课程简介
目标收益
通过本课程的教学，使学员充分了解和认识大数据的相关知识（大数据的应用范围及相关技术思想），同时学会用主流的数据挖掘软件完成数据挖掘建模任务，使学员掌握数据挖掘方法论CRISP-DM的本质。通过几个具体的、典型的数据挖掘案例，使学员在掌握这些案例所用的技巧的同时，充分理解数据挖掘的方法论，实现举一反三的效果，提高学员分析问题解决问题的实际能力。
培训对象
课程大纲
| 大数据的介绍 |
1.1 什么是大数据：海量非结构化数据本身+处理方法 1.2 大数据为什么重要及大数据带来的机遇：决定公司是否有未来和业务可延伸范围 1.3 对大数据的深层理解：组成、特点介绍 1.4 大数据的相关技术与应用案例 数据采集：ETL工具 数据存取：关系数据库；NoSQL、SQL等 基础架构支持：云存储；分布式文件系统等 计算结果展现：云计算；标签云；关系图等 1.5 大数据专题可能的演进路径 |
| 数据分析基础 |
2.1 数据分析的含义、主要做什么？ 2.2 为什么要学习做好数据分析 2.2.1从数据分析的描述问题、对比问题、分析问题 到最后解决问题说明为什么要做好 2.2.2通过案例说明一般人员与数据分析师的区别 2.3 数据分析的误区和分析的关键 2.4 数据分析的6个步骤，3大方向（理清思路，寻找答案，观点表达）案例形式详细说明 步骤1：需求明确--理清思路 步骤2：数据收集--理清思路 步骤3：数据处理--寻找答案 步骤4：数据分析--寻找答案 步骤5：数据展示--观点表达 步骤6：报表撰写--观点表达 分别对以上6个步骤以案例的方式详细说明。 2.5 实践：以数据分析项目为引，将数据分析的技能与业务结合，并应用于实际的工作之中 |
| 数据挖掘基础 |
3.1 数据挖掘概述、基本理念、历史发展进程、主要功能、发展趋势 3.2 数据挖掘方法论：CRISP-DM、SEMMA 3.3 数据处理过程：变量的分类及类型，数据的质量、理解过程、准备过程 |
| 数据挖掘及数据分析技术 |
4.1.数据挖掘主要分析方法： 4.1.1 聚类分析（Clustering） 4.1.2 分类分析（Classification） 4.1.3 关联分析（Association） 4.1.4 预测分析（Prediction） 4.1.5 回归分析 4.1.6 相关分析 4.1.7数据比较分析 4.1.8 数据挖掘的可视化 4.2 数据挖掘的实施 4.3 分析图形：正态性检验 描述性统计 箱型图、区间图、时序图介绍 4.4 数据挖掘的关键技术:数据预处理 4.5 数据挖掘效果的评估 4.6 实践：SPSS结合相应的分析算法及展示图形 |
| 构建**数据挖掘分析体系 |
5.1 分析团队建设 5.2 分析工作管理 5.3 数据分析核心能力建设 5.4 分析工作与业务协同 |
| 数据挖掘应用 |
6.1 数据挖掘及管理经验 6.2 数据挖掘在***行业领域的应用举例 6.2.1 客户行为与潜在客户分析 6.2.2 用户信用度分析 6.2.3 趋势预测 6.2.4 新产品交叉营销分析 等 6.3 数据挖掘实践举例:客户流失、趋势发展分析等（结合SPSS软件） 6.4 实践：内容包括（从设计－>形成模型->应用）. |
| 数据挖掘工具及未来研究的方向和热点 |
7.1 几种数据挖掘工具比较 7.2 典型工具介绍及使用范围 7.3 如何选择数据挖掘工具 7.4 数据挖掘的方向和热点 |
|
大数据的介绍 1.1 什么是大数据：海量非结构化数据本身+处理方法 1.2 大数据为什么重要及大数据带来的机遇：决定公司是否有未来和业务可延伸范围 1.3 对大数据的深层理解：组成、特点介绍 1.4 大数据的相关技术与应用案例 数据采集：ETL工具 数据存取：关系数据库；NoSQL、SQL等 基础架构支持：云存储；分布式文件系统等 计算结果展现：云计算；标签云；关系图等 1.5 大数据专题可能的演进路径 |
|
数据分析基础 2.1 数据分析的含义、主要做什么？ 2.2 为什么要学习做好数据分析 2.2.1从数据分析的描述问题、对比问题、分析问题 到最后解决问题说明为什么要做好 2.2.2通过案例说明一般人员与数据分析师的区别 2.3 数据分析的误区和分析的关键 2.4 数据分析的6个步骤，3大方向（理清思路，寻找答案，观点表达）案例形式详细说明 步骤1：需求明确--理清思路 步骤2：数据收集--理清思路 步骤3：数据处理--寻找答案 步骤4：数据分析--寻找答案 步骤5：数据展示--观点表达 步骤6：报表撰写--观点表达 分别对以上6个步骤以案例的方式详细说明。 2.5 实践：以数据分析项目为引，将数据分析的技能与业务结合，并应用于实际的工作之中 |
|
数据挖掘基础 3.1 数据挖掘概述、基本理念、历史发展进程、主要功能、发展趋势 3.2 数据挖掘方法论：CRISP-DM、SEMMA 3.3 数据处理过程：变量的分类及类型，数据的质量、理解过程、准备过程 |
|
数据挖掘及数据分析技术 4.1.数据挖掘主要分析方法： 4.1.1 聚类分析（Clustering） 4.1.2 分类分析（Classification） 4.1.3 关联分析（Association） 4.1.4 预测分析（Prediction） 4.1.5 回归分析 4.1.6 相关分析 4.1.7数据比较分析 4.1.8 数据挖掘的可视化 4.2 数据挖掘的实施 4.3 分析图形：正态性检验 描述性统计 箱型图、区间图、时序图介绍 4.4 数据挖掘的关键技术:数据预处理 4.5 数据挖掘效果的评估 4.6 实践：SPSS结合相应的分析算法及展示图形 |
|
构建**数据挖掘分析体系 5.1 分析团队建设 5.2 分析工作管理 5.3 数据分析核心能力建设 5.4 分析工作与业务协同 |
|
数据挖掘应用 6.1 数据挖掘及管理经验 6.2 数据挖掘在***行业领域的应用举例 6.2.1 客户行为与潜在客户分析 6.2.2 用户信用度分析 6.2.3 趋势预测 6.2.4 新产品交叉营销分析 等 6.3 数据挖掘实践举例:客户流失、趋势发展分析等（结合SPSS软件） 6.4 实践：内容包括（从设计－>形成模型->应用）. |
|
数据挖掘工具及未来研究的方向和热点 7.1 几种数据挖掘工具比较 7.2 典型工具介绍及使用范围 7.3 如何选择数据挖掘工具 7.4 数据挖掘的方向和热点 |
近期公开课推荐
