IBM SPPS Statistics是一個專業的數據挖掘工具，其中內置了大量的數據分析常用方法、模型。專業人員和非專業人員都適用，不需要懂太多的挖掘算法和模型，專業人員也可以用來作深入的數據分析與數據挖掘。

第一部分：數據集基礎知識（了解你的數據集）

1、數據集概述

2、數據集的類型

3、數據集屬性的類型

?  標稱

?  序數

?  度量

4、數據質量三要素

?  準確性

?  完整性

?  一致性

5、數據預處理的內容

?  數據清理（缺失值、離群值的處理方法）

?  數據歸約（維災難、維歸約、主成分分析）

?  特征子集選擇

?  特征創建/屬性構造

?  數據離散化和二元化

?  屬性/變量轉換

6、數據探索性分析

?  統計匯總

?  可視化

演練：描述性分析（頻數、描述、探索、分類匯總）

第二部分：數據挖掘基礎知識（基礎，決定你的高度）

1、數據統計分析軟件簡介

?  EXCEL表格處理與數據分析工具庫

?  SAS統計分析系統

?  SPSS統計產品與服務解決方案

2、數據挖掘概述

案例：宜家IKE如何通過數據挖掘來降低營銷成本提升利潤？

3、數據挖掘的標準流程（CRISP-DM）

?  商業理解

?  數據準備

?  數據理解

?  模型建立

?  模型評估

?  模型應用

案例：客戶匹配度建模—找到你的準客戶

案例：4G終端營銷項目挖掘過程分析

4、常用數據統計指標

?  集中程度：均值、中位數、眾數

?  離開程度：方差、標準差、極差

?  分布趨勢：偏度、峰度

?  理解分布：正態分布、T分布、F分布

5、SPSS基本操作（預處理）

?  數據導入

?  數據排序（排序個案）

?  重復數據處理（標識重復個案）

?  缺失值處理（替換缺失值）

?  生成新變量（計算變量、重新編碼）

?  數據分組（分類匯總）

?  數據合并（合并文件）

6、數據描述性統計

?  連續變量統計描述

?  分類變量統計描述

第三部分：數據挖掘實戰篇

1、參數檢驗分析（樣本均值檢驗）

問題：如何驗證營銷效果的有效性？

?  假設檢驗概述

2  單樣本T檢驗

2  兩獨立樣本T檢驗

2  兩配對樣本T檢驗

?  假設檢驗適用場景

案例：電信運營商ARPU值評估分析（單樣本）

案例：營銷活動前后分析（兩配對樣本）

案例：信用卡消費金額評估分析（單樣本）

案例：吸煙與膽固醇升高的分析（兩獨立樣本）

案例：減肥效果評估（兩配對樣本）

2、非參數檢驗分析（樣本分布檢驗）

問題：這些屬性數據的分布情況如何？如何從數據分布中看出問題？

?  非參數檢驗概述

2  單樣本檢驗

2  兩獨立樣本檢驗

2  兩相關樣本檢驗

2  兩配對樣本檢驗

?  非參數檢驗適用場景

案例：產品合格率檢驗（單樣本-二項分布）

案例：訓練新方法有效性檢驗（兩配對樣本-符號/秩檢驗）

案例：促銷方式效果檢驗(多相關樣本-Friedman檢驗)

案例：客戶滿意度差異檢驗(多相關樣本-Cochran Q檢驗)

3、相關分析（相關程度計算）

問題：這兩個屬性是否會相互影響？影響程度大嗎？

?  相關分析概述

案例：家庭生活開支的相關分析

案例：營銷費用與銷售額的相關分析

案例：哪些因素與汽車銷量有相關性

4、方差分析（影響因素分析）

問題：哪些才是影響銷量的關鍵因素？

?  方差分析原理

?  方差分析的步驟

?  方差分析適用場景

案例：陳列位置對終端銷量的影響分析（單因素）

案例：廣告形式、地區對銷量的影響因素分析（多因素）

案例：2015年大學生工資與父母職業的關系

5、回歸分析（預測分析）

問題：如何預測未來的銷售量（定量分析）？

?  回歸分析概述及適用場景

?  回歸分析的檢驗過程

?  如何選擇最優回歸模型

?  解讀回歸分析結果

案例：推廣費用、辦公費用與銷售額的關系（線性回歸）

案例：人均現金消費支出對人均食品消費支出的影響（曲線回歸）

?  帶分類變量的回歸分析

?  如何預測隨著季節性變化的銷量情況

案例：員工工齡、性別與終端銷售的關系分析

案例：產品銷量的季節性變化預測

6、邏輯回歸分析

問題：如果評估用戶是否購買產品的概率？

?  邏輯回歸分析

?  邏輯回歸的原理

案例：客戶購買預測分析（二元邏輯回歸）

案例：品牌選擇預測分析（多項邏輯回歸）

7、時間序列分析（預測分析）

問題：隨著時間變化，未來的銷量變化趨勢如何？

?  時序分析概述

2  移動平均MA模型

2  指數平滑ES模型

2  自回歸滑動平均ARIMA模型

2  季節分解模型

?  時序分析適用場景

案例：汽車銷量預測分析（指數平滑）

案例：上交所指數收益率預測分析（ARIMA）

案例：服裝銷售數據季節性趨勢預測分析（季節分解）

第四部分：高級數據挖掘方法

1、聚類分析（Clustering）

問題：我們的客戶有幾類？各類特征是什么？

?  聚類方法原理介紹

?  聚類方法適用場景

?  系統聚類（層次聚類）

案例：小康指數劃分（Q型聚類）

案例：裁判標準一致性分析（R型聚類）

?  K均值聚類（快速聚類）

案例：移動三大品牌細分市場合適嗎？

案例：如何評選優秀員工（固定聚類中心）

演練：如何選擇新產品試銷地點？

2、決策樹分類分析（Classification）

問題：這類客戶有什么特征？有什么潛在銷售機會？

?  決策樹原理介紹

?  分類適用場景

案例：銀行低信用客戶特征分析（決策樹分類）

3、關聯分析（Association）

問題：購買A產品的顧客還常常要購買其他什么產品？

?  關聯規則原理介紹

?  關聯規則適用場景

案例：超市商品交叉銷售與布局優化（關聯分析）

4、客戶價值評估RFM模型

問題：如何評估客戶的價值？不同價值客戶的營銷策略有什么區別？

?  RFM模型介紹

?  RFM模型適用場景

?  RFM與客戶活躍度分析

案例：客戶用戶價值評估（RFM分析）

案例：重購用戶特征分析（決策樹分析）

第五部分：統計圖表篇（看圖說話）

1、柱狀圖/線圖/餅圖/高低圖/箱圖/散點圖/直方圖

2、圖形的表達及適用場景

案例：各種圖形繪制

第六部分：實戰-數據挖掘項目

實戰1：客戶流失預警與客戶挽留之真實數據分析實踐

實戰2：銀行信用風險分析

結束：課程總結與問題答疑。