课程介绍
数据分析框架及思路是核心，技巧技术是关键。本课程重在培养学员数据分析逻辑及思路，并结合常用技术及工具，落实完善分析框架。简易便捷的教学帮助学员很快上手，并结合互联网平台实战经验，分享用户研究、用户精细化分析、产品精细化分析等专项案例。针对零基础或想转战数据分析/数据运营岗位的学员，培养数据分析思维及技巧；针对有一定分析水平的学员，提升分析及技巧水平；让学员在未来的工作中增光添彩。
产品偏好-定向推送分析
动态筛选图-渠道效果分析
动态筛选图-用户转化分析
用户精细化-用户成长路径
用户精细化-用户三维散点1
用户精细化-用户三维散点2
课程特色
1）课程围绕互联网平台的用户及产品精细化运营展开，揭开数据分析面纱，快捷上手数据分析；
2）课程包含数据分析常用技术和工具，包含excel数据分析、SPSS的数据分析、Python数据分析、R数据分析等，适用于普众学员；
3）本课程聚焦数据分析核心工具及核心内容的讲解，重在快速上手数据分析。
课程涉及哪些工具与技术
1）统计学相关原理
2）Excel：适用于大众学员的使用工具，充分发掘excel数据分析潜力
3）SPSS：统计分析软件，便于建模分析
4）Python：性能非常高效，使用简单的脚本能处理大量的数据
5）R：包含大量的统计函数，具有较强的可视化功能，简单易用
6）Tableau：数据可视化分析，简易教学便捷上手
课程适用人群
1）对数据分析零基础或有简单了解的学员；
2）想转行做数据分析或者数据运营的学员；
3）想提升数据分析项目经验的学员；
学习需要什么基础
零基础学员或有一定分析、统计基础的学员
课程学完后的目标
1）培养数据分析思维；
2）熟悉并会使用excel进行基本的数据分析；
3）熟悉并会使用SPSS进行统计及数据分析；
4）熟悉并会使用Python进行统计及数据分析；
5）熟悉并会使用R进行统计及数据分析；
6）熟悉并会使用数据可视化分析软件进行数据分析；
7）结合上述工具独立完成数据分析报告及专项建模研究。
讲师介绍
-
杨倩
北京理工大学数学与应用数学学士，北京工商大学计量经济学专业硕士
曾供职于万达集团数据中心、某在线黄金期货平台分析中心、某知名集团旗下金融平台数据运营中心。五年数据分析经验，擅长基于CRM的数据挖掘、数据可视化、大数据分析、用户运营及市场预测等相关工作。
-
王旭
大讲台特聘讲师
曾供职于国内第三方征信公司，某知名集团旗下金融平台风控事业部。三年数据分析经验，主要从事用户客群分类、用户特征挖掘，自动信审模型及信用申请评分卡、催收评分卡等相关工作。
免费视频这么多，为什么还要来大讲台？
智能化
学习任务智能推送
混合式
“图文+视频”混合式课件
答疑快
30分钟问答响应
实战多
3分理论7分实战
包学会
账号长期有效学会为止
课程大纲
|
Excel常用公式与函数 |
数据清洗类 关联匹配类 逻辑运算类 计算统计类 时间序列类 Excel隐藏函数 Excel常见问题及解决方案 Excel日产工作使用技巧 |
|
Excel实战项目 |
互联网金融行业常用指标分析 互联网金融行业充值返现活动效果分析 某教育机构财务周报分析 |
| Excel经典数据图表 |
柱形图、条形图、折线图、饼图 美化图表 漏斗图 XY散点图、面积图、组合图 |
|
Excel动态作图 |
函数OFFSET 自定义名称动态作图 各种控件（单选、多选、组合框、滚动条、双控件）动态作图 |
|
Excel数据图表实战 |
实战：互联网金融项目动态作图 |
|
Excel数据透视表 |
如何使用透视表 报表布局 更改计算方式 套用样式 隐藏和显示汇总项 切片器 计算字段的插入 |
| Excel数据透视表实战 |
实战：Excel数据透视表分析某教育公司招生情况 |
| Tableau |
Tableau介绍及安装 Tableau数据源 Tableau计算 Tableau图表 Tableau仪表盘 Tableau数据导出 Tableau数据源-其他操作 Tableau计算-高级分析 |
| Tableau可视化实战 |
实战：电商销售数据可视化 |
| 概率 |
概率定义、性质 |
| 描述性统计分析 |
变量定义 数据分析性质 集中趋势的度量 离散程度的度量 偏太与峰度的度量 正态分布 数据标准化 实战：Excel绘制标准正态分布概率密度曲线 |
| 参数估计 |
参数估计涉及名词 参数估计的意义 参数估计的基本原理与置信区间 点估计 区间估计 一个总体参数的区间估计 两个总体参数的区间估计 练习：参数估计经典题目训练 |
| 假设检验 |
假设检验的步骤 假设检验-单侧检验、双侧检验 利用P值进行决策 一个总体参数的检验 总体均值的检验 总体比例的检验 总体方差的检验 两个总体参数的检验 两个总体均值的检验 两个总体比例之差的检验 练习：假设检验经典题目训练 |
| 方差分析 |
方差分析的基本问题 单因素方差分析 双因素方差分析 实战：用Excel进行有交互作用的双因素方差分析 |
| 线性回归 |
变量间关系的度量 一元线性回归 利用回归方程进行估计和预测 残差分析 多元线性回归模型 回归方程拟合优度 显著性检验 多重共线性 利用回归方程进行估计和预测 变量选择与逐步回归 实战：用Excel进行回归分析 |
| 因子分析及主成分分析 |
主成分分析 因子分析 几点说明 |
| 聚类分析 |
聚类分析的基本原理 系统聚类 K-均值聚类 |
| 时间序列 |
时间序列的概念和种类 时间序列的描述性分析 时间序列预测的程序 时间序列预测的方法 实战：用Excel预测啤酒的销量 |
| 实战一：互联网平台用户精细化运营 |
方法论 以RFM模型为基础的聚类测试 聚类过程、聚类结果呈现 主要类别用户分析 |
| 实战二：互联网金融产品区域化智能推送 |
产品期限、担保机构偏好的区域化差异分析 利率偏好的区域化差异分析 基于区域的定向推送 |
| 实战三：互联网平台产品精细化运营 |
传统推荐算法 推荐引擎算法 推荐算法案例-Amazon 推荐算法1-基于模型的协同过滤 推荐算法2-用户的协同过滤 推荐产品筛选-基于产品的推荐 |
| R语言基础 | R简介 R集成开发环境 条件判断 循环 数据类型和变量 定义函数 函数的参数 调用函数 递归函数 安装模块 使用模块 |
| 数据预整理 |
数据分析的一般流程
数据的输入输出 常用统计量计算 共线性与稀疏变量 缺失值填补 数据变换与处理离群点 名义变量 |
| 数据可视化 |
ggplot概述 散点图、线图与时间序列谱图 柱形图，点图，饼图，直方图 箱线图，热力图，等高线 地图 |
| 回归模型 |
线性回归模型 广义线性回归 非线性回归 回归检验与方差分析 实战：预测泰坦尼克号乘客生还可能性 |
| 分类模型 |
logistic回归 最近邻算法 贝叶斯分类器 决策树 分类模型的评估 实战：建立德国信用分类模型 |
| 关联分析和推荐技术 |
MINE方法 apriori购物篮分析 |
| 聚类分析 |
层次聚类法 谱系图 k平均值法 k中心法 |
| 数据降维 |
主成分分析 因子分析 |
| 实战：信贷用户逾期分类模型 |
1.R数据预处理 2.数据分布WOE(Weight of Evidence) 3.R共线性检测 4.WOE计算 5.数据建模 6.模型调优 7.模型验收 |
|
MySQL数据分析 |
MySQL安装 使用Workbench连接MySQL 数据库操作 数据表操作 索引 常用查询语句 自定义函数 存储过程 触发器 事务 重复数据 导入导出 超时异常 |
|
MySQL实战 |
实战：数据分析常用sql语句 |
|
Python基础 |
Python安装 Python语法基础 Python介绍及特性 Python基本数据类型 运算符 Python常见数据结构 流程控制语句 函数 生成器与迭代器 Python面向对象-类 模块 输入和输出 异常 代码封装 |
|
Python数据分析 |
Jupyter Notebook安装 Python数据分析扩展包-NumPy Python数据分析扩展包-Pandas Python数据分析扩展包-ggplot |
| 实战：Python爬虫 |
1. 初见网络爬虫 2. 复杂HTML解析 3. 穿越网页表单与登录窗口进行采集 4. 图像识别与文字处理 5. 数据采集 6. 数据存储 7. 读取文档 8. 数据清洗 9. 自然语言处理 10. 数据分析与可视化呈现 11. 网页数据采集中两个问题 |
| 数据挖掘入门 |
什么是数据挖掘
数据挖掘方法论 数据挖掘方法体系 |
| 数据挖掘常用算法 |
关联规则 决策树 熵、KL散度、CHI 决策树算法－ID3、C4.5 决策树剪枝算法 结合策略 Bagging与Randomforest GDBT 算法 实战:案例GBDT在广告点击率预估中的应用 贝叶斯决策理论 极大似然估计 朴素贝叶斯分类器 EM算法 实战:实际案例－垃圾邮件分类 间隔与支持向量 对偶问题 核函数 软间隔与正则化 支持向量回归 KKT条件 实战:应用案例－文本情感分类 实战:应用案例－垃圾邮件分类 激活函数 单个神经感知机 前向传播算法 反向传播算法 梯度下降算法 卷积神经网络 实战:利用卷积神经网络进行表情识别 |
| 数据仓库构建 |
大数据生态圈概述 数据仓库核心技术 数据仓库架构及演进过程 大数据平台之上构建数据仓库 数据仓库模型概述及构建 ETL概述及实战 Sqoop核心技术 Sqoop实现大数据抽取 Hive核心技术 Hive实现大数据转换 Hive实现大数据的初始和定期装载 Azkaban工作流核心技术 Azkaban工作流定期自动执行ETL 数据仓库相关新技术扩展 实战：电商销售订单的数据分析和挖掘 |
| 目标 | 1、拉新/留存 （1）营销方式 （2）促销方式 （3）新客的留存 （4）老客的复购 2、销售/毛利/流量预估 （1）销售额达成 （2）毛利额达成 （3）提高客单价 3、物流/售后 （1）保证发货收货 （2）售后体验 （3）差评处理 |
| 促前 | 促前销售预算分解： 1、渠道拆解渠道拆解（结合同比与环比大促渠道占比） 2、品类拆分（结合同比与环比大促渠道占比） 3、品牌拆分（结合同比与环比大促渠道占比） 4、SKU拆分（结合同比与环比大促渠道占比） 促前毛利预算分解 1、渠道拆解 2、品类拆解 3、品牌拆解 4、单品拆解 5、促销费用与毛利 新品销售预估 1、流量预估 2、品牌故事 3、精准营销 4、关联促销 5、口碑建立 选品工具：SKU粒度的选品工具 存在关联： 1、销售达成，毛利达成 2、营销方法 3、促销形式玩法 4、供应商谈价格及供货量 拉新预估：广告来源、广告名称、广告媒介、广告文案…… 锁库存：公共库存、锁库存优先级/虚拟库存、各个渠道锁定库存、…… 预售情况： 1、加购： 分时段查看加购用户数 2、预付：分时段查看预付金额，以及催付情况 3、库存：预售单品库存情况 4、销售预测：根据预售情况预测单品整体销售 首页核心功能数据平稳：搜索、站内信、秒杀、为你推荐、分类搜索 保证购物核心流程数据平稳：注册/登录、购物车、订单填写/支付 |
| 促中 | 促中--作战指挥台 1、实时监控资源位 2、实时监控多维度销售 3、实时监控多维度毛利 4、实时监控预算达成 5、实时监控新客渠道 6、实时监控库存与出库发货 |
| 促后 | 促后销售分析报告框架：数据概览、品类、新老客户、渠道、品牌、地域 营销评估表：券与积分使用，微信数据，投放渠道数据，肄业合作/渠道导流 发货/物流情况：出库时间分布，地域分布快递费用，分仓发货/拆单发货，缺货处理 曝光与转化率分析： 1、曝光与转化 2、正确的用户与最佳转化路径 3、专场详情页图文与内容 重点关注按新客的活跃与复购情况：AARRR模型 |
