买方精准推荐货品或者业务？
分类模型概述以及其运用情境
常见分类预测模型
推演回归（
LR
）
推演回归的适用情境
推演回归的模型原理
推演回归分类的几何意义
推演回归的种类
二项推演回归
多项推演回归
怎样解读推演回归方程
带分类自变量的推演回归拆解
多项推演回归
/
多分类推演回归
实例
：
怎样评核用户是否会购买某货品
（二
项
推演
回归
）
实例
：
多品牌选项模型
拆解
（多项推演回归）
分类决策树（
DT
）
问题：怎样预测买方行为？怎样识别潜在买方？
风控：
怎样识别欠贷者的特征，以及预测欠贷概率？
买方保有：怎样识别离职买方特征，以及预测买方离职概率？
决策树分类简介
实例：美国零售商（
T
arget）怎样预测少女怀孕
上手：识别银行欠货隐患，提取欠贷者的特征
决策树分类的几何意义
构筑决策树的三个要害问题
怎样选项最佳属性来构筑节点
怎样分裂变量
修剪决策树
选项最优属性生长
熵、基尼索引、分类错误
属性划分增益
怎样分裂变量
多元划分和二元划分
连续变量离散化（最优分割点）
修剪决策树
剪枝要则
预剪枝和后剪枝
构筑决策树的四个算法
C5.0
、
CHAID
，
CART
、
QUEST
各种算法的比较
怎样选项最优分类模型？
实例
：
商场用户的典型特征提取
实例：买方离职预警和买方挽留
实例：识别拖欠银行货款者的特征，防止不良货款
实例：识别电信诈骗者嘴脸，让通信更安全
多分类决策树
实例：不同套餐用户的典型特征
决策树模型的保存和运用
人工神经网络（
ANN
）
神经网络概述
神经网络基本原理
神经网络的结构
神经网络分类的几何意义
神经网络的构筑步骤
神经网络的
要害问题
BP
反向传播网络（
MLP
）
径向基网络（
RBF
）
实例
：
评核银行用户拖欠货款的概率
判别拆解（
DA
）
判别拆解原理
判别拆解种类
F
isher线性判别拆解
实例：
MBA
学生录取判别拆解
实例：上市公司类别评核
最近邻分类（
KNN
）
KNN
模型的基本原理
KNN
分类的几何意义
K
近邻的
要害问题
支持向量机（
SVM
）
SVM
基本原理
线性可分问题：最大边界超平面
线性不可分问题：特征空间的转换
维
灾难
和核函数
贝叶斯分类（
NBN
）
贝叶斯分类原理
计算类别属性的条件概率
估计连续属性的条件概率
预测分类概率（计算概率）
拉普拉斯修正
实例
：
评核银行用户拖欠货款的概率
市场细分模型
—
聚类模型篇
问题：我们的买方有几类？各类特征为何？怎样达成买方细分，开发符合细分市场的新货品？怎样提取买方特征，从而对货品开展市场定位？
市场细分的常用办法
有指导细分
无指导细分
聚类拆解
怎样更好的弄懂买方群体和市场细分？
怎样识别买方群体特征？
怎样确定买方要分成多少适当的类别？
聚类办法原理引见
聚类办法作用以及其适用情境
聚类拆解的种类
K
均值聚类
层次聚类
两步聚类
K
均值聚类（迅速聚类）
实例
：
移动三大品牌细分市情境适吗？
上手：宝洁公司怎样选项新货品试销区域？
上手
：
怎样自动评选出色员工？
上手
：中国各省份发达程度拆解
，让资料自动聚类
层次聚类（系统聚类）：发现多个类别
R
型聚类和
Q
型聚类的区别
实例：中移动怎样达成买方细分以及营销打法
上手
：
中国省市经济演进情况拆解（
Q
型聚类）
上手：裁判评分的准则衡量，防止
“黑哨”（
R
型聚类）
两步聚类
买方细分和
PCA
拆解法
PCA
主成分拆解的原理
PCA
拆解法的适用情境
上手：利用
PCA
对汽车买方群开展细分
上手
：
怎样针对汽车买方群规划汽车
买方价值评核—
RFM
模型篇
营销问题：怎样评核买方的价值？不同的价值买方有何区别对待？
怎样评价买方生命周期的价值
贴现率和留存率
评核买方的真实价值
采用双向表衡量属性敏感度
变化的边际利润
实例
：
评核营销行为的合理性
RFM
模型（买方价值评核）
RFM
模型，更纵深弄懂你的买方价值
RFM
模型和市场打法
RFM
模型和活跃度拆解
上手：
“双
11
”淘宝商家怎样选项价值买方开展促销
上手：结合响应模型，宜家
IKE
达成最大化营销利润
实例：重购用户特征拆解
货品推荐算法—推荐模型篇
问题：购买
A
货品的顾客还常常要购买其他什么货品？应该给买方推荐什么货品最有可能被接受？
从搜索引擎到推荐引擎
常用货品推荐模型以及算法
基于流行度的推荐
基于排行榜的推荐，往细里说，适用于刚注册的用户
精进思路：分群推荐
基于内容的推荐
CBR
要害问题：怎样计算物品的相似度
优缺点
精进：
Rocchio
算法、基于标签的推荐，基于兴趣度的推荐
基于用户的推荐
要害问题：怎样对用户分类
/
计算用户的相似度
算法：按照属性分类、
RFM
模型、
PCA
、聚类、按照偏好分类、按照地理位置
协同过滤的推荐
基于用户的协同过滤
基于物品的协同过滤
冷启动的问题
实例：计算用户相似度、计算物品相似度
基于
关联拆解
的推荐
怎样拟定套餐，达成交叉
/
捆绑销售
实例：啤酒和尿布、飓风和蛋挞
关联拆解模型原理
（
Association
）
关联规则的两个要害参数
支持度
置信度
关联拆解的适用情境
实例
：
购物篮拆解和货品捆绑销售
/
布局精进
实例：通信货品的交叉销售和货品推荐
基于分类模型的推荐
其它推荐算法
LFM
基于隐语义模型
按照社交关系
基于时间上下文
多推荐引擎的协同事务
货品定价打法—最优定价篇
营销问题：货品怎样达成最优定价？套餐价格怎样确定？采用哪种定价打法可达成利润最大化？
常见的定价办法
货品定价的理论依据
诉求曲线和利润最大化
怎样求解最优定价
实例：货品最优定价求解
怎样评核诉求曲线
价格弹性
曲线方程（线性、乘幂）
怎样做货品组合定价
怎样做货品捆绑
/
套餐定价
最大收益定价（演进规划求解）
防止价格反转的套餐定价
实例：电信公司的宽带，
IPTV
、移动电话套餐定价
非线性定价原理
要领会支付意愿曲线
支付意愿曲线和诉求曲线的异同
实例：双重收费怎样定价（如会费
+
按照次计费）
阶梯定价打法
实例：电力公司怎样做阶梯定价
数量折扣定价打法
实例：怎样借助折扣来达成薄利多销
定价打法的评核和选项
实例：零售公司怎样选项最优定价打法
航空公司的收益管控
收益管控引见
怎样确定机票预订限制
怎样确定机票超售数量
怎样评核模型的收益
实例：
FBN
航空公司怎样达成收益管控（预订
/
超售）
实战篇
(
买方
行为预测
)
电信业买方离职预警和买方挽留模型
银行欠贷隐患预测模型
结束：课程
收束
和
问题答疑
。
老师简介
Introduction to lecturers
弄懂更多
博闻智咨询|傅一航老师
适合谁听
市场营销部、营运拆解部、业务支撑等等偏业务人员。。建议同一家企业 3 人以上同来，课堂上直接改造本企业的实际问题——单人参加也能学到方法，但带不走可用的成果。
交付流程
课前：顾问访谈 2 位管理者，收集现状与问题清单，讲师据此调整案例。课中：讲授与演练各占一半，产出可直接用的工具与方案。课后：7 天内提交改进建议，30 天内一次线上答疑。