课程收益：
通过本次培训中实际案例的分享，了解数据管理和运营中的各种经验教训（别人花费上百亿学费买来的经验啊！），深刻理解数据运营的意义，通过数据挖掘技术，发掘客户精细营销和运营的价值，实现产品设计的个性化、智能化，逐步实现定制化生产，打造新工业时代的制造业4.0。 通过本次培训中实际案例的分享，学习数据分析如何应用与企业运营管控各个环节，了解数据分析的各种方法，深刻理解大数据时代的数据价值，学习提升企业精细化管理的途径和案例。学习互联网思维如何应用于制造业，提升客户体验，加强产品的个性化设计需求，打造新工业4.0目标。
课程背景：
2012-2015年，中国的制造业正面临着一个极具挑战的经济时局，然而他们有机会通过撬动海量数据的杠杆来获取巨额收益。传统的制造业面临很大挑战，企业面临转型，借助大数据可以实现智慧工厂、智能生产和智能物流等新能力。
面对中国5.13亿的互联网用户、多样化的1.8万亿GB数据，以及企业数据每年55%的增长速度，在蓬勃发展的中国市场环境中，大数据所带来的机遇前所未有，这将是中国制造业预期取得大回报的最佳时机。
制造业经营着可以让手中的数据与信息发挥最大的价值，通过有效整合、分析线上和线下数据，提高与客户、潜在客户互动的精准度，及时发现企业经营中的各种问题和风险。
在制造行业，通过ERP、CRM等系统，企业在产品制造的过程中也逐步积累了各种形式的大数据，如何将这些大数据服务于企业的生产过程，提高产品质量控制能力，并提升对客户服务质量，也是摆在制造企业面前的一个紧迫问题。
其中家电制造企业如何使用数据分析的方法，深化客户需求分析，改进产品设计，提升客户营销能力，扩展市场份额是摆在企业面前的问题。同时，大数据可以提升企业内部管理各个环节的精准控制水平，提升管理效率，降低成本等方面。
培训目标：
大数据时代下，客户的重新认识和精细营销，企业的精细化管理，产品质量的精准控制，如何提升企业的核心竞争能力，如何更新企业运营、管控的新理念。了解互联网时代带来的互联网思维，分享互联网行业大数据分析案例，对传统制造产业带来的冲击分析，探索制造业大数据应用场景，分享数据化企业运营和管控的案例。了解大数据处理的基本技术，包括数据仓库、数据挖掘、云计算、数据挖掘、元数据等基本内容。
课程内容：
一、“大数据、大机会”：
1.概述
1)大数据概念和特点
2)大数据需要哪些技术支撑
3)大数据能够带来哪些新应用？
2.大数据时代带来对传统营销的挑战
1)大数据如何成为资产？——GOOGLE的市值远超过制造企业
2)大数据如何体现精细营销
3)大数据的价值——靠空调电表判断气候趋势（“指数”）
3.大数据时代的“互联网思维”营销模式
1) 互联网思维——先圈用户再挣钱
2）互联网的营销模式——微博营销、网页营销等
3) CRM——“旧貌焕发新颜”
4)精细营销——装上了GPS，实现“精确打击”
4.如何在海量数据中整合线上、线下数据，形成你对客户的独特洞察力
1)知道客户的各个属性——互联网时代不再“是否是狗”
2)客户的群体特征——“人以群分”
5.如何建立产品分析的数据平台，提供产品的“标尺”
1)产品的数据有哪些？
2)产品设计的互联网思维？——小米家电
3)产品的大数据分析——哪些维度？
4）如何“产品为中心”发展为“客户为中心”？——有数据就有可能
6.大数据对企业的精细管理提升
1）企业的精细管理——不再盲人摸象
2）企业的KPI仪表板——进入驾驶舱
3）预防企业的管理风险——早诊断、早发现
4）员工的量化绩效评定——计件之后计量
7.大数据提升企业的产品质量
1）建立量化的产品管理方法——辣椒的辣度评定
2）产品制造过程的管理控制——监控大数据分析
3）产品问题的及时监控——温度、风速等异常早发现
4）产品订制的范例——好莱坞大片的大数据
5）产品质量的量化管控——挡板安装的故事
8.大数据在企业中应用的问题
1）大数据的收集——巧妇难为无米之炊
2）业务与技术的话语权争夺——听业务经验还是数据的
3）大数据应用的切入点——如何尽快见效？
4）大数据面临的质疑——数据质量和分析结果的可靠性
5）大数据需要的管理架构调整——你准备好了吗？
二．大数据下客户的“透视”：
1、客户是“上帝”，如何找到“上帝”？
1）上帝是什么样子？
上帝是什么视图？
2）客户是什么样子？
客户是什么视图？
3）产品是什么样子？
产品是什么视图？
4）如何建立客户和产品间的关系？
为合适的客户，找到合适的产品
2、我们对自己的客户（“上帝”）了解多少？
1）客户会有什么特点？
客户的基本特征（如：不同产品的年龄分布）
客户的群体特征（如：不同年龄群体关注点有哪些？）
以前营销模式的基础，以现有产品为基础，寻找群体客户适合的产品和服务现在找客户，提供产品；
客户的交往圈子（如：家电用户圈子关注哪些产品？）
另一个角度规划产品和服务。
2）营销的方法
营销方法论和知识库（分析问题的知识库和方法树）
制造业产品营销的特点（如何突出附加值？）
传统营销如何转型互联网营销？
“手机”如何私人订制？
3）企业管理方面的情况
及时发现企业真实的情况（哪些运营的关键指标KPI？）
像人体一样，如何及时发现病症？（关键指标KPI的波动范围？）
示例：企业的数码仪表盘，展示企业的KPI；手机彩信及时展现KPI给领导。
4）产品的客户服务
大数据能够发现哪些产品质量问题？如何提升客户满意度
3、如何“帮客户买产品，而不是推销其不需要的产品”
1）如何进行客户的“X光透视”？
（客户的统一视图包含哪些信息？哪些是关键属性？）
如何发现客户的真实需求？（服务与骚扰的区别）
示例：电信行业客户的统一视图
2）内部产品的科学选配
（如何提供专家般量化的分析，为用户提供最优的内部产品？
如：电信行业计算出最适合用户模式的资费进行选择）
示例：为客户定制最合适的产品，经过数据分析后，告诉客户，A产品比B产品更适合。
3）竞争对手产品的对比
与竞争对手间的产品差异化区隔
自己产品的优势和弱点（如何提供量化的分析结果？在形象展示出来）
示例：竞争对手的客户回归
4）销售过程的处理
销售时机的把握销售语术的把握
4、大数据营销的作用和价值
1）数据和知识是人的本质特征
2）大脑是人与动物的差别
3）“事半功倍”是捷径
4）从“拼刺刀”到“信息战”；示例：某人关系图
5、产品如何进行“透视”
1）产品自带数据
2）产品中互联网思维创新设计
如何用微信“卖肉夹馍“？
3）产品的差异化数据显示——用数据证明产品
4）产品的附加值——加法还是减法？
6、制造业中能进行哪些客户分析和营销？
1）客户的基本信息分析：如对汽车的兴趣和爱好
2）客户的分群（品牌和产品设计）：汽车行业的客户细分
3）对客户更深层的了解，就可以进行合适的营销：特斯拉汽车的营销
三、如何为合适的用户提供合适的产品？
1、营销的目的：为合适的用户提供合适的产品
除了“激情营销”，更需要“理性营销”；真正满足客户需求才能构建长久的营销关系；
客户的真实需求如何？
2、如何发现合适的用户
谁是合适的客户？标准有哪些？客户的担心、顾虑是什么？
3、如何提供合适的产品
从现有的产品客户中寻找目标客户特征
示例：客户针对性营销案例示例
4、营销案的设计和评估
如何吸引用户？如何让用户选择产品？
5、营销的过程和细节
类似CRM系统的营销流程管理
示例：制造行业CRM营销的流程框架图
6、营销的渠道选择
客户是否喜欢外呼电话，还是微信？还是实体营业厅？
示例：用户偏好渠道分析的案例
7、如何避免对客户的过渡打扰
限制每月的外呼次数；
8、制造行业的客户数据挖掘
海尔的数据挖掘案例
9、制造行业的产品质量控制
如何挖掘产品使用过程的异常点
如何分析产品的故障
四、制造业的企业运营管控
1、计划管理
计划的指标KPI
如何通过数据分析方法进行KPI指标预估（如：逻辑回归算法）
【示例】关键指标KPI影响因素分析
2、会务管理
会务管理
会务排班算法
【示例】会场排班分析
3、分权与流程管控
角色和职责的划分
流程关键选择（数据管理中的血缘分析）
【示例】电信企业业务质量流程管控案例
4、经营评价
经营考核的关键KPI指标
指标制定的范围和内容
【示例】电信行业KPI指标示例
5、基础能力改善
技术能力的评估
生产短板发现（异常孤立点分析）
各个生产阶段速度、效率、成本分析
如何借助大数据实现智能制造？
1） 物料管理、库存管理；
2） 个性化生产设计；
3） 产品智能制造；
【示例】某企业的生产智能管理示例
6、转型推动
如何转型工业制造4.0？
精细化管理（量化管理）的基础理念
智能工厂
1）节能、减排
2）智能生产
3）智能管控
4）智能评估
智能生产
1）按需生产的“理性社会”
2）原材料的智慧采购（比价+成本计算）
智能物流
1）智能运输+智能库存
2）【示例】：UPS线路智能设计、沃尔玛的库存管理等
五、大数据下的会员管理
1、会员管理CRM系统的建立
商家销售经营数据库
会员消费行为数据库
会员服务管理规划
服务人员的管理
会员的满意度与忠诚度
2、如何实现会员的精准营销
BI报表的完善
搜集客户信息，搜集数据库
锁定目标消费群
整合多种营销手段
从被动到主动（主动发展会员），实现精准营销
有效分析营销效果
调整营销策略
3、会员关系的维护
会员的用户体验
会员频道的建立
会员福利的发放方式
六、大数据的“数据挖掘技术”（可选）
1. 数据挖掘概述
1）基本概念——“啤酒和尿布的故事”
2）与专家系统、统计分析、人工智能的关系——演进历史分析
3）数据挖掘在制造行业的应用内容——如何体现“智能制造”？
2. CRISP-DM过程描述
1）商业理解——要实现什么“目的”？
2）数据的理解以及收集——手里有哪些数据？
3）数据的准备——数据的清洗及转换
4）应用数据挖掘工具建立模型——使用哪种数据挖掘算法和工具？
5）模型评估——算法评估
6）部署（并形成数据挖掘报告）——实际使用及形成报告
3. 数据挖掘常用算法介绍
预测型
1）分类算法
2）回归分析
3）时间序列
描述型
4）关联分析
5）序列关联分析
6）聚类分析
4.数据挖掘具体算法举例
1）神经网络算法
2）决策树算法
5.根据实际问题选择数据挖掘算法
1）客户离网分析
2）客户分群模型
3）产品关联分析
4）问题的描述
需要解决的关键问题
如何转换成为数据挖掘的描述
数据挖掘算法的选择依据
预测类还是描述类
与各种算法的使用特点结合
6.分析结果的检验
对照组数据的选择方法
对照组数据的时间窗口选择
对照组数据的抽样
数据挖掘模型的修订
1） 如何剔除无效的结果数据
2） 根据反馈结果进行模型修订
7.数据挖掘项目的投入产出
数据挖掘项目的投入成本计算
数据挖掘项目的产出计算依据
8. 如何形成分析报告
1）分析报告的组成部分
2）部分优秀的分析报告演示
9．移动互联网行业数据挖掘
1）如何发掘客户内容信息
2) 如何形成内容标签
3）网络爬虫原理
4）面临的问题
5）互联网企业挖掘案例（淘宝等案例）
10.数据挖掘技术趋势
1）文本挖掘
2）流式挖掘
3）具体案例分享
七、基础数据的收集和整理
1、数据的种类
1）客户数据内容（客户的基本资料）
2）产品数据内容（产品的编码）
3）营销数据内容（交易记录的保存）
4）服务数据内容（客户服务数据的保存）
5）制造行业数据的特点：（数据类型杂、数据量大等）
6）家电制造企业如何获取数据？
2、数据的存放方法
1）数据的清洗、转换和加载
2）存放在数据库/数据仓库
3）数据的基本分析工具EXCEL等
4）数据仓库与HADOOP架构的关系
5）数据存放模式的选择依据
3、数据的基本整理
1）数据的归类存放（建模型）
2）数据的基本加工
3）数据的ETL处理过程（云计算并行处理）
4、数据的基础分析
1）数据的基本汇总
2）数据中的“金子”：从石头中淘金子
5、数据质量的基本保障
1）指标的口径描述和统一
2）后期补数据成本是前提收集数据成本的15倍
3）“差之毫厘谬以千里”
6、制造业企业数据的收集和整理
1）制造环境的数据收集/整理
2）采购数据的收集/整理
3）营销数据的收集/整理：
4）人力资源数据的收集/整理
示例：某企业的数据收集/整理方案
7、大数据处理架构及示例
1）大数据的处理架构分类——纯粹的HADOOP还是混搭？
2）大数据的处理架构实例——互联网企业和电信企业实例
2）大数据数据管理模式——数据的分割角度（业务还是用户）
3）大数据的数据质量管控——如何继承数据仓库的数据质量管控方法
4）HADOOP的优缺点分析——何时使用HADOOP？缺点呢？
5）大数据的具体应用案例——某互联网企业大数据架构分享
8、大数据的实时处理技术
1）实时处理技术——IBM等厂商产品或者自研？
2）实时处理的依赖因素——上游数据的实时获取和处理
3）实时规则引擎——规则的灵活配置
4）实时营销的关键点——客户内容、营销规则、实时匹配、营销渠道
5）实时处理案例分享——某运营商实时营销案例分享
9、大数据的应用
1）电信运营商的案例——针对某交往圈工具软件的量化分析
2）互联网企业的案例——页面推荐的产品关联分析
八、数据挖掘具体案例分析（可选）
某电信公司具体数据挖掘案例（某产品营销）详细举例
1. 商业理解：提升哪个KPI指标？（ARPU/MOU等）
2. 数据理解及收集:哪些具体的数据（客户详单、客户资料等）
3. 数据准备：
1）客户数据质量分析
如何保障数据质量——哪些衡量指标
如何发现异常数据——剔除干扰数据
2）客户数据抽样过程
抽样比例分析
抽样的具体方法
3）挖掘应用需求描述
如何筛选有用数据——选择相关变量和汇总数据
如何描述需求
4.数据挖掘工具建立模型
挖掘算法选择
如何选择合适的分析方法
如何剔除无效的干扰数据
选择关键变量
挖掘具体过程
结果数据分析
5.模型（算法）评估
LIFT值等分析
6.实际部署及分析报告
实际分析报告编写示例
如何计算该项目的投入、产出
项目的投入计算依据
项目的产出计算方法
项目的投入/产出结果
7.关联分析挖掘案例——某企业产品关联分析
8．决策树挖掘案例——某企业客户细分案例
9.并不仅仅是数据挖掘——如何体现价值？如何实现提升？
九、总结和展望
