課程簡介
課程大數(shù)據(jù)分析處理技術(shù)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(gòu)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(shù)等層 面,從互聯(lián)網(wǎng)應(yīng)用和傳統(tǒng)企業(yè)的業(yè)務(wù)場景諸多角度多領(lǐng)域做實(shí)站案例講 解。該課程使學(xué)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(jìn)行商業(yè)模式創(chuàng)新的方法 和思維 n 理解大數(shù)據(jù)團(tuán)隊(duì)構(gòu)成和組織架構(gòu)建設(shè)的重要性和方法 n 理解大數(shù)據(jù)產(chǎn)品設(shè)計(jì)思維和業(yè)務(wù)創(chuàng)新的方法 n 理解大數(shù)據(jù)收集、清洗、融合、挖掘及應(yīng)用技術(shù)架構(gòu)從零開始建設(shè)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(yīng)用 情況、對(duì)業(yè)務(wù)提升的影響結(jié)果。 n 介紹大量大數(shù)據(jù)在互聯(lián)網(wǎng)應(yīng)用中的智能化產(chǎn)品和技術(shù)解決方案作為借 鑒。這些應(yīng)用包括 O2O、本地生活服務(wù)、社交型應(yīng)用、互聯(lián)網(wǎng)金融、支 付、保險(xiǎn)類型應(yīng)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(shù)解決方案作為 借鑒。這些應(yīng)用包括物流、企業(yè)外部環(huán)境認(rèn)知、戰(zhàn)略分析、企業(yè)客戶關(guān) 系管理等。相關(guān)的傳統(tǒng)行業(yè)包括電信、銀行、印刷、文化藝術(shù)、零售、 制造等
目標(biāo)收益
培訓(xùn)對(duì)象
企業(yè)高管、產(chǎn)品及運(yùn)營負(fù)責(zé)人、項(xiàng)目負(fù)責(zé)人、技術(shù)負(fù)責(zé)人、數(shù) 據(jù)分析師、數(shù)據(jù)挖掘工程師
課程內(nèi)容
大量大數(shù)據(jù)真實(shí)實(shí)踐案例,重點(diǎn)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(jìn)行探討。最后強(qiáng)調(diào):大數(shù)據(jù)不僅是一種技術(shù)和工具,更是企業(yè)治理和企業(yè)發(fā)現(xiàn)藍(lán)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(gòu)建設(shè) |
1.大數(shù)據(jù)概述 1.1 奧斯卡 3 項(xiàng)大獎(jiǎng)電影“點(diǎn)球成金”揭示了什么? 1.2 全球著名的咨詢服務(wù)公司 Gartner 怎么看大數(shù)據(jù)? 1.3 大數(shù)據(jù)本質(zhì)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(qū)動(dòng)商業(yè)模式創(chuàng)新 2.1 “互聯(lián)網(wǎng)+”驅(qū)動(dòng)新的商業(yè)模式創(chuàng)新 2.2 “大數(shù)據(jù)+”驅(qū)動(dòng)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(shí)施案例 2.4 大數(shù)據(jù)企業(yè)戰(zhàn)略和項(xiàng)目實(shí)施方法總結(jié)和禁忌點(diǎn) 3 大數(shù)據(jù)團(tuán)隊(duì)建設(shè) 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(tuán)隊(duì)組成 4 “大數(shù)據(jù)+”行業(yè)應(yīng)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(wù)介紹 |
二 大數(shù)據(jù)分析入門與進(jìn)階 |
1 數(shù)據(jù)分析技術(shù) 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(shè)計(jì) 1.3 數(shù)據(jù)分析驅(qū)動(dòng)運(yùn)營常用方法 1.3.1 數(shù)據(jù)分析表設(shè)計(jì) 1.3.2 多維分解 1.3.3 用戶分群 1.3.4 用戶細(xì)查 1.3.5 漏斗分析 1.3.6 留存分析 1.4 數(shù)據(jù)運(yùn)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(diǎn)采集技術(shù) 2.1 數(shù)據(jù)埋點(diǎn)是什么? 2.2 數(shù)據(jù)埋點(diǎn)數(shù)據(jù)采集內(nèi)容設(shè)計(jì) 2.3 數(shù)據(jù)埋點(diǎn)分類:代碼埋點(diǎn)、可視化埋點(diǎn)、無痕埋點(diǎn) 2.4 代碼埋點(diǎn)案例 2.5 無痕埋點(diǎn)的技術(shù)架構(gòu) 2.6 可視化埋點(diǎn)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(gòu) 3.2 流式計(jì)算架構(gòu) 3.3 分布式計(jì)算架構(gòu) 3.4 規(guī)則引擎 4 業(yè)務(wù)數(shù)據(jù)分析進(jìn)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(gòu)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(shù) 5.1 數(shù)據(jù)治理及智能化應(yīng)用通用過程 5.2 大數(shù)據(jù)技術(shù)落地介紹 5.2.1 數(shù)據(jù)格式 5.2.2數(shù)據(jù)準(zhǔn)備 5.2.3 選擇算法 5.2.4 模型訓(xùn)練 5.2.5 模型評(píng)估 5.2.6 模型應(yīng)用 5.2.7 使用命令行 5.3 挖掘案例:金融服務(wù)中用戶購買意愿建模分析 |
三 機(jī)器學(xué)習(xí)及人工智能技術(shù) |
1 機(jī)器學(xué)習(xí)本質(zhì)原理 1.1 分類學(xué)習(xí)的根源問題及解決 1.2 Bias、Variance 困境 1.3 均衡 Overfitting 和 Underfitting 2 機(jī)器學(xué)習(xí)常用算法 2.1 DecisionTree 2.2 NavieBayes 2.3 Logistic Regression 3 機(jī)器學(xué)習(xí)模型進(jìn)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(jī)器學(xué)習(xí)評(píng)估指標(biāo) 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(píng)估指標(biāo):案例講解 5 企業(yè)算法應(yīng)用架構(gòu)設(shè)計(jì) 5.1 通用算法架構(gòu) 5.2 統(tǒng)一應(yīng)用接口 5.3 實(shí)驗(yàn)分流平臺(tái) 5.4 業(yè)務(wù)算法內(nèi)核 5.5 大數(shù)據(jù)模型內(nèi)核 5.6 實(shí)時(shí)數(shù)據(jù)統(tǒng)計(jì)分析平臺(tái) 5.7 系統(tǒng)監(jiān)控平臺(tái) |
四 企業(yè)大數(shù)據(jù)實(shí)戰(zhàn)應(yīng)用案例 |
1 推薦引擎實(shí)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(píng)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(píng)估 1.6 加好友申請(qǐng)接受率預(yù)估模型:案例講解 (1).加好友申請(qǐng)接受率預(yù)估解決的問題 (2).加好友申請(qǐng)接受率預(yù)估的建模過程 (3).加好友申請(qǐng)接受率預(yù)估的效果評(píng)估 2 社交網(wǎng)絡(luò)大數(shù)據(jù)實(shí)戰(zhàn) 2.1 社交圖譜挖掘介紹 2.1.1 社交網(wǎng)絡(luò)數(shù)據(jù)挑戰(zhàn) 2.1.2 社交網(wǎng)絡(luò)中的數(shù)據(jù)挖掘意義 2.1.3 社交圖譜挖掘主要任務(wù) 2.1.4 社交圖譜挖掘通用路標(biāo) 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(dòng)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(dòng)分組建模過程 2.3.4 好友自動(dòng)分組效果評(píng)估 3 瀏覽型及金融應(yīng)用的數(shù)據(jù)挖掘?qū)崙?zhàn) 3.1 互聯(lián)網(wǎng)應(yīng)用的分類 3.2 瀏覽型應(yīng)用中的大數(shù)據(jù)應(yīng)用實(shí)例 3.2.1 全局唯一用戶識(shí)別 GUID 3.2.2 用戶及業(yè)務(wù)畫像 3.2.3 CTR 預(yù)估 3.3 金融支付保險(xiǎn)應(yīng)用中的大數(shù)據(jù)應(yīng)用實(shí)例 3.3.1 用戶流失分析與預(yù)測 3.3.2 大數(shù)據(jù)用戶實(shí)時(shí)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(yù)估 |
一、大數(shù)據(jù)思維模式建立及組織架構(gòu)建設(shè) 1.大數(shù)據(jù)概述 1.1 奧斯卡 3 項(xiàng)大獎(jiǎng)電影“點(diǎn)球成金”揭示了什么? 1.2 全球著名的咨詢服務(wù)公司 Gartner 怎么看大數(shù)據(jù)? 1.3 大數(shù)據(jù)本質(zhì)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(qū)動(dòng)商業(yè)模式創(chuàng)新 2.1 “互聯(lián)網(wǎng)+”驅(qū)動(dòng)新的商業(yè)模式創(chuàng)新 2.2 “大數(shù)據(jù)+”驅(qū)動(dòng)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(shí)施案例 2.4 大數(shù)據(jù)企業(yè)戰(zhàn)略和項(xiàng)目實(shí)施方法總結(jié)和禁忌點(diǎn) 3 大數(shù)據(jù)團(tuán)隊(duì)建設(shè) 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(tuán)隊(duì)組成 4 “大數(shù)據(jù)+”行業(yè)應(yīng)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(wù)介紹 |
二 大數(shù)據(jù)分析入門與進(jìn)階 1 數(shù)據(jù)分析技術(shù) 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(shè)計(jì) 1.3 數(shù)據(jù)分析驅(qū)動(dòng)運(yùn)營常用方法 1.3.1 數(shù)據(jù)分析表設(shè)計(jì) 1.3.2 多維分解 1.3.3 用戶分群 1.3.4 用戶細(xì)查 1.3.5 漏斗分析 1.3.6 留存分析 1.4 數(shù)據(jù)運(yùn)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(diǎn)采集技術(shù) 2.1 數(shù)據(jù)埋點(diǎn)是什么? 2.2 數(shù)據(jù)埋點(diǎn)數(shù)據(jù)采集內(nèi)容設(shè)計(jì) 2.3 數(shù)據(jù)埋點(diǎn)分類:代碼埋點(diǎn)、可視化埋點(diǎn)、無痕埋點(diǎn) 2.4 代碼埋點(diǎn)案例 2.5 無痕埋點(diǎn)的技術(shù)架構(gòu) 2.6 可視化埋點(diǎn)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(gòu) 3.2 流式計(jì)算架構(gòu) 3.3 分布式計(jì)算架構(gòu) 3.4 規(guī)則引擎 4 業(yè)務(wù)數(shù)據(jù)分析進(jìn)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(gòu)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(shù) 5.1 數(shù)據(jù)治理及智能化應(yīng)用通用過程 5.2 大數(shù)據(jù)技術(shù)落地介紹 5.2.1 數(shù)據(jù)格式 5.2.2數(shù)據(jù)準(zhǔn)備 5.2.3 選擇算法 5.2.4 模型訓(xùn)練 5.2.5 模型評(píng)估 5.2.6 模型應(yīng)用 5.2.7 使用命令行 5.3 挖掘案例:金融服務(wù)中用戶購買意愿建模分析 |
三 機(jī)器學(xué)習(xí)及人工智能技術(shù) 1 機(jī)器學(xué)習(xí)本質(zhì)原理 1.1 分類學(xué)習(xí)的根源問題及解決 1.2 Bias、Variance 困境 1.3 均衡 Overfitting 和 Underfitting 2 機(jī)器學(xué)習(xí)常用算法 2.1 DecisionTree 2.2 NavieBayes 2.3 Logistic Regression 3 機(jī)器學(xué)習(xí)模型進(jìn)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(jī)器學(xué)習(xí)評(píng)估指標(biāo) 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(píng)估指標(biāo):案例講解 5 企業(yè)算法應(yīng)用架構(gòu)設(shè)計(jì) 5.1 通用算法架構(gòu) 5.2 統(tǒng)一應(yīng)用接口 5.3 實(shí)驗(yàn)分流平臺(tái) 5.4 業(yè)務(wù)算法內(nèi)核 5.5 大數(shù)據(jù)模型內(nèi)核 5.6 實(shí)時(shí)數(shù)據(jù)統(tǒng)計(jì)分析平臺(tái) 5.7 系統(tǒng)監(jiān)控平臺(tái) |
四 企業(yè)大數(shù)據(jù)實(shí)戰(zhàn)應(yīng)用案例 1 推薦引擎實(shí)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(píng)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(píng)估 1.6 加好友申請(qǐng)接受率預(yù)估模型:案例講解 (1).加好友申請(qǐng)接受率預(yù)估解決的問題 (2).加好友申請(qǐng)接受率預(yù)估的建模過程 (3).加好友申請(qǐng)接受率預(yù)估的效果評(píng)估 2 社交網(wǎng)絡(luò)大數(shù)據(jù)實(shí)戰(zhàn) 2.1 社交圖譜挖掘介紹 2.1.1 社交網(wǎng)絡(luò)數(shù)據(jù)挑戰(zhàn) 2.1.2 社交網(wǎng)絡(luò)中的數(shù)據(jù)挖掘意義 2.1.3 社交圖譜挖掘主要任務(wù) 2.1.4 社交圖譜挖掘通用路標(biāo) 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(dòng)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(dòng)分組建模過程 2.3.4 好友自動(dòng)分組效果評(píng)估 3 瀏覽型及金融應(yīng)用的數(shù)據(jù)挖掘?qū)崙?zhàn) 3.1 互聯(lián)網(wǎng)應(yīng)用的分類 3.2 瀏覽型應(yīng)用中的大數(shù)據(jù)應(yīng)用實(shí)例 3.2.1 全局唯一用戶識(shí)別 GUID 3.2.2 用戶及業(yè)務(wù)畫像 3.2.3 CTR 預(yù)估 3.3 金融支付保險(xiǎn)應(yīng)用中的大數(shù)據(jù)應(yīng)用實(shí)例 3.3.1 用戶流失分析與預(yù)測 3.3.2 大數(shù)據(jù)用戶實(shí)時(shí)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(yù)估 |