IBM SPPS Statistics是一个专业的数据挖掘工具，其中内置了大量的数据分析常用方法、模型。专业人员和非专业人员都适用，不需要懂太多的挖掘算法和模型，专业人员也可以用来作深入的数据分析与数据挖掘。

第一部分：数据集基础知识（了解你的数据集）

1、数据集概述

2、数据集的类型

3、数据集属性的类型

Ø  标称

Ø  序数

Ø  度量

4、数据质量三要素

Ø  准确性

Ø  完整性

Ø  一致性

5、数据预处理的内容

Ø  数据清理（缺失值、离群值的处理方法）

Ø  数据归约（维灾难、维归约、主成分分析）

Ø  特征子集选择

Ø  特征创建/属性构造

Ø  数据离散化和二元化

Ø  属性/变量转换

6、数据探索性分析

Ø  统计汇总

Ø  可视化

演练：描述性分析（频数、描述、探索、分类汇总）

第二部分：数据挖掘基础知识（基础，决定你的高度）

1、数据统计分析软件简介

Ø  EXCEL表格处理与数据分析工具库

Ø  SAS统计分析系统

Ø  SPSS统计产品与服务解决方案

2、数据挖掘概述

案例：宜家IKE如何通过数据挖掘来降低营销成本提升利润？

3、数据挖掘的标准流程（CRISP-DM）

Ø  商业理解

Ø  数据准备

Ø  数据理解

Ø  模型建立

Ø  模型评估

Ø  模型应用

案例：客户匹配度建模—找到你的准客户

案例：4G终端营销项目挖掘过程分析

4、常用数据统计指标

Ø  集中程度：均值、中位数、众数

Ø  离开程度：方差、标准差、极差

Ø  分布趋势：偏度、峰度

Ø  理解分布：正态分布、T分布、F分布

5、SPSS基本操作（预处理）

Ø  数据导入

Ø  数据排序（排序个案）

Ø  重复数据处理（标识重复个案）

Ø  缺失值处理（替换缺失值）

Ø  生成新变量（计算变量、重新编码）

Ø  数据分组（分类汇总）

Ø  数据合并（合并文件）

6、数据描述性统计

Ø  连续变量统计描述

Ø  分类变量统计描述

第三部分：数据挖掘实战篇

1、参数检验分析（样本均值检验）

问题：如何验证营销效果的有效性？

Ø  假设检验概述

²  单样本T检验

²  两独立样本T检验

²  两配对样本T检验

Ø  假设检验适用场景

案例：电信运营商ARPU值评估分析（单样本）

案例：营销活动前后分析（两配对样本）

案例：信用卡消费金额评估分析（单样本）

案例：吸烟与胆固醇升高的分析（两独立样本）

案例：减肥效果评估（两配对样本）

2、非参数检验分析（样本分布检验）

问题：这些属性数据的分布情况如何？如何从数据分布中看出问题？

Ø  非参数检验概述

²  单样本检验

²  两独立样本检验

²  两相关样本检验

²  两配对样本检验

Ø  非参数检验适用场景

案例：产品合格率检验（单样本-二项分布）

案例：训练新方法有效性检验（两配对样本-符号/秩检验）

案例：促销方式效果检验(多相关样本-Friedman检验)

案例：客户满意度差异检验(多相关样本-Cochran Q检验)

3、相关分析（相关程度计算）

问题：这两个属性是否会相互影响？影响程度大吗？

Ø  相关分析概述

案例：家庭生活开支的相关分析

案例：营销费用与销售额的相关分析

案例：哪些因素与汽车销量有相关性

4、方差分析（影响因素分析）

问题：哪些才是影响销量的关键因素？

Ø  方差分析原理

Ø  方差分析的步骤

Ø  方差分析适用场景

案例：陈列位置对终端销量的影响分析（单因素）

案例：广告形式、地区对销量的影响因素分析（多因素）

案例：2015年大学生工资与父母职业的关系

5、回归分析（预测分析）

问题：如何预测未来的销售量（定量分析）？

Ø  回归分析概述及适用场景

Ø  回归分析的检验过程

Ø  如何选择最优回归模型

Ø  解读回归分析结果

案例：推广费用、办公费用与销售额的关系（线性回归）

案例：人均现金消费支出对人均食品消费支出的影响（曲线回归）

Ø  带分类变量的回归分析

Ø  如何预测随着季节性变化的销量情况

案例：员工工龄、性别与终端销售的关系分析

案例：产品销量的季节性变化预测

6、逻辑回归分析

问题：如果评估用户是否购买产品的概率？

Ø  逻辑回归分析

Ø  逻辑回归的原理

案例：客户购买预测分析（二元逻辑回归）

案例：品牌选择预测分析（多项逻辑回归）

7、时间序列分析（预测分析）

问题：随着时间变化，未来的销量变化趋势如何？

Ø  时序分析概述

²  移动平均MA模型

²  指数平滑ES模型

²  自回归滑动平均ARIMA模型

²  季节分解模型

Ø  时序分析适用场景

案例：汽车销量预测分析（指数平滑）

案例：上交所指数收益率预测分析（ARIMA）

案例：服装销售数据季节性趋势预测分析（季节分解）

第四部分：高级数据挖掘方法

1、聚类分析（Clustering）

问题：我们的客户有几类？各类特征是什么？

Ø  聚类方法原理介绍

Ø  聚类方法适用场景

Ø  系统聚类（层次聚类）

案例：小康指数划分（Q型聚类）

案例：裁判标准一致性分析（R型聚类）

Ø  K均值聚类（快速聚类）

案例：移动三大品牌细分市场合适吗？

案例：如何评选优秀员工（固定聚类中心）

演练：如何选择新产品试销地点？

2、决策树分类分析（Classification）

问题：这类客户有什么特征？有什么潜在销售机会？

Ø  决策树原理介绍

Ø  分类适用场景

案例：银行低信用客户特征分析（决策树分类）

3、关联分析（Association）

问题：购买A产品的顾客还常常要购买其他什么产品？

Ø  关联规则原理介绍

Ø  关联规则适用场景

案例：超市商品交叉销售与布局优化（关联分析）

4、客户价值评估RFM模型

问题：如何评估客户的价值？不同价值客户的营销策略有什么区别？

Ø  RFM模型介绍

Ø  RFM模型适用场景

Ø  RFM与客户活跃度分析

案例：客户用户价值评估（RFM分析）

案例：重购用户特征分析（决策树分析）

第五部分：统计图表篇（看图说话）

1、柱状图/线图/饼图/高低图/箱图/散点图/直方图

2、图形的表达及适用场景

案例：各种图形绘制

第六部分：实战-数据挖掘项目

实战1：客户流失预警与客户挽留之真实数据分析实践

实战2：银行信用风险分析

结束：课程总结与问题答疑。