大数据分析综合能力提升实战（基础-2天）

大数据分析与挖掘综合能力提升实战
【课程目标】
本课程为基础课程，面向所有业务部门。
本课程的主要目的是，帮助学员了解大数据的本质，培养学员的数据意识和数据思维，掌握常用的统计分析方法和工具，以业务问题为导向，提升学员的数据分析综合能力。
本课程具体内容包括：
大数据的本质，核心数据思维。
数据分析过程，数据分析工具。
数据分析方法，数据分析思路。
数据可视呈现，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：
了解数据分析的本质，理解数据决策的底层逻辑
学会搭建数据分析框架，熟悉常用的业务模型
熟悉数据分析标准过程，能够按步骤进行数据分析
掌握常用统计分析方法，熟练使用Excel高级数据分析工具
熟悉大数据分析工具Power BI，提升数据分析效率，避免重复工作
【授课时间】
2天时间（每天6个小时）
【授课对象】
销售部门、营业厅、呼叫中心、业务支撑、经营分析部、运营分析部等对业务数据分析有基本要求的相关人员。
【学员要求】
每个学员自备一台便携机(必须)。
便携机中事先安装好Excel 2013版本（建议2016版本以上）。
便携机中事先安装好Power BI Desktop软件。
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 + 工具实践操作
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】
数据核心理念—数据思维篇
问题：什么是数据思维？大数据决策的底层逻辑以及决策依据是什么？
数字化五大技术战略：ABCDI战略
A：人工智能，目的是用机器模拟人类行为
B：区块链，构建不可篡改的分布记账系统
C：云计算，搭建按需分配的计算资源平台
D：大数据，实现智能化的判断和决策机制
I：物联网，实现万物互联通信的基础架构
大数据的本质
数据，是事物发展和变化过程中留下的痕迹
大数据不在于量大，而在于全（多维性）
业务导向还是技术导向
大数据决策的底层逻辑（即四大核心价值）
探索业务规律，按规律来管理决策
案例：客流规律与排班及最佳营销时机
案例：致命交通事故发生的时间规律
发现运营变化，定短板来运营决策
案例：考核周期导致的员工月初懈怠
案例：工序信号异常监测设备故障
理清要素关系，找影响因素来决策
案例：情绪对于股市涨跌的影响
案例：为何升职反而会增加离职风险？
预测未来趋势，通过预判进行决策
案例：惠普预测员工离职风险及挽留
案例：保险公司的车险预测与个性化保费定价
大数据决策的三个关键环节
业务数据化：将业务问题转化为数据问题
数据信息化：提取数据中的业务规律信息
信息策略化：基于规律形成业务应对策略
案例：用数据来识别喜欢赚“差价”的营业员
数据分析过程—流程步骤篇
数据分析的六步曲
步骤1：明确目的，确定分析思路
确定分析目的：要解决什么样的业务问题
确定分析思路：分解业务问题，构建分析框架
步骤2：收集数据，寻找分析素材
明确数据范围
确定收集来源
确定收集方法
步骤3：整理数据，确保数据质量
数据质量评估
数据清洗、数据处理和变量处理
探索性分析
步骤4：分析数据，寻找业务答案
选择合适的分析方法
构建合适的分析模型
选择合适的分析工具
步骤5：呈现数，解读业务规律
选择恰当的图表
选择合适的可视化工具
提炼业务含义
步骤6：撰写报告，形成业务策略
选择报告种类
完整的报告结构
演练：产品精准营销案例分析
如何搭建精准营销分析框架
精准营销分析的过程和步骤
数据分析方法—统计方法篇
问题：数据分析方法的种类？分析方法的不同应用场景？
业务分析的三个阶段
现状分析：通过企业运营指标来发现规律及短板
原因分析：查找数据相关性，探寻目标影响因素
预测分析：合理配置资源，预判业务未来的趋势
常用的数据分析方法种类
描述性分析法（对比/分组/结构/趋势/交叉…）
相关性分析法（相关/方差/卡方…）
预测性分析法（回归/时序/决策树/神经网络…）
推断性分析法（概率分布/参数估计/假设检验/…）
专题性分析法（聚类/关联/RFM模型/…）
统计分析基础
统计分析两大关键要素（类别、指标）
统计分析的操作模式（类别指标）
统计分析三个操作步骤（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/标准差、IQR
分布形态：偏度、峰度
基本分析方法及其适用场景
对比分析（查看数据差距，发现事物变化）
演练：寻找用户的地域分布特征
演练：分析产品受欢迎情况及贡献大小
演练：用数据来探索增量不增收困境的解决方案
分布分析（查看数据分布，探索业务层次）
演练：银行用户的消费水平和消费层次分析
演练：客户年龄分布/收入分布分析
案例：通信运营商的流量套餐划分合理性的评估
演练：呼叫中心接听电话效率分析（呼叫中心）
结构分析（查看指标构成，评估结构合理性）
案例：增值业务收入结构分析（通信）
案例：物流费用成本结构分析（物流）
案例：中移动用户群动态结构分析
演练：财务领域的结构瀑布图、财务收支的变化瀑布图
趋势分析（发现事物随时间的变化规律）
案例：破解零售店销售规律
案例：手机销量的淡旺季分析
案例：微信用户的活跃时间规律
演练：发现客流量的时间规律
交叉分析（从多个维度的数据指标分析）
演练：用户性别+地域分布分析
演练：不同客户的产品偏好分析
演练：不同学历用户的套餐偏好分析
演练：银行用户的违约影响因素分析
数据分析方法—分析框架篇
问题：如何才能全面/系统地分析而不遗漏？如何分解和细化业务问题？
业务分析思路和分析框架来源于业务模型
常用的业务模型
外部环境分析：PEST
业务专题分析：5W2H
竞品/竞争分析：SWOT、波特五力营销市场专题分析：4P/4C等
用户行为分析（5W2H分析思路和框架）
WHY：原因（用户需求、产品亮点、竞品优劣势）
WHAT：产品（产品喜好、产品贡献、产品功能、产品结构）
WHO：客户（基本特征、消费能力、产品偏好）
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、促销方式有效性评估等）
HOW MUCH：价格（费用、成本、利润、收入结构、价格偏好等）
案例讨论：结合公司情况，搭建用户消费习惯的分析框架（5W2H）数据分析报告—数据可视化篇（根据需要讲解，课件留给学员参考）
常用图形类型及选择原则
基本图形画图技巧
图形美化原则
表格美化技巧
案例：绘图示例
数据分析报告—数据报告篇（根据需要讲解，课件留给学员参考）
问题：如何让你的分析报告显得更专业？
分析报告的种类与作用
报告的结构
报告命名的要求
报告的目录结构
前言
正文
结论与建议
数据分析工具—Power Query数据预处理
问题：如何提高数据预处理效率？如何避免重复工作避免加班？
Power BI微软专业数据工具简介
Power BI组件框架
Power Query超级查询器
Power Pivot超级透视表
Power View交互式图表工具
PQ数据预处理功能
数据集成：数据集合并
数据清洗：异常数据处理
样本处理：行筛选、提升标题等
变量处理：列筛选、填充/合并/派生等
其它：表/查询管理及其它
多数据源读取
多数据源读取
演练：从文件/Excel/数据库/Web页获取数据源
数据组合/集成
样本追加：横向合并
变量合并：纵向合并/连接类型
文件夹合并
演练：数据集成（追加、合并、文件夹）
数据整理/预处理
数据表的管理
数据行的操作
数据列的操作
数据类型和格式
演练：数据预处理操作
数据共享
PQ的本质—强大M语言
演练：多表合并/成绩排名/借贷费用处理/采购计划处理等
数据分析工具—Power View交互式图表
问题：如何让你的分析结果更直观易懂？如何让数据“慧”说话？
Power view简介
图表类型与作用
常用图形及适用场景
常用图表格式化
柱状图、条形图（差距对比分析）
折线图（趋势变化）
直方图（分布层次分析）
饼图、瀑布图（指标构成分析）
双坐标图（不同量纲呈现）
散点图/气泡图（矩阵分析法）
漏斗图（用户转化率分析）
演练：图表制作与演示
交互式图表（快速交叉分析的法宝）
分层钻取（精简不同维度的分析图）
四种筛选器（不同级别的筛选）
数据分析工具—Power Pivot数据建模
超级透视表Power Pivot简介
PP主要功能
关系模型：建立多表关联，跨表作透视
计算列：生成新字段
新建表：生成新的表
度量值：定义统计指标
演练：数据预处理操作
计算列
新建简单列、关联列、索引列等
计算列与度量值的区别
度量值
度量值定义公式
度量值保存与计算
演练：度量值使用
DAX数据分析表达式
DAX公式
DAX运算符
DAX函数
DAX高级筛选函数
上下文
行上下文
筛选上下文
度量值的计算原理
上下文冲突时的上下文处理
结束：课程总结与问题答疑。

傅一航老师的其它课程