商務(wù)數(shù)據(jù)挖掘與應(yīng)用案例分析

上篇 認識篇
第1章 緒論
1.1 引例
1.2 數(shù)據(jù)挖掘產(chǎn)生的背景及概念
1.2.1 數(shù)據(jù)挖掘產(chǎn)生的背景
1.2.2 數(shù)據(jù)挖掘概念
1.3 數(shù)據(jù)挖掘任務(wù)及過程
1.3.1 數(shù)據(jù)挖掘任務(wù)
1.3.2 數(shù)據(jù)挖掘過程
1.4 數(shù)據(jù)挖掘常用軟件簡介
1.5 數(shù)據(jù)挖掘在商業(yè)領(lǐng)域中的應(yīng)用
1.5.1 市場營銷
1.5.2 交叉銷售與交叉營銷
1.5.3 客戶關(guān)系管理
1.5.4 個性化推薦與個性化服務(wù)
1.5.5 風險分析與控制
1.5.6 欺詐行為檢測和異常模式的發(fā)現(xiàn)
1.5.7 供應(yīng)鏈庫存管理中的需求預測
1.5.8 人力資源管理
1.6 數(shù)據(jù)挖掘技術(shù)的前景
1.7 本章小結(jié)
第2章 數(shù)據(jù)挖掘建模方法
2.1 概述
2.2 業(yè)務(wù)理解
2.3 數(shù)據(jù)理解
2.4 數(shù)據(jù)準備
2.5 建模
2.5.1 成功建立預測模型的注意要點
2.5.2 如何建立有效的預測模型
2.6 評估
2.7 部署
2.8 本章小結(jié)
中篇 技術(shù)篇
第3章 聚類分析
3.1 概述
3.2 相似性度量
3.2.1 數(shù)據(jù)及數(shù)據(jù)類型
3.2.2 屬性之間的相似性度量
3.2.3 對象之間的相似性度量
3.3 k-means 算法及其改進
3.3.1 k-means 算法
3.3.2 k-means聚類算法的改進
3.4 一趟聚類算法
3.4.1 算法描述
3.4.2 聚類閾值的選擇策略
3.5 層次聚類算法
3.5.1 概述
3.5.2 BIRCH算法
3.5.3 兩步聚類算法
3.6 SOM算法
3.6.1 SOM算法中網(wǎng)絡(luò)的拓撲結(jié)構(gòu)
3.6.2 SOM算法的聚類原理
3.7 聚類算法評價
3.7.1 監(jiān)督度量
3.7.2 非監(jiān)督度量
3.8 綜合例子
3.9 本章小結(jié)
第4章 分類
4.1 概述
4.2 決策樹分類方法
4.2.1 決策樹的基本概念
4.2.2 決策樹的構(gòu)建
4.2.3 Hunt算法
4.2.4 C4.5分類算法
4.2.5 CART算法
4.2.6 C4.5 與CART算法的區(qū)別
4.2.7 決策樹分類算法的優(yōu)點
4.3 樸素貝葉斯分類方法
4.3.1 樸素貝葉斯算法的相關(guān)概念
4.3.2 零條件概率問題的處理
4.3.3 樸素貝葉斯算法的優(yōu)缺點
4.4 最近鄰KNN分類方法
4.4.1 最近鄰分類的基本概念
4.4.2 KNN算法優(yōu)缺點
4.4.3 KNN的擴展
4.5 集成分類器
4.5.1 集成分類器的過程描述
4.5.2 構(gòu)建集成分類器的方法
4.5.3 集成分類器方法優(yōu)缺點
4.6 分類方法評價
4.7 綜合例子
4.8 本章小結(jié)
第5章 關(guān)聯(lián)規(guī)則分析
5.1 概述
5.2 關(guān)聯(lián)規(guī)則分析基礎(chǔ)
5.2.1 基本概念
5.2.2 基礎(chǔ)分析方法
5.3 Apriori算法
5.3.1 Apriori性質(zhì)
5.3.2 Apriori算法原理
5.3.3 Apriori算法演示示例
5.3.4 Apriori算法評價
5.4 CARMA算法
5.4.1 Phase I階段
5.4.2 Phase II階段
5.5 產(chǎn)生關(guān)聯(lián)規(guī)則
5.5.1 一般關(guān)聯(lián)規(guī)則的產(chǎn)生
5.5.2 Apriori算法關(guān)聯(lián)規(guī)則的產(chǎn)生
5.5.3 規(guī)則的評估標準
5.6 關(guān)聯(lián)規(guī)則擴展
5.6.1 多層次關(guān)聯(lián)規(guī)則
5.6.2 多維度關(guān)聯(lián)規(guī)則
5.6.3 定量關(guān)聯(lián)規(guī)則
5.6.4 基于約束的關(guān)聯(lián)規(guī)則
5.6.5 序列模式挖掘
5.7 綜合例子
5.7.1 概述
5.7.2 案例分析流程
5.8 本章小結(jié)
第6章 離群點檢測
6.1 概述
6.2 基于相對密度的離群點檢測方法
6.3 基于聚類的離群點檢測方法
6.3.1 基于對象的離群因子方法
6.3.2 基于簇的離群因子檢測方法
6.3.3 基于聚類的動態(tài)數(shù)據(jù)離群點檢測
6.4 離群點檢測方法的評估
6.5 本章小結(jié)
第7章 回歸分析
7.1 概述
7.2 線性回歸模型
7.2.1 多元線性回歸模型的表示
7.2.2 多元線性回歸模型的檢驗
7.3 非線性回歸
7.4 邏輯回歸
7.4.1 二元Logistic回歸模型
7.4.2 Logistic回歸模型的系數(shù)估計
7.4.3 Logistic回歸模型系數(shù)的解釋
7.4.4 顯著性檢驗
7.4.5 回歸方程的擬合優(yōu)度檢驗
7.5 本章小結(jié)
第8章 為挖掘準備數(shù)據(jù)
8.1 數(shù)據(jù)統(tǒng)計特性
8.1.1 頻率和眾數(shù)
8.1.2 百分位數(shù)
8.1.3 中心度量
8.1.4 散布程度度量
8.2 數(shù)據(jù)預處理
8.2.1 數(shù)據(jù)清理
8.2.2 數(shù)據(jù)集成
8.2.3 數(shù)據(jù)變換
8.2.4 數(shù)據(jù)歸約
8.3 本章小結(jié)
下篇 案例篇
第9章 Clementine使用簡介
9.1 Clementine概述
9.2 Clementine數(shù)據(jù)流操作
9.2.1 生成數(shù)據(jù)流的基本過程
9.2.2 節(jié)點操作
9.2.3 數(shù)據(jù)流的其他管理
9.3 輸入、輸出節(jié)點介紹
9.3.1 數(shù)據(jù)源節(jié)點
9.3.2 類型節(jié)點
9.3.3 表節(jié)點
9.3.4 數(shù)據(jù)導出節(jié)點
9.4 數(shù)據(jù)預處理節(jié)點介紹
9.4.1 過濾節(jié)點
9.4.2 選擇節(jié)點
9.4.3 抽樣節(jié)點
9.4.4 平衡節(jié)點
9.4.5 排序節(jié)點
9.4.6 分區(qū)節(jié)點
9.4.7 導出節(jié)點
9.4.8 分箱節(jié)點
9.4.9 特征選擇節(jié)點
9.4.10 數(shù)據(jù)審核節(jié)點
9.4.11 直方圖節(jié)點
9.4.12 分布圖節(jié)點
9.4.13 Web節(jié)點
9.5 聚類節(jié)點介紹
9.5.1 K-Means節(jié)點
9.5.2 Kohonen節(jié)點
9.5.3 TwoStep節(jié)點
9.5.4 Anomaly節(jié)點
9.6 分類節(jié)點介紹
9.6.1 C5.0節(jié)點
9.6.2 C＆R Tree節(jié)點
9.6.3 BayesNet節(jié)點
9.6.4 二元分類器節(jié)點
9.6.5 Ensemble節(jié)點
9.6.6 分析節(jié)點
9.6.7 評估節(jié)點
9.7 關(guān)聯(lián)分析節(jié)點介紹
9.7.1 Apriori節(jié)點
9.7.2 CARMA節(jié)點
9.7.3 Sequence節(jié)點
9.8 回歸分析節(jié)點介紹
9.8.1 線性回歸節(jié)點
9.8.2 邏輯回歸節(jié)點
9.9 RFM分析節(jié)點介紹
9.9.1 RFM匯總節(jié)點
9.9.2 RFM分析節(jié)點
9.10 本章小結(jié)
第10章 數(shù)據(jù)挖掘在電信業(yè)中的應(yīng)用
10.1 數(shù)據(jù)挖掘在電信業(yè)的應(yīng)用概述
10.1.1 客戶細分
10.1.2 客戶流失預測分析
10.1.3 客戶社會關(guān)系挖掘
10.1.4 業(yè)務(wù)交叉銷售
10.1.5 欺詐客戶識別
10.2 案例10-1：客戶通話模式分析
10.2.1 商業(yè)理解
10.2.2 數(shù)據(jù)理解階段
10.2.3 數(shù)據(jù)準備階段
10.2.4 建模階段
10.3 案例10-2：客戶細分與流失分析
10.3.1 商業(yè)理解
10.3.2 數(shù)據(jù)理解階段
10.3.3 數(shù)據(jù)準備階段
10.3.4 建模階段
10.3.5 評估階段
10.4 案例10-3：移動業(yè)務(wù)關(guān)聯(lián)分析
10.4.1 商業(yè)理解
10.4.2 數(shù)據(jù)理解階段
10.4.3 數(shù)據(jù)準備階段
10.4.4 建模階段
10.4.5 模型評估
10.4.6 部署階段
10.5 本章小結(jié)
第11章 數(shù)據(jù)挖掘在銀行業(yè)中的應(yīng)用
11.1 數(shù)據(jù)挖掘在銀行業(yè)中的應(yīng)用概述
11.2 案例11-1：信用風險分析
11.2.1 商業(yè)理解
11.2.2 數(shù)據(jù)理解
11.2.3 數(shù)據(jù)準備階段
11.2.4 數(shù)據(jù)建模
11.2.5 模型評估
11.2.6 模型部署
11.3 本章小結(jié)
第12章 數(shù)據(jù)挖掘在目錄營銷中的應(yīng)用
12.1 應(yīng)用概述
12.1.1 RFM分析的基本原理
12.1.2 RFM模型的應(yīng)用場景
12.2 案例12-1：Charles讀書俱樂部銷售
12.2.1 商業(yè)理解
12.2.2 數(shù)據(jù)理解階段
12.2.3 數(shù)據(jù)準備階段
12.2.4 建模階段
12.2.5 評估階段
12.2.6 部署階段
12.3 案例12-2：旅游公司的目錄銷售
12.3.1 商業(yè)理解
12.3.2 數(shù)據(jù)理解階段
12.3.3 數(shù)據(jù)準備階段
12.3.4 建模階段
12.3.5 部署階段
12.4 本章小結(jié)
第13章 數(shù)據(jù)挖掘在零售業(yè)中的應(yīng)用
13.1 數(shù)據(jù)挖掘在零售業(yè)中的應(yīng)用概述
13.2 案例13-1：關(guān)聯(lián)分析在超市購物籃分析中的應(yīng)用
13.2.1 商業(yè)理解
13.2.2 數(shù)據(jù)理解
13.2.3 數(shù)據(jù)準備
13.2.4 建立模型
13.2.5 模型評估和應(yīng)用
13.2.6 節(jié)假日和工作日的比較分析
13.3 案例13-2：超市工作時間與人員配置分析
13.3.1 商業(yè)理解
13.3.2 數(shù)據(jù)理解與準備
13.3.3 建立模型
13.3.4 模型評估與部署
13.3.5 不同時段的商品銷售規(guī)律
13.3.6 時段與商品的銷售規(guī)律
13.4 本章小結(jié)
第14章 數(shù)據(jù)挖掘在上市公司財務(wù)風險預警分析中的應(yīng)用
14.1 數(shù)據(jù)挖掘在上市公司財務(wù)風險預警分析中的應(yīng)用概述
14.2 案例14-1：上市公司財務(wù)報表舞弊識別
14.2.1 商業(yè)理解
14.2.2 數(shù)據(jù)理解與數(shù)據(jù)準備
14.2.3 模型建立與評估
14.3 案例14-2：上市公司財務(wù)困境預警
14.3.1 商業(yè)理解階段
14.3.2 數(shù)據(jù)理解階段
14.3.3 數(shù)據(jù)準備階段
14.3.4 建模階段
14.3.5 部署實施
14.4 本章小結(jié)
第15章 數(shù)據(jù)挖掘在電子商務(wù)中的應(yīng)用
15.1 數(shù)據(jù)挖掘在電子商務(wù)中的應(yīng)用概述
15.2 主要應(yīng)用領(lǐng)域
15.2.1 網(wǎng)絡(luò)客戶關(guān)系管理
15.2.2 網(wǎng)站設(shè)計優(yōu)化
15.2.3 推薦系統(tǒng)
15.3 案例15-1：基于關(guān)聯(lián)分析的淘寶網(wǎng)推薦
15.3.1 商業(yè)理解階段
15.3.2 數(shù)據(jù)理解階段
15.3.3 數(shù)據(jù)準備階段
15.3.4 數(shù)據(jù)建模
15.3.5 模型評估
15.3.6 部署階段
15.4 案例15-2：協(xié)同過濾技術(shù)在電影推薦上的簡單應(yīng)用
15.4.1 協(xié)同過濾推薦簡述
15.4.2 商業(yè)理解階段
15.4.3 數(shù)據(jù)的理解、收集及準備
15.4.4 建模階段
15.4.5 模型評估和部署
15.5 本章小結(jié)
附錄A 數(shù)據(jù)挖掘常用資源列表
參考文獻