第一部分：数据分析进阶---结合行业应用例子

1.认识数据分析的特点和问题

2.数据分析与数据挖掘的关系

3.通过行业应用的案例理解数据分析的模型框架

4.一般人员与数据分析师的区别点及如何磨练

5.数据分析的6个步骤，3大阶段

6.如何成为合格的数据分析工程师

分别对以上6个步骤以案例的方式详细说明，并说明每个阶段的重点和难点。

重点实践：如何做好数据分析的需求模型建设

重点实践：实践如何进行编写合理、科学、又有说服力的市场经营分析报告

第二部分：数据挖掘进阶学习

1、数据挖掘的思想及每个阶段的注意事项

1.数据挖掘的发展要素

2.数据挖掘的路径和方法

3.数据挖掘的挑战与困难点

2、数据挖掘的重点和难点及解决思路

1.重点：商业目标转为技术目标、数据质量、模型解释、营销方案应用

2.针对难点如何解决

3、数据挖掘的方法论与过程阶段的理解和分析

业务理解->数据理解->数据准备i案例模型->模型评估系统部署

每个阶段的侧重点在哪？是怎么工作的？

4、数据挖掘的行业应用注意事项

重点：结合数据挖掘的案例来说明数据挖掘的过程及阶段注意事项。

第三部分. 结合案例学习如何做好数据挖掘与分析建模、模型选择及评估

1.模型建设的案例及剖析

2.模型选择或调优过程注意事项

3.如何做好数据挖掘模型评估

实践：1)以项目为引子，学习如何做好数据分析的需求模型和物理模型   

      2)结合业务需求，如何编写数据分析报告

第四部分：数据挖掘及数据分析技术

1、数据挖掘主要分析方法和算法：

1.聚类分析方法和算法（Clustering）：

2.分类分析方法和算法（Classification）

3.关联分析方法和算法（Association）

4.预测分析方法和算法（Prediction）

5.回归分析方法和算法

6.异常点检测分析方法和算法

主要涉及的常用算法：聚类算法（重点：K-Means算法）、关联分析算法（GRI、Aprior、序列）、决策树算法、贝叶斯网络、神经网络算法、回归算法（线性和逻辑）、异常点检测算法等

重点：把分析方法和算法结合应用场景进行简要说明和分析使用场景。

第五部分.数据挖掘应用和实践

1、数据挖掘及管理经验

2、结合业务场景需求，进行数据挖掘实践（结合数据建模的思想）

1.客户细分聚类分析实践

重点：学习如何把信息类型化，聚类后可针对性的集中解决问题。

2.购物篮的交叉销售分析

重点：学习如何发现多个信息之间的内在联系，挖掘问题的原因是由哪几个要素牵动和影响的

3.防欺诈挖掘分析

  重点：学习在众多数据信息中，如何利用模型来找到异常数据

4.对业务的预测分析

  重点：针对一些数据变量会导致怎样的变化趋势，不仅仅可用于业务预测，也可用于对将来业务问题、客户流失的预测、发展数据的预测等。

  以上涉及当下主流的聚类、相关、决策树、神经网络及回归分析等

实践：内容包括 从设计－>形成模型->应用 ，并把SPSS数据挖掘业务结果的工作场景进行对接，全面了解数据挖掘的落地思路。

第六部分 基于行业数据分析方向及数据挖掘未来

1.基于行业的数据分析方向

2.几种数据挖掘工具比较

3.典型工具介绍及使用范围

4.如何选择数据挖掘工具