Execl数据挖掘大纲

Execl数据挖掘大纲



第1章　Excel如何用于数据挖掘

1.1　保证数据正确性

1.2　数据的导入

1.3　基础函数的掌握

1.4　数据透视表的掌握

1.5　分析工具库的加载

1.6　基础的统计概念和知识

第2章　数据挖掘概述

2.1　数据挖掘的发展历史

2.2　统计分析与数据挖掘的主要区别

2.3　数据挖掘的主要成熟技术以及在数据化运营中的主要应用

　决策树 神经网络　回归　关联规则　聚类　分类分析　主成分分析　假设检验

等介绍

2.4 分析师常见的错误观念和对治的管理策略

第3章　数据化运营中常见的数据分析项目类型

3.1　目标客户的特征分析

3.2　目标客户的预测（响应、分类）模型

3.3　运营群体的活跃度定义

3.4　用户路径分析

3.5　交叉销售模型

3.6　信息质量模型

3.7　服务保障模型

3.8　用户（买家、卖家）分层模型

3.9　卖家（买家）交易模型

3.10　信用风险模型

3.11　商品推荐模型

3.12　数据产品

3.13　决策支持

第4章　数据挖掘项目完整应用案例演示

4.1　项目背景和业务分析需求的提出

4.2　数据分析师参与需求讨论

4.3　制定需求分析框架和分析计划

4.4　抽取样本数据、熟悉数据、数据清洗和摸底

4.5　按计划初步搭建挖掘模型

4.6　与业务方讨论模型的初步结论，提出新的思路和模型优化方案

4.7　按优化方案重新抽取样本并建模，提炼结论并验证模型

4.8　完成分析报告和落地应用建议

4.9　制定具体的落地应用方案和评估方案

4.10　业务方实施落地应用方案并跟踪、评估效果

4.11　落地应用方案在实际效果评估后，不断修正完善

4.12　不同运营方案的评估、总结和反馈

4.13　项目应用后的总结和反思

第5章　常见的数据处理技巧

5.1　数据的抽取要正确反映业务需求

5.2　数据抽样

5.3　分析数据的规模有哪些具体的要求

5.4　如何处理缺失值和异常值

5.5　数据转换

5.6　筛选有效的输入变量

5.7　共线性问题

第6章　各种分析的典型应用和技术小窍门

6.1 聚类分析

6.1.1　聚类分析的典型应用场景

6.1.2　主要聚类算法的分类

6.1.3　聚类分析在实践应用中的重点注意事项

6.1.4　聚类分析的扩展应用

6.1.5　聚类分析在实际应用中的优势和缺点

6.1.6　聚类分析结果的评价体系和评价指标

6.1.7　一个典型的聚类分析课题的案例分享

6.2 关联分析

6.1.1　关联分析的典型应用场景

6.1.2　主要关联算法的分类

6.1.3　关联分析在实践应用中的重点注意事项

6.1.4　关联分析的扩展应用

6.1.5　关联分析在实际应用中的优势和缺点

6.1.6　关联分析结果的评价体系和评价指标

6.1.7　一个典型的关联分析课题的案例分享

6.3 回归分析

6.4 检验假设

6.5 分类分析