課程簡介
課程大數(shù)據(jù)分析處理技術的難度值：高；
課程大數(shù)據(jù)挖掘的難度值：中；
產(chǎn)品和案例面的豐富度：中；
商業(yè)模式創(chuàng)新和組織架構面詳盡度：低。
本課程將圍繞大數(shù)據(jù)治理的全流程展開講解。從大數(shù)據(jù)的思維培養(yǎng)、大數(shù) 據(jù)產(chǎn)品思維、大數(shù)據(jù)分析和治理方法、大數(shù)據(jù)工具和挖掘技術等層 面，從互聯(lián)網(wǎng)應用和傳統(tǒng)企業(yè)的業(yè)務場景諸多角度多領域做實站案例講 解。該課程使學員： n 理解大數(shù)據(jù)基本概念，理解大數(shù)據(jù)幫助企業(yè)進行商業(yè)模式創(chuàng)新的方法 和思維 n 理解大數(shù)據(jù)團隊構成和組織架構建設的重要性和方法 n 理解大數(shù)據(jù)產(chǎn)品設計思維和業(yè)務創(chuàng)新的方法 n 理解大數(shù)據(jù)收集、清洗、融合、挖掘及應用技術架構從零開始建設的 方法 n 理解大數(shù)據(jù)行業(yè)發(fā)展的現(xiàn)狀：大數(shù)據(jù)在傳統(tǒng)行業(yè)和 TMT 企業(yè)中的應用 情況、對業(yè)務提升的影響結果。 n 介紹大量大數(shù)據(jù)在互聯(lián)網(wǎng)應用中的智能化產(chǎn)品和技術解決方案作為借 鑒。這些應用包括 O2O、本地生活服務、社交型應用、互聯(lián)網(wǎng)金融、支 付、保險類型應用等 n 介紹大量大數(shù)據(jù)在傳統(tǒng)企業(yè)管理中的智能化產(chǎn)品和技術解決方案作為 借鑒。這些應用包括物流、企業(yè)外部環(huán)境認知、戰(zhàn)略分析、企業(yè)客戶關 系管理等。相關的傳統(tǒng)行業(yè)包括電信、銀行、印刷、文化藝術、零售、 制造等
目標收益
培訓對象
企業(yè)高管、產(chǎn)品及運營負責人、項目負責人、技術負責人、數(shù) 據(jù)分析師、數(shù)據(jù)挖掘工程師
課程內容
大量大數(shù)據(jù)真實實踐案例，重點傳統(tǒng)企業(yè)如何借鑒互聯(lián)網(wǎng)大數(shù)據(jù)商業(yè)模式發(fā)展方法來取得自身企業(yè)發(fā)展進行探討。最后強調：大數(shù)據(jù)不僅是一種技術和工具，更是企業(yè)治理和企業(yè)發(fā)現(xiàn)藍海商業(yè)模式的重要發(fā)方法輪。
課程大綱
| 一、大數(shù)據(jù)思維模式建立及組織架構建設 |
1.大數(shù)據(jù)概述 1.1 奧斯卡 3 項大獎電影“點球成金”揭示了什么？ 1.2 全球著名的咨詢服務公司 Gartner 怎么看大數(shù)據(jù)？ 1.3 大數(shù)據(jù)本質特征概述 1.4 大數(shù)據(jù)能解決什么問題？ 2 大數(shù)據(jù)驅動商業(yè)模式創(chuàng)新 2.1 “互聯(lián)網(wǎng)+”驅動新的商業(yè)模式創(chuàng)新 2.2 “大數(shù)據(jù)+”驅動新的商業(yè)模式創(chuàng)新 2.3 成功“大數(shù)據(jù)+”企業(yè)戰(zhàn)略實施案例 2.4 大數(shù)據(jù)企業(yè)戰(zhàn)略和項目實施方法總結和禁忌點 3 大數(shù)據(jù)團隊建設 3.1 大數(shù)據(jù)公司（部門）的都在做什么？ 3.2 大數(shù)據(jù)團隊組成 4 “大數(shù)據(jù)+”行業(yè)應用案例簡述 4.1 Target 孕婦案例及沃爾瑪啤酒尿布案例 4.2 TMobile 用戶流失案例 4.3 LV 旗艦試衣間案例 5 概維智能智能化服務介紹 |
| 二 大數(shù)據(jù)分析入門與進階 |
1 數(shù)據(jù)分析技術 1.1 數(shù)據(jù)分析的數(shù)據(jù)類型 1.2 數(shù)據(jù)分析的流程設計 1.3 數(shù)據(jù)分析驅動運營常用方法 1.3.1 數(shù)據(jù)分析表設計 1.3.2 多維分解 1.3.3 用戶分群 1.3.4 用戶細查 1.3.5 漏斗分析 1.3.6 留存分析 1.4 數(shù)據(jù)運營案例分析 1.4.1 EDM 營銷數(shù)據(jù)分析 2 前端數(shù)據(jù)埋點采集技術 2.1 數(shù)據(jù)埋點是什么？ 2.2 數(shù)據(jù)埋點數(shù)據(jù)采集內容設計 2.3 數(shù)據(jù)埋點分類：代碼埋點、可視化埋點、無痕埋點 2.4 代碼埋點案例 2.5 無痕埋點的技術架構 2.6 可視化埋點常用數(shù)據(jù)采集工具 3 大數(shù)據(jù)治理框架 3.1 大數(shù)據(jù)處理及架構 3.2 流式計算架構 3.3 分布式計算架構 3.4 規(guī)則引擎 4 業(yè)務數(shù)據(jù)分析進階：用戶畫像分析 4.1 數(shù)據(jù)分析通用體系 4.2 用戶畫像數(shù)據(jù)的構成 4.3 用戶畫像體系 4.4 用戶畫像的分析使用 5 數(shù)據(jù)挖掘技術 5.1 數(shù)據(jù)治理及智能化應用通用過程 5.2 大數(shù)據(jù)技術落地介紹 5.2.1 數(shù)據(jù)格式 5.2.2數(shù)據(jù)準備 5.2.3 選擇算法 5.2.4 模型訓練 5.2.5 模型評估 5.2.6 模型應用 5.2.7 使用命令行 5.3 挖掘案例：金融服務中用戶購買意愿建模分析 |
| 三 機器學習及人工智能技術 |
1 機器學習本質原理 1.1 分類學習的根源問題及解決 1.2 Bias、Variance 困境 1.3 均衡 Overfitting 和 Underfitting 2 機器學習常用算法 2.1 DecisionTree 2.2 NavieBayes 2.3 Logistic Regression 3 機器學習模型進階：多模型算法 3.1 Ensemble Selection 3.2 Bagging 3.3 Random Forest 3.4 Random Decision Tree (RDT) 3.5 Boosting 3.6 Meta-learning 3.7 Error-Correcting Output Codes (ECOC) 4 機器學習評估指標 4.1 Confusion Matrix 4.2 Accuracy 和 Error Rate 4.3 Precision 和 Recall 4.4 F-measure 4.5 Specificity, Sensitivity 和 G-mean 4.6 ROC 和 AUC 4.7 MSE 和 RMSE 4.8 如何選擇合適的數(shù)據(jù)挖掘評估指標：案例講解 5 企業(yè)算法應用架構設計 5.1 通用算法架構 5.2 統(tǒng)一應用接口 5.3 實驗分流平臺 5.4 業(yè)務算法內核 5.5 大數(shù)據(jù)模型內核 5.6 實時數(shù)據(jù)統(tǒng)計分析平臺 5.7 系統(tǒng)監(jiān)控平臺 |
| 四 企業(yè)大數(shù)據(jù)實戰(zhàn)應用案例 |
1 推薦引擎實戰(zhàn) 1.1 推薦引擎使用場景舉例 1.2 推薦引擎基本原理及主要挑戰(zhàn) 1.3 好友推薦引擎 1.4 二度好友模型：案例講解 (1).二度好友模型解決的問題 (2).二度好友模型的建模過程 (3).二度好友模型的效果評估 1.5 好友簇算法：案例講解 (1).好友簇算法解決的問題 (2).聚類方法原理 (3).好友簇算法的建模過程 (4).好友簇算法的效果評估 1.6 加好友申請接受率預估模型：案例講解 (1).加好友申請接受率預估解決的問題 (2).加好友申請接受率預估的建模過程 (3).加好友申請接受率預估的效果評估 2 社交網(wǎng)絡大數(shù)據(jù)實戰(zhàn) 2.1 社交圖譜挖掘介紹 2.1.1 社交網(wǎng)絡數(shù)據(jù)挑戰(zhàn) 2.1.2 社交網(wǎng)絡中的數(shù)據(jù)挖掘意義 2.1.3 社交圖譜挖掘主要任務 2.1.4 社交圖譜挖掘通用路標 2.2 社交圖譜挖掘案例講解：好友親密度模型 2.2.1 好友親密度模型的意義 2.2.2 經(jīng)典用戶行為分析建模方法簡介 2.2.3 好友親密度建模過程 2.2.4 好友親密度模型效果分析 2.3 社交圖譜挖掘案例講解：好友自動分組 2.3.1 好友智能分組的意義 2.3.2 社區(qū)發(fā)現(xiàn)簡介 2.3.3 好友自動分組建模過程 2.3.4 好友自動分組效果評估 3 瀏覽型及金融應用的數(shù)據(jù)挖掘實戰(zhàn) 3.1 互聯(lián)網(wǎng)應用的分類 3.2 瀏覽型應用中的大數(shù)據(jù)應用實例 3.2.1 全局唯一用戶識別 GUID 3.2.2 用戶及業(yè)務畫像 3.2.3 CTR 預估 3.3 金融支付保險應用中的大數(shù)據(jù)應用實例 3.3.1 用戶流失分析與預測 3.3.2 大數(shù)據(jù)用戶實時授信 3.3.3 大數(shù)據(jù)投資賬戶相似性檢測 3.3.4 大數(shù)據(jù)賬戶投資意愿預估 |
|
一、大數(shù)據(jù)思維模式建立及組織架構建設 1.大數(shù)據(jù)概述 1.1 奧斯卡 3 項大獎電影“點球成金”揭示了什么？ 1.2 全球著名的咨詢服務公司 Gartner 怎么看大數(shù)據(jù)？ 1.3 大數(shù)據(jù)本質特征概述 1.4 大數(shù)據(jù)能解決什么問題？ 2 大數(shù)據(jù)驅動商業(yè)模式創(chuàng)新 2.1 “互聯(lián)網(wǎng)+”驅動新的商業(yè)模式創(chuàng)新 2.2 “大數(shù)據(jù)+”驅動新的商業(yè)模式創(chuàng)新 2.3 成功“大數(shù)據(jù)+”企業(yè)戰(zhàn)略實施案例 2.4 大數(shù)據(jù)企業(yè)戰(zhàn)略和項目實施方法總結和禁忌點 3 大數(shù)據(jù)團隊建設 3.1 大數(shù)據(jù)公司（部門）的都在做什么？ 3.2 大數(shù)據(jù)團隊組成 4 “大數(shù)據(jù)+”行業(yè)應用案例簡述 4.1 Target 孕婦案例及沃爾瑪啤酒尿布案例 4.2 TMobile 用戶流失案例 4.3 LV 旗艦試衣間案例 5 概維智能智能化服務介紹 |
|
二 大數(shù)據(jù)分析入門與進階 1 數(shù)據(jù)分析技術 1.1 數(shù)據(jù)分析的數(shù)據(jù)類型 1.2 數(shù)據(jù)分析的流程設計 1.3 數(shù)據(jù)分析驅動運營常用方法 1.3.1 數(shù)據(jù)分析表設計 1.3.2 多維分解 1.3.3 用戶分群 1.3.4 用戶細查 1.3.5 漏斗分析 1.3.6 留存分析 1.4 數(shù)據(jù)運營案例分析 1.4.1 EDM 營銷數(shù)據(jù)分析 2 前端數(shù)據(jù)埋點采集技術 2.1 數(shù)據(jù)埋點是什么？ 2.2 數(shù)據(jù)埋點數(shù)據(jù)采集內容設計 2.3 數(shù)據(jù)埋點分類：代碼埋點、可視化埋點、無痕埋點 2.4 代碼埋點案例 2.5 無痕埋點的技術架構 2.6 可視化埋點常用數(shù)據(jù)采集工具 3 大數(shù)據(jù)治理框架 3.1 大數(shù)據(jù)處理及架構 3.2 流式計算架構 3.3 分布式計算架構 3.4 規(guī)則引擎 4 業(yè)務數(shù)據(jù)分析進階：用戶畫像分析 4.1 數(shù)據(jù)分析通用體系 4.2 用戶畫像數(shù)據(jù)的構成 4.3 用戶畫像體系 4.4 用戶畫像的分析使用 5 數(shù)據(jù)挖掘技術 5.1 數(shù)據(jù)治理及智能化應用通用過程 5.2 大數(shù)據(jù)技術落地介紹 5.2.1 數(shù)據(jù)格式 5.2.2數(shù)據(jù)準備 5.2.3 選擇算法 5.2.4 模型訓練 5.2.5 模型評估 5.2.6 模型應用 5.2.7 使用命令行 5.3 挖掘案例：金融服務中用戶購買意愿建模分析 |
|
三 機器學習及人工智能技術 1 機器學習本質原理 1.1 分類學習的根源問題及解決 1.2 Bias、Variance 困境 1.3 均衡 Overfitting 和 Underfitting 2 機器學習常用算法 2.1 DecisionTree 2.2 NavieBayes 2.3 Logistic Regression 3 機器學習模型進階：多模型算法 3.1 Ensemble Selection 3.2 Bagging 3.3 Random Forest 3.4 Random Decision Tree (RDT) 3.5 Boosting 3.6 Meta-learning 3.7 Error-Correcting Output Codes (ECOC) 4 機器學習評估指標 4.1 Confusion Matrix 4.2 Accuracy 和 Error Rate 4.3 Precision 和 Recall 4.4 F-measure 4.5 Specificity, Sensitivity 和 G-mean 4.6 ROC 和 AUC 4.7 MSE 和 RMSE 4.8 如何選擇合適的數(shù)據(jù)挖掘評估指標：案例講解 5 企業(yè)算法應用架構設計 5.1 通用算法架構 5.2 統(tǒng)一應用接口 5.3 實驗分流平臺 5.4 業(yè)務算法內核 5.5 大數(shù)據(jù)模型內核 5.6 實時數(shù)據(jù)統(tǒng)計分析平臺 5.7 系統(tǒng)監(jiān)控平臺 |
|
四 企業(yè)大數(shù)據(jù)實戰(zhàn)應用案例 1 推薦引擎實戰(zhàn) 1.1 推薦引擎使用場景舉例 1.2 推薦引擎基本原理及主要挑戰(zhàn) 1.3 好友推薦引擎 1.4 二度好友模型：案例講解 (1).二度好友模型解決的問題 (2).二度好友模型的建模過程 (3).二度好友模型的效果評估 1.5 好友簇算法：案例講解 (1).好友簇算法解決的問題 (2).聚類方法原理 (3).好友簇算法的建模過程 (4).好友簇算法的效果評估 1.6 加好友申請接受率預估模型：案例講解 (1).加好友申請接受率預估解決的問題 (2).加好友申請接受率預估的建模過程 (3).加好友申請接受率預估的效果評估 2 社交網(wǎng)絡大數(shù)據(jù)實戰(zhàn) 2.1 社交圖譜挖掘介紹 2.1.1 社交網(wǎng)絡數(shù)據(jù)挑戰(zhàn) 2.1.2 社交網(wǎng)絡中的數(shù)據(jù)挖掘意義 2.1.3 社交圖譜挖掘主要任務 2.1.4 社交圖譜挖掘通用路標 2.2 社交圖譜挖掘案例講解：好友親密度模型 2.2.1 好友親密度模型的意義 2.2.2 經(jīng)典用戶行為分析建模方法簡介 2.2.3 好友親密度建模過程 2.2.4 好友親密度模型效果分析 2.3 社交圖譜挖掘案例講解：好友自動分組 2.3.1 好友智能分組的意義 2.3.2 社區(qū)發(fā)現(xiàn)簡介 2.3.3 好友自動分組建模過程 2.3.4 好友自動分組效果評估 3 瀏覽型及金融應用的數(shù)據(jù)挖掘實戰(zhàn) 3.1 互聯(lián)網(wǎng)應用的分類 3.2 瀏覽型應用中的大數(shù)據(jù)應用實例 3.2.1 全局唯一用戶識別 GUID 3.2.2 用戶及業(yè)務畫像 3.2.3 CTR 預估 3.3 金融支付保險應用中的大數(shù)據(jù)應用實例 3.3.1 用戶流失分析與預測 3.3.2 大數(shù)據(jù)用戶實時授信 3.3.3 大數(shù)據(jù)投資賬戶相似性檢測 3.3.4 大數(shù)據(jù)賬戶投資意愿預估 |
近期公開課推薦
