商業(yè)數(shù)據(jù)分析與算法應(yīng)用

商業(yè)數(shù)據(jù)分析與算法應(yīng)用(Eddie hou)課程介紹：

課程背景：
    數(shù)據(jù)和算法在支持企業(yè)精細化運營、生產(chǎn)制造、營銷、用戶體驗、供應(yīng)鏈、物流等場景得到廣泛的應(yīng)用。
    本課程將為學(xué)員梳理數(shù)據(jù)算法在不同領(lǐng)域的實際案例，幫助學(xué)員掌握常用的數(shù)據(jù)模型原理和應(yīng)用方法。
    對高價值用戶篩選、反作弊、供需預(yù)估和物流配送、成本優(yōu)化等方向的案例進行現(xiàn)場解析。
    對于計劃轉(zhuǎn)行數(shù)據(jù)算法方向的學(xué)員，提供理論和實踐的綜合課程。

培訓(xùn)收益：
 ◇ 幫助非數(shù)據(jù)算法專業(yè)的團隊leader快速理解數(shù)據(jù)算法的應(yīng)用場景與脈絡(luò)。
 ◇ 為計劃轉(zhuǎn)行數(shù)據(jù)算法的同學(xué)提供實際項目建模經(jīng)驗和解析。
 ◇ 了解常用的數(shù)據(jù)分析模型和經(jīng)典算法原理與應(yīng)用落地的流程。
 ◇ 學(xué)習(xí)如何構(gòu)造營銷用戶、流失用戶、高價值用戶的篩選模型。
 ◇ 學(xué)習(xí)如何利用規(guī)則和模型構(gòu)建 反作弊、異常值監(jiān)控系統(tǒng)。
 ◇ 了解如何構(gòu)建需求預(yù)估模型。針對周、天、小時等粒度的未來需求進行預(yù)測。
 ◇ 了解如何利用運籌優(yōu)化算法支持相關(guān)項目落地。優(yōu)化項目的建模思想與實際案例。

課程大綱:

第一部分、數(shù)據(jù)分析探索與應(yīng)用流程
 ◇ 商業(yè)數(shù)據(jù)分析
數(shù)據(jù)挖掘Road Maps
R、python簡單介紹
 ◇ 數(shù)據(jù)探索
數(shù)據(jù)預(yù)處理
構(gòu)建新的變量
異常值處理
數(shù)據(jù)可視化
 ◇ 數(shù)據(jù)分析應(yīng)用流程

第二部分、經(jīng)典預(yù)測和分類方法
 ◇ 回歸分析
相關(guān)性
線性回歸與擬合
最小二乘法的幾何解釋
線性回歸中的變量選擇
回歸算法的評估與選擇
 ◇ KNN 分類器
確定相鄰的樣本數(shù)據(jù)
分類規(guī)則
參數(shù)K的選擇
算法優(yōu)缺點
案例分析：如何選擇相似用戶？
 ◇ 邏輯回歸
邏輯回歸模型
分類算法的評估
案例分析：用戶借貸能力判定
 ◇ 決策樹
迭代分割
純度的計算
決策樹的使用效果
如何避免過擬合
剪枝與終止條件
案例分析：如何利用決策樹的提取出業(yè)務(wù)規(guī)則？
 ◇ （補充）樹模型應(yīng)用——隨機森林
案例分析：如何幫助業(yè)務(wù)方篩選出重要的業(yè)務(wù)變量？

第三部分、經(jīng)典聚類算法
 ◇ 聚類問題介紹
 ◇ 兩條數(shù)據(jù)之間的距離
歐式距離
數(shù)值型數(shù)據(jù)處理與距離函數(shù)
類別型數(shù)據(jù)的距離計算
混合類型數(shù)據(jù)的距離計算
兩個類別之間的距離
最大距離、最小聚類、中心距離
 ◇ K-means
如何選擇參數(shù)K
 ◇ 層次聚類
案例分析：如何選擇相似用戶？

第四部分、異常檢測與反欺詐
 ◇ 異常值檢測
異常團體識別
案例分析：無監(jiān)督反欺詐方案應(yīng)用
業(yè)務(wù)思考：如何構(gòu)建一個反欺詐系統(tǒng)？

第五部分、時間序列預(yù)測
 ◇ 時間序列回歸模型
預(yù)測變量篩選
回歸預(yù)測
非線性回歸
相關(guān)、因果和預(yù)測
 ◇ 時間序列分解
時間序列成分
移動平均
經(jīng)典時間序列分解
STL分解法
趨勢性、季節(jié)性判定
業(yè)務(wù)思考：如何對時間序列進行聚類？
分解法預(yù)測
時間序列類異常值檢測
業(yè)務(wù)思考：如何評估促銷活動效果？
 ◇ ARIMA模型
平穩(wěn)性和差分
延遲算子
自回歸與移動平均
非季節(jié)性arima
參數(shù)估計與選擇
季節(jié)性arima
 ◇ 高級預(yù)測方法
復(fù)雜的季節(jié)性
向量自回歸
神經(jīng)網(wǎng)絡(luò)
 ◇ 實際預(yù)測問題
周數(shù)據(jù)、天粒度數(shù)據(jù)以及小時數(shù)據(jù)預(yù)測
預(yù)測組合
長序列與短序列預(yù)測
訓(xùn)練集與測試集
缺失值與異常值
案例分享：共享單車Daily天粒度需求預(yù)測

第六部分、決策優(yōu)化
 ◇ 開源決策優(yōu)化工具介紹 google or-tools
運籌優(yōu)化方法介紹
優(yōu)化算法應(yīng)用流程
 ◇ 案例分享(可選)
電商促銷優(yōu)惠券發(fā)放優(yōu)化：給定用戶補貼的預(yù)算，如何選擇合適的補貼用戶。
工廠布局優(yōu)化:考慮如何減少物料搬運成本(運量和距離)。
倉庫選址問題：如何選擇服務(wù)點，滿足服務(wù)能力和降低運輸成本。
物流配送、車輛路徑調(diào)度：配送問題綜合建模與分析。

講師介紹：Eddie hou
工作經(jīng)歷
同濟工業(yè)工程背景，數(shù)據(jù)算法專家，
具有需求預(yù)測、收益管理、反作弊、物流配送路徑優(yōu)化系統(tǒng)等豐富的數(shù)據(jù)算法實戰(zhàn)經(jīng)驗。
在外資企業(yè)中享有很高的知名度。 接受咨詢或培訓(xùn)的單位包括上海大眾汽車、長春西門子汽車電子、聯(lián)合汽車電子、三維制藥等等有限公司以及其他來自全國各地的合資企業(yè)。

更多商業(yè)數(shù)據(jù)分析與算法應(yīng)用相關(guān)課程：