数据挖掘技术 市场营销、销售和客户关系管理领域应用 第2版PDF|Epub|txt|kindle电子书版本网盘下载

数据挖掘技术 市场营销、销售和客户关系管理领域应用 第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1.1 分析客户关系管理系统1

第1章 数据挖掘的缘起和内容1

1.1.1 交易处理系统的作用2

1.1.2 数据仓库的作用3

1.1.3 数据挖掘的作用3

1.1.4 客户关系管理策略的作用4

1.2 什么是数据挖掘4

1.3 数据挖掘可以完成哪些工作5

1.3.1 分类5

1.3.2 估计6

1.3.3 预测6

1.3.5 聚类7

1.3.6 建立简档7

1.3.4 关联分组或关联规则7

1.4 为什么现在研究8

1.4.1 数据正在生成8

1.4.2 数据正在形成数据仓库8

1.4.3 计算能力足以承受8

1.4.4 客户关系管理的兴趣增强9

1.4.5 商业数据挖掘软件产品已经易于使用9

1.5 目前如何使用数据挖掘10

1.5.1 超级市场成为信息经纪人10

1.5.2 基于推荐的商业10

1.5.3 交叉销售11

1.5.4 抓住好的客户11

1.5.5 淘汰差的客户11

1.5.6 变革一个行业11

1.6 小结12

1.5.7 其他12

第2章 数据挖掘的良性循环13

2.1 商业数据挖掘案例研究14

2.1.1 识别商务挑战14

2.1.2 应用数据挖掘14

2.1.3 按照结果采取行动15

2.1.4 测试效果16

2.2 何谓良性循环16

2.2.1 识别商业机会17

2.2.2 挖掘数据17

2.2.3 采取行动19

2.2.4 测试结果19

2.3 良性循环环境下的数据挖掘20

2.4 移动通信公司建立恰当的联系21

2.4.1 机会22

2.4.2 如何应用数据挖掘23

2.4.3 处理行动24

2.4.4 完成循环24

2.5 神经网络和决策树驱动SUV的销售25

2.5.1 最初的挑战25

2.5.2 如何应用数据挖掘25

2.5.3 最终措施26

2.5.4 完成循环27

2.6 小结27

第3章 数据挖掘方法论和最佳实践29

3.1 为什么需要方法论29

3.1.1 获取不真实的知识29

3.1.2 获取真实但无用的知识32

3.2 假设测试33

3.3 模型、建立简档和预测34

3.3.1 建立简档36

3.3.2 预测36

3.4 方法论36

3.4.1 第一步：将商业问题转换为数据挖掘问题37

3.4.2 第二步：选取合适数据40

3.4.3 第三步：设法理解数据43

3.4.4 第四步：创建模型集45

3.4.5 第五步：修复数据问题48

3.4.6 第六步：变换数据，获取信息50

3.4.8 第八步：评估模型52

3.4.7 第七步：建立模型52

3.4.9 第九步：部署模型57

3.4.10 第十步：评估结果57

3.9.11 第十一步：重新开始57

3.5 小结58

第4章 数据挖掘在市场营销和客户关系管理中的应用59

4.1 寻找潜在客户59

4.1.1 识别好的潜在客户59

4.1.2 选择沟通渠道60

4.1.3 遴选适当的信息60

4.2 为选择正确的广告场所进行数据挖掘61

4.2.1 谁匹配简档61

4.2.2 测量读者群组的匹配度62

4.3 通过数据挖掘改进定向市场营销活动64

4.3.2 优化固定预算的响应率65

4.3.1 响应建模65

4.3.3 优化营销活动收益67

4.3.4 接触那些受相关信息影响最大的人们71

4.3.5 差别响应分析72

4.4 使用当前客户来了解潜在客户73

4.4.1 在他们成为客户前就开始跟踪客户73

4.4.2 从新客户那里收集信息74

4.4.3 获取时间变量可预测未来结果74

4.5 客户关系管理数据挖掘74

4.5.1 按客户需求策划营销活动75

4.5.2 划分客户群体75

4.5.3 减少信用风险77

4.5.4 决定客户价值77

4.6.1 识别流失78

4.5.5 交叉销售、提升销售和销售推荐78

4.6 保持和流失78

4.6.2 流失为什么重要79

4.6.3 不同类型的流失80

4.6.4 不同类型的流失模型80

4.7 小结81

第5章 统计学的魅力：数据挖掘常用的工具83

5.1 Occam的剃刀84

5.1.1 原假设84

5.1.2 p值85

5.2 观察数据85

5.2.1 观察离散数值85

5.2.2 观察连续变量92

5.2.3 另一对统计概念93

5.3.1 比例标准误差94

5.3 测定响应94

5.3.2 使用置信界限比较结果95

5.3.3 使用比例差值比较结果96

5.3.4 样本大小97

5.3.5 置信区间的真正含义97

5.3.6 实验的测试群组和对照群组大小98

5.4 多重比较99

5.4.1 多重比较下的置信层次99

5.4.2 Bonferroni修正100

5.5 卡方检验100

5.5.1 期望值100

5.5.2 卡方值101

5.6 示例：区域和起点的卡方103

5.5.3 卡方与比例差值的比较103

5.7 数据挖掘和统计学异同106

5.7.1 原始数据中没有测量误差106

5.7.2 有大量的数据106

5.7.3 时间从属性随处出现107

5.7.4 试验是艰难的107

5.7.5 数据审查和截取107

5.8 小结108

第6章 决策树111

6.1 什么是决策树111

6.1.1 分类112

6.1.2 评分112

6.1.3 估计114

6.1.4 树以多种形态生长114

6.2.1 发现拆分115

6.2 决策树是如何长成的115

6.2.2 生成完全树118

6.2.3 度量决策树的有效性118

6.3 选择最佳拆分的测试119

6.3.1 纯度和发散性119

6.3.2 基尼或总体发散性120

6.3.3 熵归约或信息增益121

6.3.4 信息增益比率121

6.3.5 卡方检验122

6.3.6 方差归约124

6.3.7 F测试124

6.4 修剪124

6.4.1 CART修剪算法125

6.4.2 C5修剪算法128

6.4.3 基于稳定性的修剪129

6.5 从树中提炼规则130

6.6 考虑成本131

6.7 决策树方法的进一步修正132

6.7.1 每次使用多于一个字段132

6.7.2 倾斜超平面133

6.7.3 神经树134

6.7.4 使用树分段回归135

6.8 决策树的替代表示法135

6.8.1 方格图135

6.8.2 树年轮图137

6.9 实际应用中的决策树138

6.9.1 决策树作为数据探查工具138

6.9.2 把决策树方法应用于顺序事件139

6.9.3 模拟未来140

6.10 小结142

第7章 人工神经网络143

7.1 历史回眸143

7.2 房地产评估144

7.3 用于定向数据挖掘的神经网络148

7.4 神经网络是什么149

7.4.1 神经网络的单元是什么150

7.4.2 前馈神经网络153

7.4.3 神经网络如何使用反向传播学习154

7.4.4 前馈网络和反向传播网络的启发156

7.5 选择训练集157

7.5.1 覆盖所有特征值157

7.5.2 特征数目157

7.5.4 输出数目158

7.5.3 训练集的大小158

7.6 准备数据159

7.6.1 具有连续数值的特征159

7.6.2 具有有序、离散（整数）数值的特征161

7.6.3 具有分类数值的特征162

7.6.4 其他类型的特征163

7.7 解释结果163

7.8 时间序列神经网络165

7.9 如何了解在神经网络内部正在运行的事情167

7.10 自组织映像168

7.10.1 什么是自组织映像168

7.10.2 实例：发现簇171

7.11 小结172

8.1 基于存储的推理175

第8章 最近邻方法：基于存储的推理和协同过滤175

8.2 MBR面临的挑战178

8.2.1 选择一组平衡的历史记录179

8.2.2 表示训练数据179

8.2.3 确定距离函数、组合函数和邻居的数目180

8.3 案例研究：分类新闻报导181

8.3.1 什么是代码181

8.3.2 应用MBR181

8.3.3 结果183

8.4 测量距离184

8.4.1 什么是距离函数184

8.4.2 每次每个字段只建立一个距离函数186

8.4.3 其他数据类型的距离函数189

8.4.4 当距离度量已经存在时189

8.5.1 基本的方法：民主190

8.5 组合函数：向邻居求答案190

8.5.2 加权投票191

8.6 协同过滤：可以做出推荐的最近邻方法192

8.6.1 建立简档192

8.6.2 比较简档193

8.6.3 做出预测193

8.7 小结194

第9章 购物篮分析和关联规则195

9.1 定义购物篮分析196

9.1.1 购物篮数据的三个层次196

9.1.2 订单特征197

9.1.3 项流行性199

9.1.4 跟踪市场干预199

9.1.5 按用途聚类产品200

9.2 关联规则201

9.2.1 可操作的规则201

9.2.2 平凡的规则201

9.2.3 费解的规则202

9.3 一个关联规则有多好203

9.4 建立关联规则205

9.4.1 选择恰当的项集206

9.4.2 从所有这些数据中生成规则209

9.4.3 克服实际局限211

9.4.4 大数据的问题213

9.5 扩展思想213

9.5.1 使用关联规则比较店铺213

9.5.2 无关规则214

9.6 使用关联规则的顺序分析215

9.7 小结215

第10章 链接分析217

10.1 图论基础217

10.1.1 哥尼斯堡七桥问题219

10.1.2 旅行推销员问题221

10.1.3 有向图222

10.1.4 检测图中的环223

10.2 链接分析的一个熟悉的应用223

10.2.1 Kleinberg算法224

10.2.2 细节：查找网络中心和权威225

10.2.3 实践中的网络中心和权威226

10.3.1 为什么发现传真机是有用的227

10.3.2 用数据画图227

10.3 案例研究：谁在家中使用传真机227

10.3.3 方法228

10.3.4 一些结果229

10.4 案例研究：分段移动电话客户232

10.4.1 数据232

10.4.2 不使用图论的分析232

10.4.3 两位客户的对比232

10.4.4 链接分析的力量234

10.5 小结234

第11章 自动聚类探测235

11.1 搜索单纯岛状片段235

11.1.1 星光与星的亮度236

11.1.2 适应多维情况237

11.2.1 K平均算法的三个步骤238

11.2 K平均聚类238

11.2.2 K的意义240

11.3 相似性和距离241

11.3.1 相似性度量与变量类型242

11.3.2 相似性的常规度量242

11.4 聚类过程的数据准备244

11.4.1 利用比例缩放使变量相对一致245

11.4.2 使用权重编码外部信息245

11.5 聚类探测的其他途径246

11.5.1 高斯混合模型246

11.5.2 凝聚聚类247

11.5.3 分裂聚类249

11.5.4 自组织映像250

11.6 评价簇250

11.7 案例研究：聚类城镇251

11.6.1 在簇内部251

11.6.2 在簇之外251

11.7.1 创造城镇特征252

11.7.2 创建簇253

11.7.3 利用主题簇调整区域边界256

11.8 小结256

第12章 市场营销中的风险函数和生存分析259

12.1 客户保持260

12.1.1 计算保持260

12.1.2 保持曲线揭示的内容261

12.1.3 从保持曲线找出平均保有期262

12.1.4 把客户保持看做衰变263

12.2 风险266

12.2.1 基本思想266

12.2.2 风险函数示例268

12.2.3 审查270

12.2.4 其他类型的审查271

12.3 从风险到生存273

12.3.1 保持273

12.3.2 生存274

12.4 比例风险275

12.4.1 比例风险实例276

12.4.2 分层：测量生存的初始结果276

12.4.3 Cox比例风险277

12.4.4 比例风险的局限性277

12.5 生存分析实践278

12.5.1 处理不同的流失类型278

12.5.2 客户何时会回来279

12.5.3 预测280

12.5.4 风险随时间变化281

12.6 小结282

第13章 遗传算法283

13.1 遗传算法如何工作284

13.1.1 计算机上的遗传学284

13.1.2 表示数据290

13.2 案例研究：使用遗传算法进行资源优化290

13.3 模式：遗传算法为什么起作用291

13.4 遗传算法的更多应用294

13.4.1 在神经网络方面的应用294

13.4.2 案例研究：为响应建模完善一个解决方案295

13.5 超越简单算法298

13.6 小结299

14.1 客户关系层次301

第14章 数据挖掘贯穿客户生存周期301

14.1.1 深度亲密302

14.1.2 大众亲密303

14.1.3 中间关系304

14.1.4 间接关系304

14.2 客户生存周期305

14.2.1 客户生存周期：生存阶段306

14.2.2 客户生存周期306

14.2.3 基于订阅关系和基于事件关系的比较307

14.3 围绕客户生存周期组织商业过程309

14.3.1 客户获取310

14.3.2 客户激活312

14.3.3 关系管理313

14.3.4 保持314

14.3.5 赢回315

14.4 小结315

第15章 数据仓库、OLAP和数据挖掘317

15.1 数据结构318

15.1.1 交易数据——基础层318

15.1.2 操作汇总数据319

15.1.3 决策支持汇总数据319

15.1.4 数据库模式320

15.1.5 元数据323

15.1.6 商业规则323

15.2 数据仓库的大致结构324

15.2.1 源系统325

15.2.2 提取、转化和加载325

15.2.3 中央储存库326

15.2.4 元数据储存库328

15.2.5 数据集市329

15.2.6 操作反馈329

15.2.7 最终用户和桌面工具329

15.3 OLAP适用于何处331

15.3.1 立方体中的内容332

15.3.2 星形模式337

15.3.3 OLAP和数据挖掘339

15.4 数据挖掘在哪里切入数据仓库340

15.4.1 大量数据340

15.4.2 一致的、清洁的数据340

15.4.3 假设测试和测量341

15.4.4 可升级硬件及RDBMS支持341

15.5 小结342

16.1 以客户为中心的组织343

第16章 构造数据挖掘环境343

16.2 理想的数据挖掘环境344

16.2.1 确定什么数据可用的能力344

16.2.2 将数据转化为可操作信息的技巧345

16.2.3 所有必需的工具345

16.3 返回现实世界345

16.3.1 建立以客户为中心的组织345

16.3.2 创建单个客户视图346

16.3.3 定义以客户为中心的度量标准346

16.3.4 收集正确的数据347

16.3.6 挖掘客户数据348

16.4 数据挖掘组348

16.3.5 从客户交互到学习机会348

16.4.1 外包数据挖掘349

16.4.2 内部数据挖掘350

16.4.3 数据挖掘组成员需要具备的条件351

16.5 数据挖掘基础设施351

16.5.1 挖掘平台352

16.5.2 评分平台352

16.5.3 一个产品数据挖掘结构实例352

16.6 数据挖掘软件355

16.6.1 所应用的技术范围355

16.6.2 可扩展性356

16.6.3 评分支持357

16.6.4 用户界面的多种层次357

16.6.8 对新手和高级用户的培训、咨询和支持358

16.6.7 文档及简单使用358

16.6.6 处理各种数据类型的能力358

16.6.5 可理解的输出358

16.6.9 卖方可信度359

16.7 小结359

第17章 为挖掘准备数据361

17.1 数据应该像什么361

17.1.1 客户特征标识362

17.1.2 列363

17.1.3 模型在建模中的角色366

17.1.4 变量度量368

17.1.5 用于数据挖掘的数据373

17.2 构建客户特征标识373

17.2.2 识别客户374

17.2.1 编写数据目录374

17.2.3 第一次尝试376

17.2.4 取得进展377

17.2.5 实际的问题378

17.3 探查变量378

17.3.1 直方图分布378

17.3.2 随时间变化378

17.3.3 交叉表380

17.4 衍生变量380

17.4.1 提取来自单个数值的特征380

17.4.2 在记录内合并数值381

17.4.3 查找辅助信息381

17.4.4 转轴正则时间序列383

17.4.5 汇总交易记录384

17.5 基于行为变量的例子385

17.4.6 汇总跨越模型集的字段385

17.5.1 购买频率386

17.5.2 衰减使用387

17.5.3 旋转者、交易商和便利用户：定义客户行为388

17.6 数据的黑暗面393

17.6.1 缺失值394

17.6.2 脏数据395

17.6.3 不一致数值396

17.7 计算问题396

17.7.1 源系统397

17.7.2 提取工具397

17.7.3 专用代码397

17.7.4 数据挖掘工具397

17.8 小结398

18.1 开始399

第18章 应用数据挖掘399

18.1.1 从概念验证方案中能期待什么400

18.1.2 识别概念验证方案400

18.1.3 实现概念验证方案401

18.2 选择数据挖掘技术404

18.2.1 将商务目标转换为数据挖掘任务404

18.2.2 决定数据的相关特性404

18.2.3 考虑混合方法405

18.3 公司如何开展数据挖掘406

18.3.1 保持的对照实验406

18.3.2 数据408

18.3.3 一些发现409

18.3.4 实践出真知409

18.4 小结410