A：大數(shù)據(jù)時(shí)代與數(shù)據(jù)化運(yùn)營的機(jī)遇與挑戰(zhàn)；

B：業(yè)務(wù)經(jīng)理的數(shù)據(jù)意識和關(guān)鍵指標(biāo)KPI的分解與落地

l  大數(shù)據(jù)戰(zhàn)略，從國家到企業(yè)

l  大數(shù)據(jù)與“互聯(lián)網(wǎng) ”和“工業(yè)4.0”

l  從IT 到DT

l  大數(shù)據(jù)時(shí)代數(shù)據(jù)平臺的今昔對比（Hadoop技術(shù)框架和應(yīng)用的通俗講解）

l  現(xiàn)代企業(yè)競爭面臨的挑戰(zhàn)

l  數(shù)據(jù)化運(yùn)營的前世今生

l  “ 企業(yè)數(shù)據(jù)化運(yùn)營”是什么？

l  “企業(yè)數(shù)據(jù)化運(yùn)營”全景鳥瞰

l  “企業(yè)數(shù)據(jù)化運(yùn)營”戰(zhàn)略中組織架構(gòu)和具體角色？

l  “企業(yè)數(shù)據(jù)化運(yùn)營”的關(guān)鍵和挑戰(zhàn)

l  “數(shù)據(jù)驅(qū)動(dòng)型企業(yè)”的價(jià)值體系和核心文化

l  數(shù)據(jù)化運(yùn)營的閉環(huán)性和持續(xù)優(yōu)化性

l  關(guān)鍵指標(biāo)的分解的原則和要點(diǎn)及淘寶案例、

l  指標(biāo)分解的具體落地的產(chǎn)生方法、

l  城市經(jīng)理的SWOT分析及競爭者洞察

l  如何收集競爭者情報(bào)、收集的信息范圍

C：業(yè)務(wù)經(jīng)理的數(shù)據(jù)化運(yùn)營能力提升，運(yùn)營的常見應(yīng)用場景、項(xiàng)目類型、數(shù)據(jù)化運(yùn)營的戰(zhàn)略戰(zhàn)術(shù)框架及實(shí)踐反思

D：業(yè)務(wù)經(jīng)理的數(shù)據(jù)化表達(dá)與溝通

l  SEMMA

l  CRISP-DM

l   Tom Khabaza 挖掘九律

l  企業(yè)數(shù)據(jù)化運(yùn)營的典型戰(zhàn)略戰(zhàn)術(shù)、場景和典型項(xiàng)目類型解析

l  目標(biāo)客戶典型特征分析（客戶畫像）、客戶360的全景指標(biāo)體系

l  目標(biāo)客戶的預(yù)測響應(yīng)模型（活躍用戶流失預(yù)測模型實(shí)戰(zhàn)跟蹤分享）

l  運(yùn)營群體的活躍度分析（指標(biāo)定義）（精準(zhǔn)營銷的用戶活躍度指標(biāo)創(chuàng)建案例）

l  汽車行業(yè)客戶維系的營銷框架及實(shí)施（本田汽車案例）

l  交叉銷售模型（條條大道通羅馬，多種算法回答同樣的問題，實(shí)際案例）

l  目標(biāo)用戶分層進(jìn)化金字塔（B2B交易用戶的分層模型實(shí)戰(zhàn)案例）

l  商品推薦模型（個(gè)性化推薦，推薦算法）

l  數(shù)據(jù)產(chǎn)品（數(shù)據(jù)產(chǎn)品的目的，BAT的實(shí)踐，一個(gè)新型的職業(yè)和專業(yè)，app）

l  精細(xì)化運(yùn)營平臺的案例

l  決策支持（有企業(yè)自身的數(shù)據(jù)，更有行業(yè)的宏觀數(shù)據(jù)；有微觀的深入分析挖掘，更有宏觀的統(tǒng)計(jì)和調(diào)研）

l  數(shù)據(jù)化運(yùn)營金字塔的BAT實(shí)踐對照

l  數(shù)據(jù)化運(yùn)營體系中，業(yè)務(wù)人員與分析師的分工合作，

l  業(yè)務(wù)經(jīng)理的常見數(shù)據(jù)化分析思路清單（簡單趨勢、多維分解、漏斗轉(zhuǎn)化、用戶細(xì)分與RFM、A/B測試、2080原則）

l  關(guān)于團(tuán)隊(duì)的數(shù)據(jù)化運(yùn)營執(zhí)行力、

l  運(yùn)營執(zhí)行的全環(huán)節(jié)全流程（數(shù)據(jù)分析和模型遠(yuǎn)遠(yuǎn)不是全部，不同文案效果差異巨大）

l  企業(yè)數(shù)據(jù)化運(yùn)營的金字塔、

l  企業(yè)的價(jià)值鏈全流程數(shù)據(jù)化應(yīng)用（結(jié)合MT城市經(jīng)理的Job duty）

l  數(shù)據(jù)挖掘的主要成熟技術(shù)（回歸、分類、聚類、協(xié)同過濾、KNN、關(guān)聯(lián)分析、隨機(jī)森林、文本挖掘）

l  業(yè)務(wù)經(jīng)理對數(shù)據(jù)模型可解釋性的要求和評判（業(yè)務(wù)經(jīng)理必須要求數(shù)據(jù)分析師提交的模型或者數(shù)據(jù)報(bào)告要有業(yè)務(wù)可解釋性，什么是可解釋性？為什么要強(qiáng)調(diào)可解釋性？有哪些技術(shù)支持可解釋性？業(yè)務(wù)經(jīng)理是法官）

l   “不懂業(yè)務(wù)就不要談數(shù)據(jù)”（業(yè)務(wù)是核心、思路是重點(diǎn)、技術(shù)是工具）

l  參考數(shù)據(jù)分析師的專業(yè)成長階梯、基本思維框架和結(jié)構(gòu)化思維

l  一個(gè)基本的方法論（HSCTODC）

l  重點(diǎn)深入分析一個(gè)實(shí)際案例（從需求提出，到分析思路，到模型技術(shù)介紹，到如何優(yōu)化，到落地應(yīng)用的監(jiān)控、反饋、修正、提高）H層客戶流失預(yù)警挽留模型的項(xiàng)目實(shí)踐。

l   一個(gè)合格的數(shù)據(jù)報(bào)告的框架和要件

l  高效簡潔的匯報(bào)PPT寫作套路和框架