Многомерный анализ данных

Методы анализа данных / Продажи, маркетинг, BI, HR, экономисты

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

Возможность использования своих данных в процессе обучения

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

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

SPSS

Стоимость участия

Один человек (от компании)

50000 ₽

Два и более человек (от компании)

49000 ₽

Один человек (физическое лицо)

49000 ₽

* Все скидки действуют только при предоплате

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

Как проходит обучение On-line?
( узнать подробнее ... )

Программа тренинга

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

Преподаватели

Юлия Берлин

Преподаватель-аналитик Центра Статистических Технологий
Кандидат экономических наук, доцент.
Опыт преподавания и консультирования более 10 лет.
Разработка системы прогнозирования и анализа продаж компаний рынка FMCG.
Исследование потребительских предпочтений.
Планирование исследований и разработка планов экспериментов.
Обработка результатов анкетирования и тестов.
Разработка прогнозных моделей энергопотребления.
Автор более 40 учебно-методических и научных работ.

Анна Монахова

Преподаватель-аналитик, эксперт
Руководитель отдела развития образовательных программ ЦСТ.
Опыт консультационной деятельности 10 лет.
Большой опыт аналитика-практика.
Реализовала более двадцати консалтинговых проектов по анализу данных в бизнесе и научных исследованиях.
Консультировала специалистов таких компаний, как "Пивоваренная компания "Балтика", "Пивоварня Москва — Эфес", "ВымпелКом", "МегаФон", "Газпром нефть", "Монокристалл", "НЛМК", "Кока-Кола", "Маревен Фуд Сентрал" и др.
Является одним из ведущих консультантов в области использования статистических инструментов для решения прикладных задач.
Проводит подготовку специалистов по концепции SixSigma.

Вы получите:

Пошаговые инструкции по применению каждого метода

Сертификат на 4-месячную бесплатную консультационную поддержку

Требования:

Высшее образование

Опыт работы в Excel на уровне пользователя

Отзывы учеников

Сергеев Иван Алексеевич

ООО "Запсибтрансгаз"

За пятидневный тренинг я многое для себя открыл. Преподаватель четко и понятно рассказывал теоретическую часть, после чего все знания закрепились практикой. Кроме того порадовала техническая оснащенность и раздаточный материал. Их вполне достаточно, чтобы получить необходимую базу знаний.
Сафронова Светлана Викторовна

ООО "Нутриция"

Очень доступный в понимании материал, профессионализм преподавателя, а также чуткость и отзывчивость. Семинар очень понравился! Спасибо Анне!
Предложение. Сделать "школу статистика": увеличить количество дней тренинга, возможно на 2 недели; всем вместе полностью погрузиться в мир статистики... и, самое главное, создать несколько уровней изучения (аналогично ин.языкам).
Уварова Татьяна Эриховна

ДФУ, доцент кафедры гидротехники теории зданий и сооружений

Тренинг организован на высоком уровне, материал объяснен доступно, агрументированно. Раздаточный материал и презентации полностью отражают суть тренинга и помогают его осмыслить.
Селезнёва Марина Васильевна

Мясокомбинат "Павловская слобода"

Всё понравилось, отношение преподавателя очень позитивно, умение применительно ко всем донести материал, если считать, что все из разных отраслей, но с общими проблемами. Материал дан так, что хочется ещё чему-то научиться, что мы и сделаем в ближайшее время. Спасибо за тренинг.
Винникова Ольга Игоревна

инженер по качеству, Калсоник Кансей Рус

Все очень понятно. Практические задания помогают усвоить теорию в полном объеме. Емкое, упорядоченное преподавание. Раздаточный материал с концентрированным материалом, изученным на практике. Приятным "бонусом" является возможность впоследствии обратиться за поддержкой в решении конкретных задач. Спасибо!
Феденко Игорь Вячеславович

ПАО "Авиакомпания "Сибирь"

Очень понравилось. Подача информации - информативно, сжато, широкий охват. Большое число примеров, изучение темы на практике. Предоставляются инструменты для Excel для дальнейшей работы. Готовность и желание преподавателей ответить на все вопросы.
Харлан Елена Владимировна

ПК "Балтика", менеджер по управлению ассортиментом

Замечательный тренинг, очень практичный, ценный, доступно для понимания.
Животов Антон Сергеевич

ООО "Татхимпласт"

Тренинг полностью оправдал мои ожидания. Темы объясняются очень доступно, подкрепляются примерами, что помогает лучше усваивать пройденный материал. В целом тренинг дает хорошие практические навыки, которые можно применять в дальнейшей работе. При возможности буду планировать посетить еще одни курсы.
Юдина Надежда Александровна

Триколор ТВ

Тренинг полностью оправдал мои ожидания. Был интересным, информативным. Полученные знания абсолютно точно будут применены на практике. Большое спасибо.
Царёв Сергей Александрович

ОАО "Савушкин продукт", начальник отдела аналитики

Тренинг был продуктивным. Получил массу полезной инофрмации. Взглянул на работу подразделения и нашей компании с другой стороны. Оказывается, всё гениальное в управлении - очень просто. Пересмотрел свои взгляды на постановку задач.