大数据的介绍

1.1 什么是大数据：海量非结构化数据本身+处理方法
1.2 大数据为什么重要及大数据带来的机遇：决定公司是否有未来和业务可延伸范围
1.3 对大数据的深层理解：组成、特点介绍
1.4 大数据的相关技术与应用案例
数据采集：ETL工具
数据存取：关系数据库；NoSQL、SQL等
基础架构支持：云存储；分布式文件系统等
计算结果展现：云计算；标签云；关系图等
1.5 大数据专题可能的演进路径

数据分析基础

2.1 数据分析的含义、主要做什么？
2.2 为什么要学习做好数据分析
2.2.1从数据分析的描述问题、对比问题、分析问题 到最后解决问题说明为什么要做好
2.2.2通过案例说明一般人员与数据分析师的区别
2.3 数据分析的误区和分析的关键
2.4 数据分析的6个步骤，3大方向（理清思路，寻找答案，观点表达）案例形式详细说明
步骤1：需求明确--理清思路
步骤2：数据收集--理清思路
步骤3：数据处理--寻找答案
步骤4：数据分析--寻找答案
步骤5：数据展示--观点表达 
步骤6：报表撰写--观点表达
分别对以上6个步骤以案例的方式详细说明。
2.5 实践：以数据分析项目为引，将数据分析的技能与业务结合，并应用于实际的工作之中 

数据挖掘基础

3.1 数据挖掘概述、基本理念、历史发展进程、主要功能、发展趋势
3.2 数据挖掘方法论：CRISP-DM、SEMMA
3.3 数据处理过程：变量的分类及类型，数据的质量、理解过程、准备过程

数据挖掘及数据分析技术

4.1.数据挖掘主要分析方法：
4.1.1 聚类分析（Clustering）
4.1.2 分类分析（Classification）
4.1.3 关联分析（Association）
4.1.4 预测分析（Prediction）
4.1.5 回归分析
4.1.6 相关分析
4.1.7数据比较分析 
4.1.8 数据挖掘的可视化 
4.2 数据挖掘的实施
4.3 分析图形：正态性检验 描述性统计 箱型图、区间图、时序图介绍
4.4 数据挖掘的关键技术:数据预处理
4.5 数据挖掘效果的评估
4.6 实践：SPSS结合相应的分析算法及展示图形

构建**数据挖掘分析体系

5.1 分析团队建设
5.2 分析工作管理
5.3 数据分析核心能力建设
5.4 分析工作与业务协同

数据挖掘应用

6.1 数据挖掘及管理经验
6.2 数据挖掘在***行业领域的应用举例
6.2.1 客户行为与潜在客户分析
6.2.2 用户信用度分析
6.2.3 趋势预测
6.2.4 新产品交叉营销分析 等
6.3 数据挖掘实践举例:客户流失、趋势发展分析等（结合SPSS软件）
6.4 实践：内容包括（从设计－>形成模型->应用）.

数据挖掘工具及未来研究的方向和热点

7.1 几种数据挖掘工具比较
7.2 典型工具介绍及使用范围
7.3 如何选择数据挖掘工具
7.4 数据挖掘的方向和热点