數據挖掘技術：市場營銷、銷售與客戶關系管理領域應用（原書第二版）

第1章數據挖掘的緣起和內容
11分析客戶關系管理系統(tǒng)
111交易處理系統(tǒng)的作用
112數據倉庫的作用
113數據挖掘的作用
114客戶關系管理策略的作用
12什么是數據挖掘
13數據挖掘可以完成哪些工作
131分類
132估計
133預測
134關聯(lián)分組或關聯(lián)規(guī)則
135聚類
136建立簡檔
14為什么現在研究
141數據正在生成
142數據正在形成數據倉庫
143計算能力足以承受
144客戶關系管理的興趣增強
145商業(yè)數據挖掘軟件產品已經易于使用
15目前如何使用數據挖掘
151超級市場成為信息經紀人
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變革一個行業(yè)
157其他
16小結
第2章數據挖掘的良性循環(huán)
21商業(yè)數據挖掘案例研究
211識別商務挑戰(zhàn)
212應用數據挖掘
213按照結果采取行動
214測試效果
22何謂良性循環(huán)
221識別商業(yè)機會
222挖掘數據
223采取行動
224測試結果
23良性循環(huán)環(huán)境下的數據挖掘
24移動通信公司建立恰當的聯(lián)系
241機會
242如何應用數據挖掘
243處理行動
244完成循環(huán)
25神經網絡和決策樹驅動SUV的銷售
251最初的挑戰(zhàn)
252如何應用數據挖掘
253最終措施
254完成循環(huán)
26小結
第3章數據挖掘方法論和最佳實踐
31為什么需要方法論
311獲取不真實的知識
312獲取真實但無用的知識
32假設測試
33模型、建立簡檔和預測
331建立簡檔
332預測
34方法論
341第一步：將商業(yè)問題轉換為數據挖掘問題
342第二步：選取合適數據
343第三步：設法理解數據
344第四步：創(chuàng)建模型集
345第五步：修復數據問題
346第六步：變換數據，獲取信息
347第七步：建立模型
348第八步：評估模型
349第九步：部署模型
3410第十步：評估結果
3911第十一步：重新開始
35小結
第4章數據挖掘在市場營銷和客戶關系管理中的應用
41尋找潛在客戶
411識別好的潛在客戶
412選擇溝通渠道
413遴選適當的信息
42為選擇正確的廣告場所進行數據挖掘
421誰匹配簡檔
422測量讀者群組的匹配度
43通過數據挖掘改進定向市場營銷活動
431響應建模
432優(yōu)化固定預算的響應率
433優(yōu)化營銷活動收益
434接觸那些受相關信息影響最大的人們
435差別響應分析
44使用當前客戶來了解潛在客戶
441在他們成為客戶前就開始跟蹤客戶
442從新客戶那里收集信息
443獲取時間變量可預測未來結果
45客戶關系管理數據挖掘
451按客戶需求策劃營銷活動
452劃分客戶群體
453減少信用風險
454決定客戶價值
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
第5章統(tǒng)計學的魅力：數據挖掘常用的工具
51Occam的剃刀
511原假設
512p值
52觀察數據
521觀察離散數值
522觀察連續(xù)變量
523另一對統(tǒng)計概念
53測定響應
531比例標準誤差
532使用置信界限比較結果
533使用比例差值比較結果
534樣本大小
535置信區(qū)間的真正含義
536實驗的測試群組和對照群組大小
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
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)域和起點的卡方
57數據挖掘和統(tǒng)計學異同
571原始數據中沒有測量誤差
572有大量的數據
573時間從屬性隨處出現
574試驗是艱難的
575數據審查和截取
58小結
第6章決策樹
61什么是決策樹
611分類
612評分
613估計
614樹以多種形態(tài)生長
62決策樹是如何長成的
621發(fā)現拆分
622生成完全樹
623度量決策樹的有效性
63選擇最佳拆分的測試
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
636方差歸約
637F測試
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從樹中提煉規(guī)則
66考慮成本
67決策樹方法的進一步修正
671每次使用多于一個字段
672傾斜超平面
673神經樹
674使用樹分段回歸
68決策樹的替代表示法
681方格圖
682樹年輪圖
69實際應用中的決策樹
691決策樹作為數據探查工具
692把決策樹方法應用于順序事件
693模擬未來
610小結
第7章人工神經網絡
71歷史回眸
72房地產評估
73用于定向數據挖掘的神經網絡
74神經網絡是什么
741神經網絡的單元是什么
742前饋神經網絡
743神經網絡如何使用反向傳播學習
744前饋網絡和反向傳播網絡的啟發(fā)
75選擇訓練集
751覆蓋所有特征值
752特征數目
753訓練集的大小
754輸出數目
76準備數據
761具有連續(xù)數值的特征
762具有有序、離散(整數)數值的特征
763具有分類數值的特征
764其他類型的特征
77解釋結果
78時間序列神經網絡
79如何了解在神經網絡內部正在運行的事情
710自組織映像
7101什么是自組織映像
7102實例： 發(fā)現簇
711小結
第8章最近鄰方法： 基于存儲的推理和協(xié)同過濾
81基于存儲的推理
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表示訓練數據
823確定距離函數、 組合函數和鄰居的數目
83案例研究： 分類新聞報導
831什么是代碼
832應用MBR
833結果
84測量距離
841什么是距離函數
842每次每個字段只建立一個距離函數
843其他數據類型的距離函數
844當距離度量已經存在時
85組合函數： 向鄰居求答案
851基本的方法： 民主
852加權投票
86協(xié)同過濾： 可以做出推薦的最近鄰方法
861建立簡檔
862比較簡檔
863做出預測
87小結
第9章購物籃分析和關聯(lián)規(guī)則
91定義購物籃分析
911購物籃數據的三個層次
912訂單特征
913項流行性
914跟蹤市場干預
915按用途聚類產品
92關聯(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費解的規(guī)則
93一個關聯(lián)規(guī)則有多好
94建立關聯(lián)規(guī)則
941選擇恰當的項集
942從所有這些數據中生成規(guī)則
943克服實際局限
944大數據的問題
95擴展思想
951使用關聯(lián)規(guī)則比較店鋪
952無關規(guī)則
96使用關聯(lián)規(guī)則的順序分析
97小結
第10章鏈接分析
101圖論基礎
1011哥尼斯堡七橋問題
1012旅行推銷員問題
1013有向圖
1014檢測圖中的環(huán)
102鏈接分析的一個熟悉的應用
1021Kleinberg算法
1022細節(jié)： 查找網絡中心和權威
1023實踐中的網絡中心和權威
103案例研究： 誰在家中使用傳真機
1031為什么發(fā)現傳真機是有用的
1032用數據畫圖
1033方法
1034一些結果
104案例研究： 分段移動電話客戶
1041數據
1042不使用圖論的分析
1043兩位客戶的對比
1044鏈接分析的力量
105小結
第11章自動聚類探測
111搜索單純島狀片段
1111星光與星的亮度
1112適應多維情況
112K平均聚類
1121K平均算法的三個步驟
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聚類過程的數據準備
1141利用比例縮放使變量相對一致
1142使用權重編碼外部信息
115聚類探測的其他途徑
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評價簇
1161在簇內部
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利用主題簇調整區(qū)域邊界
118小結
第12章市場營銷中的風險函數和生存分析
121客戶保持
1211計算保持
1212保持曲線揭示的內容
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風險
1221基本思想
1222風險函數示例
1223審查
1224其他類型的審查
123從風險到生存
1231保持
1232生存
124比例風險
1241比例風險實例
1242分層： 測量生存的初始結果
1243Cox比例風險
1244比例風險的局限性
125生存分析實踐
1251處理不同的流失類型
1252客戶何時會回來
1253預測
1254風險隨時間變化
126小結
第13章遺傳算法
131遺傳算法如何工作
1311計算機上的遺傳學
1312表示數據
132案例研究： 使用遺傳算法進行資源優(yōu)化
133模式： 遺傳算法為什么起作用
134遺傳算法的更多應用
1341在神經網絡方面的應用
1342案例研究： 為響應建模完善一個解決方案
135超越簡單算法
136小結
第14章數據挖掘貫穿客戶生存周期
141客戶關系層次
1411深度親密
1412大眾親密
1413中間關系
1414間接關系
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基于訂閱關系和基于事件關系的比較
143圍繞客戶生存周期組織商業(yè)過程
1431客戶獲取
1432客戶激活
1433關系管理
1434保持
1435贏回
144小結
第15章數據倉庫、 OLAP和數據挖掘
151數據結構
1511交易數據——基礎層
1512操作匯總數據
1513決策支持匯總數據
1514數據庫模式
1515元數據
1516商業(yè)規(guī)則
152數據倉庫的大致結構
1521源系統(tǒng)
1522提取、 轉化和加載
1523中央儲存庫
1524元數據儲存庫
1525數據集市
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立方體中的內容
1532星形模式
1533OLAP和數據挖掘
154數據挖掘在哪里切入數據倉庫
1541大量數據
1542一致的、 清潔的數據
1543假設測試和測量
1544可升級硬件及RDBMS支持
155小結
第16章構造數據挖掘環(huán)境
161以客戶為中心的組織
162理想的數據挖掘環(huán)境
1621確定什么數據可用的能力
1622將數據轉化為可操作信息的技巧
1623所有必需的工具
163返回現實世界
1631建立以客戶為中心的組織
1632創(chuàng)建單個客戶視圖
1633定義以客戶為中心的度量標準
1634收集正確的數據
1635從客戶交互到學習機會
1636挖掘客戶數據
164數據挖掘組
1641外包數據挖掘
1642內部數據挖掘
1643數據挖掘組成員需要具備的條件
165數據挖掘基礎設施
1651挖掘平臺
1652評分平臺
1653一個產品數據挖掘結構實例
166數據挖掘軟件
1661所應用的技術范圍
1662可擴展性
1663評分支持
1664用戶界面的多種層次
1665可理解的輸出
1666處理各種數據類型的能力
1667文檔及簡單使用
1668對新手和高級用戶的培訓、咨詢和支持
1669賣方可信度
167小結
第17章為挖掘準備數據
171數據應該像什么
1711客戶特征標識
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用于數據挖掘的數據
172構建客戶特征標識
1721編寫數據目錄
1722識別客戶
1723第一次嘗試
1724取得進展
1725實際的問題
173探查變量
1731直方圖分布
1732隨時間變化
1733交叉表
174衍生變量
1741提取來自單個數值的特征
1742在記錄內合并數值
1743查找輔助信息
1744轉軸正則時間序列
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購買頻率
1752衰減使用
1753旋轉者、 交易商和便利用戶：定義客戶行為
176數據的黑暗面
1761缺失值
1762臟數據
1763不一致數值
177計算問題
1771源系統(tǒng)
1772提取工具
1773專用代碼
1774數據挖掘工具
178小結
第18章應用數據挖掘
181開始
1811從概念驗證方案中能期待什么
1812識別概念驗證方案
1813實現概念驗證方案
182選擇數據挖掘技術
1821將商務目標轉換為數據挖掘任務
1822決定數據的相關特性
1823考慮混合方法
183公司如何開展數據挖掘
1831保持的對照實驗
1832數據
1833一些發(fā)現
1834實踐出真知
184小結