數(shù)據(jù)挖掘技術(shù)：市場(chǎng)營(yíng)銷、銷售與客戶關(guān)系管理領(lǐng)域應(yīng)用（原書第二版）

第1章數(shù)據(jù)挖掘的緣起和內(nèi)容
11分析客戶關(guān)系管理系統(tǒng)
111交易處理系統(tǒng)的作用
112數(shù)據(jù)倉(cāng)庫(kù)的作用
113數(shù)據(jù)挖掘的作用
114客戶關(guān)系管理策略的作用
12什么是數(shù)據(jù)挖掘
13數(shù)據(jù)挖掘可以完成哪些工作
131分類
132估計(jì)
133預(yù)測(cè)
134關(guān)聯(lián)分組或關(guān)聯(lián)規(guī)則
135聚類
136建立簡(jiǎn)檔
14為什么現(xiàn)在研究
141數(shù)據(jù)正在生成
142數(shù)據(jù)正在形成數(shù)據(jù)倉(cāng)庫(kù)
143計(jì)算能力足以承受
144客戶關(guān)系管理的興趣增強(qiáng)
145商業(yè)數(shù)據(jù)挖掘軟件產(chǎn)品已經(jīng)易于使用
15目前如何使用數(shù)據(jù)挖掘
151超級(jí)市場(chǎng)成為信息經(jīng)紀(jì)人
152基于推薦的商業(yè)
153交叉銷售
154抓住好的客戶
155淘汰差的客戶
156變革一個(gè)行業(yè)
157其他
16小結(jié)
第2章數(shù)據(jù)挖掘的良性循環(huán)
21商業(yè)數(shù)據(jù)挖掘案例研究
211識(shí)別商務(wù)挑戰(zhàn)
212應(yīng)用數(shù)據(jù)挖掘
213按照結(jié)果采取行動(dòng)
214測(cè)試效果
22何謂良性循環(huán)
221識(shí)別商業(yè)機(jī)會(huì)
222挖掘數(shù)據(jù)
223采取行動(dòng)
224測(cè)試結(jié)果
23良性循環(huán)環(huán)境下的數(shù)據(jù)挖掘
24移動(dòng)通信公司建立恰當(dāng)?shù)穆?lián)系
241機(jī)會(huì)
242如何應(yīng)用數(shù)據(jù)挖掘
243處理行動(dòng)
244完成循環(huán)
25神經(jīng)網(wǎng)絡(luò)和決策樹(shù)驅(qū)動(dòng)SUV的銷售
251最初的挑戰(zhàn)
252如何應(yīng)用數(shù)據(jù)挖掘
253最終措施
254完成循環(huán)
26小結(jié)
第3章數(shù)據(jù)挖掘方法論和最佳實(shí)踐
31為什么需要方法論
311獲取不真實(shí)的知識(shí)
312獲取真實(shí)但無(wú)用的知識(shí)
32假設(shè)測(cè)試
33模型、建立簡(jiǎn)檔和預(yù)測(cè)
331建立簡(jiǎn)檔
332預(yù)測(cè)
34方法論
341第一步：將商業(yè)問(wèn)題轉(zhuǎn)換為數(shù)據(jù)挖掘問(wèn)題
342第二步：選取合適數(shù)據(jù)
343第三步：設(shè)法理解數(shù)據(jù)
344第四步：創(chuàng)建模型集
345第五步：修復(fù)數(shù)據(jù)問(wèn)題
346第六步：變換數(shù)據(jù)，獲取信息
347第七步：建立模型
348第八步：評(píng)估模型
349第九步：部署模型
3410第十步：評(píng)估結(jié)果
3911第十一步：重新開(kāi)始
35小結(jié)
第4章數(shù)據(jù)挖掘在市場(chǎng)營(yíng)銷和客戶關(guān)系管理中的應(yīng)用
41尋找潛在客戶
411識(shí)別好的潛在客戶
412選擇溝通渠道
413遴選適當(dāng)?shù)男畔?br />42為選擇正確的廣告場(chǎng)所進(jìn)行數(shù)據(jù)挖掘
421誰(shuí)匹配簡(jiǎn)檔
422測(cè)量讀者群組的匹配度
43通過(guò)數(shù)據(jù)挖掘改進(jìn)定向市場(chǎng)營(yíng)銷活動(dòng)
431響應(yīng)建模
432優(yōu)化固定預(yù)算的響應(yīng)率
433優(yōu)化營(yíng)銷活動(dòng)收益
434接觸那些受相關(guān)信息影響最大的人們
435差別響應(yīng)分析
44使用當(dāng)前客戶來(lái)了解潛在客戶
441在他們成為客戶前就開(kāi)始跟蹤客戶
442從新客戶那里收集信息
443獲取時(shí)間變量可預(yù)測(cè)未來(lái)結(jié)果
45客戶關(guān)系管理數(shù)據(jù)挖掘
451按客戶需求策劃營(yíng)銷活動(dòng)
452劃分客戶群體
453減少信用風(fēng)險(xiǎn)
454決定客戶價(jià)值
455交叉銷售、提升銷售和銷售推薦
46保持和流失
461識(shí)別流失
462流失為什么重要
463不同類型的流失
464不同類型的流失模型
47小結(jié)
第5章統(tǒng)計(jì)學(xué)的魅力：數(shù)據(jù)挖掘常用的工具
51Occam的剃刀
511原假設(shè)
512p值
52觀察數(shù)據(jù)
521觀察離散數(shù)值
522觀察連續(xù)變量
523另一對(duì)統(tǒng)計(jì)概念
53測(cè)定響應(yīng)
531比例標(biāo)準(zhǔn)誤差
532使用置信界限比較結(jié)果
533使用比例差值比較結(jié)果
534樣本大小
535置信區(qū)間的真正含義
536實(shí)驗(yàn)的測(cè)試群組和對(duì)照群組大小
54多重比較
541多重比較下的置信層次
542Bonferroni修正
55卡方檢驗(yàn)
551期望值
552卡方值
553卡方與比例差值的比較
56示例：區(qū)域和起點(diǎn)的卡方
57數(shù)據(jù)挖掘和統(tǒng)計(jì)學(xué)異同
571原始數(shù)據(jù)中沒(méi)有測(cè)量誤差
572有大量的數(shù)據(jù)
573時(shí)間從屬性隨處出現(xiàn)
574試驗(yàn)是艱難的
575數(shù)據(jù)審查和截取
58小結(jié)
第6章決策樹(shù)
61什么是決策樹(shù)
611分類
612評(píng)分
613估計(jì)
614樹(shù)以多種形態(tài)生長(zhǎng)
62決策樹(shù)是如何長(zhǎng)成的
621發(fā)現(xiàn)拆分
622生成完全樹(shù)
623度量決策樹(shù)的有效性
63選擇最佳拆分的測(cè)試
631純度和發(fā)散性
632基尼或總體發(fā)散性
633熵歸約或信息增益
634信息增益比率
635卡方檢驗(yàn)
636方差歸約
637F測(cè)試
64修剪
641CART修剪算法
642C5修剪算法
643基于穩(wěn)定性的修剪
65從樹(shù)中提煉規(guī)則
66考慮成本
67決策樹(shù)方法的進(jìn)一步修正
671每次使用多于一個(gè)字段
672傾斜超平面
673神經(jīng)樹(shù)
674使用樹(shù)分段回歸
68決策樹(shù)的替代表示法
681方格圖
682樹(shù)年輪圖
69實(shí)際應(yīng)用中的決策樹(shù)
691決策樹(shù)作為數(shù)據(jù)探查工具
692把決策樹(shù)方法應(yīng)用于順序事件
693模擬未來(lái)
610小結(jié)
第7章人工神經(jīng)網(wǎng)絡(luò)
71歷史回眸
72房地產(chǎn)評(píng)估
73用于定向數(shù)據(jù)挖掘的神經(jīng)網(wǎng)絡(luò)
74神經(jīng)網(wǎng)絡(luò)是什么
741神經(jīng)網(wǎng)絡(luò)的單元是什么
742前饋神經(jīng)網(wǎng)絡(luò)
743神經(jīng)網(wǎng)絡(luò)如何使用反向傳播學(xué)習(xí)
744前饋網(wǎng)絡(luò)和反向傳播網(wǎng)絡(luò)的啟發(fā)
75選擇訓(xùn)練集
751覆蓋所有特征值
752特征數(shù)目
753訓(xùn)練集的大小
754輸出數(shù)目
76準(zhǔn)備數(shù)據(jù)
761具有連續(xù)數(shù)值的特征
762具有有序、離散(整數(shù))數(shù)值的特征
763具有分類數(shù)值的特征
764其他類型的特征
77解釋結(jié)果
78時(shí)間序列神經(jīng)網(wǎng)絡(luò)
79如何了解在神經(jīng)網(wǎng)絡(luò)內(nèi)部正在運(yùn)行的事情
710自組織映像
7101什么是自組織映像
7102實(shí)例： 發(fā)現(xiàn)簇
711小結(jié)
第8章最近鄰方法： 基于存儲(chǔ)的推理和協(xié)同過(guò)濾
81基于存儲(chǔ)的推理
82MBR面臨的挑戰(zhàn)
821選擇一組平衡的歷史記錄
822表示訓(xùn)練數(shù)據(jù)
823確定距離函數(shù)、 組合函數(shù)和鄰居的數(shù)目
83案例研究： 分類新聞報(bào)導(dǎo)
831什么是代碼
832應(yīng)用MBR
833結(jié)果
84測(cè)量距離
841什么是距離函數(shù)
842每次每個(gè)字段只建立一個(gè)距離函數(shù)
843其他數(shù)據(jù)類型的距離函數(shù)
844當(dāng)距離度量已經(jīng)存在時(shí)
85組合函數(shù)： 向鄰居求答案
851基本的方法： 民主
852加權(quán)投票
86協(xié)同過(guò)濾： 可以做出推薦的最近鄰方法
861建立簡(jiǎn)檔
862比較簡(jiǎn)檔
863做出預(yù)測(cè)
87小結(jié)
第9章購(gòu)物籃分析和關(guān)聯(lián)規(guī)則
91定義購(gòu)物籃分析
911購(gòu)物籃數(shù)據(jù)的三個(gè)層次
912訂單特征
913項(xiàng)流行性
914跟蹤市場(chǎng)干預(yù)
915按用途聚類產(chǎn)品
92關(guān)聯(lián)規(guī)則
921可操作的規(guī)則
922平凡的規(guī)則
923費(fèi)解的規(guī)則
93一個(gè)關(guān)聯(lián)規(guī)則有多好
94建立關(guān)聯(lián)規(guī)則
941選擇恰當(dāng)?shù)捻?xiàng)集
942從所有這些數(shù)據(jù)中生成規(guī)則
943克服實(shí)際局限
944大數(shù)據(jù)的問(wèn)題
95擴(kuò)展思想
951使用關(guān)聯(lián)規(guī)則比較店鋪
952無(wú)關(guān)規(guī)則
96使用關(guān)聯(lián)規(guī)則的順序分析
97小結(jié)
第10章鏈接分析
101圖論基礎(chǔ)
1011哥尼斯堡七橋問(wèn)題
1012旅行推銷員問(wèn)題
1013有向圖
1014檢測(cè)圖中的環(huán)
102鏈接分析的一個(gè)熟悉的應(yīng)用
1021Kleinberg算法
1022細(xì)節(jié)： 查找網(wǎng)絡(luò)中心和權(quán)威
1023實(shí)踐中的網(wǎng)絡(luò)中心和權(quán)威
103案例研究： 誰(shuí)在家中使用傳真機(jī)
1031為什么發(fā)現(xiàn)傳真機(jī)是有用的
1032用數(shù)據(jù)畫圖
1033方法
1034一些結(jié)果
104案例研究： 分段移動(dòng)電話客戶
1041數(shù)據(jù)
1042不使用圖論的分析
1043兩位客戶的對(duì)比
1044鏈接分析的力量
105小結(jié)
第11章自動(dòng)聚類探測(cè)
111搜索單純島狀片段
1111星光與星的亮度
1112適應(yīng)多維情況
112K平均聚類
1121K平均算法的三個(gè)步驟
1122K的意義
113相似性和距離
1131相似性度量與變量類型
1132相似性的常規(guī)度量
114聚類過(guò)程的數(shù)據(jù)準(zhǔn)備
1141利用比例縮放使變量相對(duì)一致
1142使用權(quán)重編碼外部信息
115聚類探測(cè)的其他途徑
1151高斯混合模型
1152凝聚聚類
1153分裂聚類
1154自組織映像
116評(píng)價(jià)簇
1161在簇內(nèi)部
1162在簇之外
117案例研究： 聚類城鎮(zhèn)
1171創(chuàng)造城鎮(zhèn)特征
1172創(chuàng)建簇
1173利用主題簇調(diào)整區(qū)域邊界
118小結(jié)
第12章市場(chǎng)營(yíng)銷中的風(fēng)險(xiǎn)函數(shù)和生存分析
121客戶保持
1211計(jì)算保持
1212保持曲線揭示的內(nèi)容
1213從保持曲線找出平均保有期
1214把客戶保持看做衰變
122風(fēng)險(xiǎn)
1221基本思想
1222風(fēng)險(xiǎn)函數(shù)示例
1223審查
1224其他類型的審查
123從風(fēng)險(xiǎn)到生存
1231保持
1232生存
124比例風(fēng)險(xiǎn)
1241比例風(fēng)險(xiǎn)實(shí)例
1242分層： 測(cè)量生存的初始結(jié)果
1243Cox比例風(fēng)險(xiǎn)
1244比例風(fēng)險(xiǎn)的局限性
125生存分析實(shí)踐
1251處理不同的流失類型
1252客戶何時(shí)會(huì)回來(lái)
1253預(yù)測(cè)
1254風(fēng)險(xiǎn)隨時(shí)間變化
126小結(jié)
第13章遺傳算法
131遺傳算法如何工作
1311計(jì)算機(jī)上的遺傳學(xué)
1312表示數(shù)據(jù)
132案例研究： 使用遺傳算法進(jìn)行資源優(yōu)化
133模式： 遺傳算法為什么起作用
134遺傳算法的更多應(yīng)用
1341在神經(jīng)網(wǎng)絡(luò)方面的應(yīng)用
1342案例研究： 為響應(yīng)建模完善一個(gè)解決方案
135超越簡(jiǎn)單算法
136小結(jié)
第14章數(shù)據(jù)挖掘貫穿客戶生存周期
141客戶關(guān)系層次
1411深度親密
1412大眾親密
1413中間關(guān)系
1414間接關(guān)系
142客戶生存周期
1421客戶生存周期： 生存階段
1422客戶生存周期
1423基于訂閱關(guān)系和基于事件關(guān)系的比較
143圍繞客戶生存周期組織商業(yè)過(guò)程
1431客戶獲取
1432客戶激活
1433關(guān)系管理
1434保持
1435贏回
144小結(jié)
第15章數(shù)據(jù)倉(cāng)庫(kù)、 OLAP和數(shù)據(jù)挖掘
151數(shù)據(jù)結(jié)構(gòu)
1511交易數(shù)據(jù)——基礎(chǔ)層
1512操作匯總數(shù)據(jù)
1513決策支持匯總數(shù)據(jù)
1514數(shù)據(jù)庫(kù)模式
1515元數(shù)據(jù)
1516商業(yè)規(guī)則
152數(shù)據(jù)倉(cāng)庫(kù)的大致結(jié)構(gòu)
1521源系統(tǒng)
1522提取、 轉(zhuǎn)化和加載
1523中央儲(chǔ)存庫(kù)
1524元數(shù)據(jù)儲(chǔ)存庫(kù)
1525數(shù)據(jù)集市
1526操作反饋
1527最終用戶和桌面工具
153OLAP適用于何處
1531立方體中的內(nèi)容
1532星形模式
1533OLAP和數(shù)據(jù)挖掘
154數(shù)據(jù)挖掘在哪里切入數(shù)據(jù)倉(cāng)庫(kù)
1541大量數(shù)據(jù)
1542一致的、 清潔的數(shù)據(jù)
1543假設(shè)測(cè)試和測(cè)量
1544可升級(jí)硬件及RDBMS支持
155小結(jié)
第16章構(gòu)造數(shù)據(jù)挖掘環(huán)境
161以客戶為中心的組織
162理想的數(shù)據(jù)挖掘環(huán)境
1621確定什么數(shù)據(jù)可用的能力
1622將數(shù)據(jù)轉(zhuǎn)化為可操作信息的技巧
1623所有必需的工具
163返回現(xiàn)實(shí)世界
1631建立以客戶為中心的組織
1632創(chuàng)建單個(gè)客戶視圖
1633定義以客戶為中心的度量標(biāo)準(zhǔn)
1634收集正確的數(shù)據(jù)
1635從客戶交互到學(xué)習(xí)機(jī)會(huì)
1636挖掘客戶數(shù)據(jù)
164數(shù)據(jù)挖掘組
1641外包數(shù)據(jù)挖掘
1642內(nèi)部數(shù)據(jù)挖掘
1643數(shù)據(jù)挖掘組成員需要具備的條件
165數(shù)據(jù)挖掘基礎(chǔ)設(shè)施
1651挖掘平臺(tái)
1652評(píng)分平臺(tái)
1653一個(gè)產(chǎn)品數(shù)據(jù)挖掘結(jié)構(gòu)實(shí)例
166數(shù)據(jù)挖掘軟件
1661所應(yīng)用的技術(shù)范圍
1662可擴(kuò)展性
1663評(píng)分支持
1664用戶界面的多種層次
1665可理解的輸出
1666處理各種數(shù)據(jù)類型的能力
1667文檔及簡(jiǎn)單使用
1668對(duì)新手和高級(jí)用戶的培訓(xùn)、咨詢和支持
1669賣方可信度
167小結(jié)
第17章為挖掘準(zhǔn)備數(shù)據(jù)
171數(shù)據(jù)應(yīng)該像什么
1711客戶特征標(biāo)識(shí)
1712列
1713模型在建模中的角色
1714變量度量
1715用于數(shù)據(jù)挖掘的數(shù)據(jù)
172構(gòu)建客戶特征標(biāo)識(shí)
1721編寫數(shù)據(jù)目錄
1722識(shí)別客戶
1723第一次嘗試
1724取得進(jìn)展
1725實(shí)際的問(wèn)題
173探查變量
1731直方圖分布
1732隨時(shí)間變化
1733交叉表
174衍生變量
1741提取來(lái)自單個(gè)數(shù)值的特征
1742在記錄內(nèi)合并數(shù)值
1743查找輔助信息
1744轉(zhuǎn)軸正則時(shí)間序列
1745匯總交易記錄
1746匯總跨越模型集的字段
175基于行為變量的例子
1751購(gòu)買頻率
1752衰減使用
1753旋轉(zhuǎn)者、 交易商和便利用戶：定義客戶行為
176數(shù)據(jù)的黑暗面
1761缺失值
1762臟數(shù)據(jù)
1763不一致數(shù)值
177計(jì)算問(wèn)題
1771源系統(tǒng)
1772提取工具
1773專用代碼
1774數(shù)據(jù)挖掘工具
178小結(jié)
第18章應(yīng)用數(shù)據(jù)挖掘
181開(kāi)始
1811從概念驗(yàn)證方案中能期待什么
1812識(shí)別概念驗(yàn)證方案
1813實(shí)現(xiàn)概念驗(yàn)證方案
182選擇數(shù)據(jù)挖掘技術(shù)
1821將商務(wù)目標(biāo)轉(zhuǎn)換為數(shù)據(jù)挖掘任務(wù)
1822決定數(shù)據(jù)的相關(guān)特性
1823考慮混合方法
183公司如何開(kāi)展數(shù)據(jù)挖掘
1831保持的對(duì)照實(shí)驗(yàn)
1832數(shù)據(jù)
1833一些發(fā)現(xiàn)
1834實(shí)踐出真知
184小結(jié)