Business Knowledge Series курс

В современном мире многие компании накопили огромное количество данных о продажах, использовании финансовых сервисов, использовании сети и даже данных о мошенничестве. В соответствии с заданными тенденциями и потребностями, такими как: массовая кастомизация, персонализация, Web 2.0, персонифицированный маркетинг, риск менеджмент, обнаружение мошенничества - становится особенно важным извлечь, понять и разработать аналитические модели поведения клиентов и стратегических знаний. Этот курс помогает выяснить, как успешно применять предложенные современные аналитические техники Data Science для продвинутых приложений Customer Intelligence. Данный курс предоставляет теоретические и технические методы, так же как и методы практической реализации, иллюстрированных реальными практическими примерами. Так же предоставляются ссылки на статьи, учебники и практические советы.

Изучается

Вы научитесь как:
• Применять набор новейших, мощных, актуальных методов аналитики и data science
• Убедитесь в практической применимости данных методов для оптимизации бизнес-процессов и принятия решений
• Исследуйте современное видение того, как выявленные техники data science могут изменить ваши ключевые бизнес-процессы
• Создавать, проводить мониторинг и оптимально тестировать аналитические модели.

Аудитория

Курс подходит для тех, кто вовлечен в процессы оценки, мониторинга, аудита или поддержки моделей для различных типов интеллектуальных данных о клиентах; Для тех, кто связан с использованием методов интеллектуального анализа данных для различных типов информации о клиентах. Для лиц следующих должностей: бизнес-аналитик в различных сферах (таких как: риск менеджмент, производство, телеком, ритейл, развлечения, фармацевтика и так далее), маркетинг и CRM менеджеры, специалисты по обнаружению мошенничества, менеджеры по работе с клиентами, риск-аналитики, CRM-аналитики, аналитики по маркетингу, старшие аналитики данных и data miners.

Доступные форматы обучения	Продолжительность
e-Learning:	24 часа(ов)/180 день доступ

Вы должны уметь:
• Подготавливать данные (создание выборок, очистка данных, классификация и так далее)
• Разрабатывать прогнозные модели, используя логистическую регрессию
• Разрабатывать прогнозные модели, используя деревья принятия решений
• Разрабатывать описательные модели, используя базовые техники сегментирования
• Количественно оценивать работу прогнозных моделей (такие как подъем кривой, кривая ошибок и так далее)Необходимый опыт вы можете получить, пройдя курсы Data Mining: Principles and Best Practices and Decision Tree ModelingЭти курсы изучаются на SAS Enterprise Miner

Используется SAS Enterprise Miner ПО

Аналитическая модель процесса

• Базовая номенклатура (определение клиента, определение цели и тд)
• Коллекция данных и предобработка (создание выборки, очистка данных, весовые коэффициенты и тд)
• Прогнозная и описательная аналитика (майнинг данных)
• Запуск аналитики в работу
• Требования к аналитической модели (производительность, интерпретация, операционная эффективность)
• Ключевые области применения (CRM, риск менеджмент, мошенничество, онлайн аналитика)

Деревья принятия решений

• Разделение/остановка/назначение решения
• Ключевые алгоритмы: C4.5 (See5), CART, CHAID
• Рекомендации по использованию деревьев в бизнес-контексте

Деревья регрессии

• Разделение/остановка/назначение критерия
• Практический пример: использование дерева регрессии для предсказания потерь

Методы группировки

• Бутстреппинг
• Бэггинг
• Бустинг
• Пакетирование
• Cлучайный лес

Форматы представления альтернативных правил

• Типы правил (пропозициональный, кривой, m из n, расплывчатый и тд)
• Таблицы решений (лексикографическое упорядочение, методы сокращения и тд)
• Диаграммы решений
• Практический пример: таблицы и диаграммы решений для скоринга клиентов
• Практический пример: таблицы решений для верификации текстовых знаний

Нейронные сети

• Многослойный перцептрон (MLPs)
• Типы MLP (RBF, периодический и тд)
• Изучение весовых коэффициентов (обратная связь, сопряженный градиент и тд)
• Переполнение, ранняя остановка, и регулировка весов
• Выбор архитектуры (поиск по набору, SNC и тд)
• Выбор входных данных (граф Хинтона, статистика вероятностей, перебор и тд)
• Самоорганизующаяся карта (SOMs) для кластеризации
• Практический пример: использование SOMs для анализа коррупции в стране

Метод опорных векторов (SVMs)

• Линейное программирование
• Kernel trick и теорема Мерсера
• SVM для классификации и регрессии
• Многоклассовые SVM (один на один, один против всех)
• Настройка гиперпараметров, используя методы кроссвалидации
• Практический пример: Бенчмаркинг SVM классификаторов

Открытие черного ящика нейронной сети и SVM

• Бизнес приложения нейронных сетей и SVM
• Методы извлечения правил (педагогические и декомпозиционные подходы, такие как neurorule, neurolinear and trepan)
• Двухэтапные модели (комбинирование линейных моделей с высокопроизводительными нейронными сетями)
• Практические примеры

Классификаторы сетей Байеса

• Наивный байесовский классификатор
• Увеличенный деревом наивный Байесовский классификатор
• Не запрещенные классификаторы сетей Байеса
• Байесовский вывод
• Практический пример: сети Байеса для прогнозирование оттока

Анализ выживания

• Цензурирование
• Функция выживания и функция риска
• Анализ Каплана-Майера
• Параметрический анализ выживания
• регрессия пропорциональных опасностей
• Изменяющиеся во времени ковариаты
• Конкурирующие риски
• Нейронные сети для анализа выживания
• Практический пример: анализ выживания моделирования пожизненной ценности клиента (CLV)

Изучение и вывод социальных сетей

• Неявные и явные социальные сети
• Обучение использованию сетевых данных
• Основные области применения (Facebook/twitter, сбои, мошенничество, онлайн аналитика и тд)
• Случайные поля Маркова
• Homophily (вина по ассоциации)
• Локальные классификаторы
• Реляционные Классификаторы (реляционные соседи, вероятностный реляционный сосед, реляционная логическая регрессия и тд)
• Featurization
• Коллективный вывод (сэмплинг Гиббса, итерационная классификация и тд)
• Практический пример: использование социальных сетей для поиска сбоев в контексте телекомунникаций

Мониторинг и тестирование аналитических моделей

• Количественный и качественный мониторинг моделей
• Тестирование моделей (стабильность моделей, дискриминация модели, калибровка модели, биномиальный тест Хосмера-Лемешева, индикатор светофор, влияние макро экономических эффектов)
• Бенчмаркинг модели (внутренний и внешний бенчмаркинг, статистика бенчмаркинга)
• Качественная проверка аналитических моделей (качество данных и управление основными данными, дизайн моделей, документация, участие руководства и корпоративного управления)
• Практический пример: тестирование модели скоринга клиентов

Другие алгоритмы обучения и приложения (кратко)

• Полуконтролируемое обучение
• Нечеткие методы
• Эволюционные алгоритмы
• Муравьиный алгоритм
• Приложения онлайн аналитики
• Приложения для использования в социальных сетях
• Приложения для анализа процессов