Многомерный анализ данных. Открытый тренинг

Главная / Расписание открытых тренингов / Многомерный анализ данных. Открытый тренинг

Открытый тренинг

Выберите дату проведения:

О курсе: Специализированный

Обучение теоретическим и практическим аспектам многомерного анализа, применяемым в коммерческой и производственной деятельности.

Программа тренинга

ДЕНЬ 1. Азы аналитики. Подготовка данных для анализа

ДЕНЬ 2. Моделирование влияния факторов

ДЕНЬ 3. Методы многомерной классификации

ДЕНЬ 4. Методы анализа потребительских предпочтений

1. Если от вашей компании планируется 3 и более человека, даты проведения могут быть скорректированы в соответствии с вашими потребностями, либо назначены дополнительные даты.

2. Формат проведения в указанные даты может быть быть изменен в соответствии с потребностями участников (очный - на онлайн и наоборот).

Продолжительность:

Off-line: 4 дня (32 академических часа)

On-line: 4 дня (32 академических часа)

Требования к слушателям:

•

Высшее образование

•

Опыт работы в Excel на уровне пользователя

Вы получите:

•

Пошаговые инструкции по применению каждого метод

•

Сертификат на 4-месячную бесплатную консультационную поддержку

Стоимость участия

От компании

один человек (от компании)

55 000 руб.

два и более человека (от компании)

54 000 руб.

Физическое лицо

54 000 руб.

* Все скидки действуют только при предоплате.

** Стоимость участия может изменяться в зависимости от даты и места проведения.

Программа

ДЕНЬ 1. Азы аналитики. Подготовка данных для анализа

ИНСТРУМЕНТЫ, МЕТОДИКИ, АЛГОРИТМЫ	КЕЙСЫ

Классификация «Цель анализа – Метод анализа» Типы исходных данных (шкалы) Основные статистические показатели и графики, применяемые для описания исходных данных различных типов: среднее и доля медиана и квартили стандартное отклонение и дисперсия стандартная ошибка доверительные интервалы столбиковая и круговая диаграмма (bar chart, pie chart) гистограмма (histogram) ящичная диаграмма (boxplot) диаграмма рассеяния (scatter plot) Алгоритм описательного анализа в зависимости от типа шкалы Определение размера выборки для описательного анализа данных в различных шкалах	Пример в SPSS. Ищем выбросы в исходных данных с помощью различных графиков. Пример в SPSS. Проводим описательный анализ покупателей по различным характеристикам, выбираем адекватные показатели и интерпретируем полученные результаты. Пример в Excel. Определяем возможный способ отбора и оцениваем необходимый размер выборки для решения задач слушателей. Пример. . Разбираем типичные ошибки определения размера выборки при проведении маркетинговых исследований.

ДЕНЬ 2. Моделирование влияния факторов

ИНСТРУМЕНТЫ, МЕТОДИКИ, АЛГОРИТМЫ	КЕЙСЫ

Метод регрессионного анализа для учета (моделирования) одновременного влияния различных факторов: требования к виду и количеству исходных данных необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода требования к факторам, которые планируется учитывать в анализе особенности моделирования при недостатке информации о факторах, техника dummy-переменных пошаговый алгоритм регрессионного анализа способ проверки адекватности модели интерпретация результатов: как влияют факторы на отклик, ранжирование по силе влияния Дисперсионный анализ – метод учета эффектов взаимодействия факторов: требования к виду и количеству исходных данных понятие случайных и фиксированных эффектов необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода способ проверки адекватности модели интерпретация полученных результатов Деревья классификации для учета (моделирования) одновременного влияния различных факторов на неколичественный отклик: требования к виду и количеству исходных данных необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода способ проверки адекватности модели интерпретация результатов: как влияют факторы на отклик, и определение условий достижения желаемого результата по построенному дереву	Пример в SPSS. Подготавливаем исходные данные о цене товара и влияющих на нее факторов для применения метода регрессионного анализа. Проводим графический анализ влияния факторов на цену. Анализируем взаимовлияние факторов. Строим регрессионную модель. Проверяем качество модели и, при необходимости, улучшаем ее. Интерпретируем результаты регрессионного анализа. Прогнозируем цену в зависимости от факторов на основе построенной модели. Пример в SPSS.Строим различные варианты дерева факторов, влияющих на удовлетворенность потребителей. Учимся «читать» построенные деревья. Выбираем лучшее из нескольких вариантов решений. Интерпретируем результаты моделирования: формулируем условия повышения уровня удовлетворенности клиентов. Пример в SPSS.Строим модель доходности торговой точки в зависимости от ее характеристик и прогнозируем доходность на основе построенной модели. Пример в SPSS.Определяем правила отнесения торговой точки к определенному типу с использованием деревьев классификации. Пример в SPSS.Выясняем наличие эффекта взаимодействия факторов, влияющих на сумму покупки, и интерпретируем их.

ДЕНЬ 3. Методы многомерной классификации

ИНСТРУМЕНТЫ, МЕТОДИКИ, АЛГОРИТМЫ	КЕЙСЫ

Дискриминантный анализ – метод прогнозирования принадлежности к группе (классу, типу, сегменту и т.п.): требования к виду и количеству исходных данных необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода способ проверки адекватности модели прогнозирование на основе построенной модели Кластерный анализ – три статистических инструмента сегментации с учетом большого объема разнородной информации: требования к виду и количеству исходных данных необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы инструментов условия выбора метода кластерного анализа в конкретной ситуации валидация полученных результатов и описание выделенных сегментов Факторный анализ – метод получения новых обобщающих факторов на основе большого объема информации: требования к виду и количеству исходных данных необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы метода валидация и интерпретация полученных результатов Анализ соответствий – позиционирование с помощью карты восприятия: требования к виду и количеству исходных данных необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы метода валидация и интерпретация полученных результатов	Пример в SPSS. По результатам опроса выделяем группы потребителей с учетом большого числа различных характеристик разными методами. Пример в SPSS.Сегментируем товары с одновременным учетом ряда их свойств. Сравниваем полученные группы и описываем их. Примеры.Учимся быстро определять адекватный метод кластерного анализа в конкретной ситуации. Пример в SPSS.Определяем ключевые стратегии выбора продукта по результатам анализа потребительского поведения Пример в SPSS.Выявляем и группируем взаимосвязанные личностные характеристики сотрудников на основе опроса. Пример в SPSS.Выявляем ассоциации потребителя с нашим продуктом. Пример в SPSS.Позиционируем продукт среди конкурентов глазами потребителя.

ДЕНЬ 4. Методы анализа потребительских предпочтений

ИНСТРУМЕНТЫ, МЕТОДИКИ, АЛГОРИТМЫ	КЕЙСЫ

Логистическая регрессия – метод моделирования бинарного и частотного отклика: виды моделей: logit и probit требования к виду и количеству исходных данных для каждой модели необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы метода валидация и интерпретация полученных результатов Conjoint (совместный) анализ – статистический инструмент разработки или улучшения продукта с учетом мнений потребителей: особенности сбора информации о предпочтениях потребителей этапы conjoint анализа интерпретация результатов – профиль «идеального» продукта с точки зрения потребителя Многомерное шкалирование как метод выявления сходства (различий) объектов на основе их оценок респондентами путем выделения латентных факторов: требования к виду и количеству исходных данных интерпретация карты позиционирования, полученной в результате анализа	Пример в SPSS. Прогнозируем удовлетворенность клиента обслуживанием с учетом различных факторов. Пример в SPSS. По результатам опроса фокус-группы выясняем, каким должны быть конкретный продукт, чтобы соответствовать ожиданиям потребителя. Пример в SPSS. По результатам опроса респондентов определяем истинные признаки классификации объектов.

После окончания обучения вы сможете

Правильно подготавливать исходные данные для анализа

Проводить классификации любых объектов с учетом многообразия их свойств и описывать полученные классы

Моделировать и прогнозировать исследуемый показатель в зависимости от различных факторов и их взаимодействий

Рассчитывать и грамотно интерпретировать статистические показатели и графики, характеризующие потребителей / продукты

На основе имеющейся информации получать новые агрегированные показатели

Строить карты восприятия с целью позиционирования объектов