商務數據挖掘與應用（第2版）

目錄
上篇  認識篇
第1章  緒論 3
1．1  引例 3
1．2  數據挖掘簡介 5
1．2．1  數據挖掘技術的使用背景 5
1．2．2  數據挖掘的概念 7
1．2．3  數據挖掘任務 7
1．2．4  數據挖掘過程 9
1．2．5  數據挖掘技術的前景 9
1．2．6  數據挖掘十大經典算法 11
1．3  數據挖掘在商業(yè)領域中的應用 12
1．3．1  客戶關系管理 13
1．3．2  市場營銷 15
1．3．3  個性化推薦與個性化服務 17
1．3．4  信用評估與欺詐檢測 19
1．3．5  供應鏈庫存管理中的需求預測 21
1．3．6  人力資源管理 22
1．4  數據挖掘與隱私保護 23
1．5  數據挖掘工具及其選擇 25
本章小結 25
習題1 26
案例分析：聚類城鎮(zhèn) 26
第2章  數據挖掘建模方法 28
2．1  數據挖掘建模概述 28
2．2  業(yè)務理解 31
2．3  數據理解 31
2．4  數據準備 32
2．5  建模 35
2．5．1  成功建立預測模型的注意事項 35
2．5．2  如何建立有效的預測模型 37
2．6  評估 39
2．7  部署 40
2．8  辛普森悖論 41
本章小結 42
習題2 43
案例分析 43
中篇  技術篇
第3章  數據準備 49
3．1  數據探索 50
3．1．1  描述性統(tǒng)計分析 51
3．1．2  數據可視化 54
3．2  數據清理 55
3．3  數據集成 58
3．4  數據變換 59
3．5  數據歸約 64
3．6  Clementine簡介 67
3．6．1  Clementine數據流操作 68
3．6．2  輸入、輸出節(jié)點 71
3．6．3  數據可視化節(jié)點 78
3．6．4  數據預處理節(jié)點 82
3．7  綜合案例：電信客戶通話模式分析 86
本章小結 92
習題3 92
案例分析 93
第4章  聚類分析 95
4．1  聚類分析概述 95
4．2  相似性度量 96
4．2．1  數據及數據類型 96
4．2．2  屬性之間的相似性度量 98
4．2．3  對象之間的相似性度量 99
4．3  k-Means算法及其改進 104
4．3．1  k -Means算法 104
4．3．2  k-Means算法的拓展 106
4．4  DBSCAN聚類算法 112
4．5  一趟聚類算法 115
4．5．1  算法描述 115
4．5．2  聚類閾值的選擇策略 115
4．5．3  一趟聚類算法的應用 117
4．6  層次聚類算法 118
4．6．1  概述 118
4．6．2  二分k -Means算法 119
4．6．3  BIRCH算法 119
4．6．4  兩步聚類算法 121
4．7  SOM算法 123
4．7．1  SOM算法中網絡的拓撲結構 124
4．7．2  SOM算法的聚類原理 125
4．8  聚類算法評價 126
4．8．1  有監(jiān)督度量 126
4．8．2  無監(jiān)督度量 127
4．9  Clementine中相關節(jié)點的介紹 128
4．9．1  k -Means節(jié)點 128
4．9．2  兩步節(jié)點 130
4．9．3  Kohonen節(jié)點 130
4．10  綜合案例：超市客戶細分 132
本章小結 134
習題4 135
案例分析 135
第5章  分類分析 137
5．1  分類概述 138
5．2  決策樹分類方法 138
5．2．1  決策樹的基本概念 138
5．2．2  決策樹的構建 140
5．2．3  Hunt算法 144
5．2．4  C4．5分類算法 145
5．2．5  CART算法 148
5．2．6  C4．5與CART算法的主要區(qū)別 156
5．2．7  決策樹分類算法的特點 156
5．3  貝葉斯分類方法 156
5．3．1  貝葉斯定理 156
5．3．2  樸素貝葉斯分類算法 157
5．3．3  零條件概率問題的處理 158
5．3．4  樸素貝葉斯算法的優(yōu)缺點 159
5．3．5  貝葉斯信念網絡 161
5．4  KNN 162
5．4．1  最近鄰分類方法的基本概念 163
5．4．2  KNN算法的優(yōu)缺點 163
5．4．3  KNN算法的擴展 163
5．5  集成分類方法 164
5．5．1  集成分類方法的過程描述 164
5．5．2  構建集成分類器的方法 165
5．5．3  隨機森林 166
5．5．4  集成分類方法的優(yōu)缺點 168
5．6  分類方法評價 168
5．6．1  分類模型性能評價指標 168
5．6．2  分類模型性能評價應注意的點 169
5．6．3  評估分類模型性能的方法 170
5．7  Clementine中相關節(jié)點的介紹 171
5．7．1  C5．0節(jié)點 171
5．7．2  CRT節(jié)點 173
5．7．3  貝葉斯節(jié)點 174
5．7．4  集成節(jié)點 177
5．7．5  分析節(jié)點 177
5．7．6  評估節(jié)點 179
5．8  綜合案例 183
5．8．1  案例5-1：銀行客戶信用風險評估 183
5．8．2  案例5-2：離職員工預測 185
本章小結 188
習題5 188
案例分析 190
第6章  關聯規(guī)則分析 191
6．1  關聯規(guī)則分析概述 191
6．2  關聯規(guī)則分析基礎 192
6．2．1  基本概念 192
6．2．2  基礎分析方法 193
6．3  Apriori算法 195
6．3．1  Apriori性質 195
6．3．2  產生頻繁項集 196
6．3．3  頻繁項集構造示例 197
6．3．4  產生關聯規(guī)則 198
6．3．5  規(guī)則的評估標準 201
6．3．6  Apriori算法評價 203
6．4  FP-Growth算法 203
6．4．1  FP-Tree表示法 204
6．4．2  構建FP-Tree 204
6．4．3  發(fā)現頻繁項集 207
6．5  關聯規(guī)則擴展 208
6．5．1  關聯規(guī)則分類 208
6．5．2  多層次關聯規(guī)則 209
6．5．3  多維關聯規(guī)則 210
6．5．4  定量關聯規(guī)則 211
6．5．5  基于約束的關聯規(guī)則 211
6．5．6  序列模式挖掘 211
6．6  Clementine中Apriori節(jié)點的介紹 212
6．7  綜合案例 213
6．7．1  案例6-1：超市購物籃分析 213
6．7．2  案例6-2：移動業(yè)務關聯分析 218
本章小結 225
習題6 226
案例分析 227
第7章  離群點檢測 229
7．1  離群點概述 229
7．2  基于距離的離群點檢測方法 231
7．3  基于相對密度的離群點檢測方法 232
7．4  基于聚類的離群點檢測方法 237
7．4．1  基于對象的離群因子檢測方法 238
7．4．2  基于簇的離群因子檢測方法 240
7．4．3  基于聚類的動態(tài)數據離群點檢測 242
7．5  離群點檢測方法的評估 243
7．6  Clementine中的異常節(jié)點 243
7．7  綜合案例：信用卡欺詐檢測 245
本章小結 246
習題7 246
案例分析 247
第8章  回歸分析 248
8．1  回歸分析概述 248
8．2  線性回歸模型 249
8．2．1  多元線性回歸模型的表示 249
8．2．2  多元線性回歸模型的檢驗 250
8．3  非線性回歸 252
8．4  邏輯回歸 255
8．4．1  二元邏輯回歸模型 255
8．4．2  邏輯回歸模型的系數估計 256
8．4．3  邏輯回歸模型系數的解釋 257
8．4．4  顯著性檢驗 257
8．4．5  回歸方程的擬合優(yōu)度檢驗 258
8．5  Clementine中相關節(jié)點介紹 263
8．5．1 線性回歸節(jié)點 263
8．5．2  邏輯回歸節(jié)點 264
8．6  綜合案例：我國私人汽車擁有量的非線性回歸 265
本章小結 268
習題8 268
案例分析 270
下篇  案例篇
第9章  RFM分析 275
9．1  RFM分析的基本原理 275
9．2  RFM模型的應用場景 276
9．3  Clementine中相關節(jié)點介紹 277
9．3．1  RFM匯總節(jié)點 277
9．3．2  RFM分析節(jié)點 278
9．4  綜合案例 280
9．4．1  案例9-1：識別促銷的目標客戶 280
9．4．2  案例9-2：Charles讀書俱樂部目錄銷售 285
9．4．3  案例9-3：銷售數據分析 290
本章小結 294
第10章  社會網絡分析 295
10．1  圖論基礎 295
10．2  社會網絡分析概述 296
10．2．1  社會網絡分析相關概念 297
10．2．2  中心性 297
10．2．3  權威性 299
10．2．4  網絡密度 299
10．3  社區(qū)檢測 300
10．3．1  社區(qū)檢測方法簡介 300
10．3．2  社區(qū)檢測質量評價 301
10．4  社會網絡分析軟件 302
10．4．1  社會網絡分析軟件概述 302
10．4．2  Gephi簡介 303
10．5  綜合案例 306
10．5．1  案例10-1：基于社區(qū)檢測的通信業(yè)客戶細分 306
10．5．2  案例10-2：“一帶一路”沿線國家間貿易數據分析 311
本章小結 318
第11章  文本挖掘 319
11．1  分詞技術 319
11．1．1  分詞挑戰(zhàn) 319
11．1．2  分詞方法 320
11．1．3  常見分詞工具 321
11．2  文本向量化 322
11．2．1  向量空間模型 322
11．2．2  文本特征選擇 323
11．3  文本聚類 324
11．3．1  文本相似度計算 324
11．3．2  文本聚類過程 325
11．4  文本分類 325
11．4．1  文本分類的概念 325
11．4．2  常用文本分類算法 326
11．4．3  常用基準語料與模型評估標準 327
11．5  文本情感分析 328
11．5．1  文本情感分析的概念 329
11．5．2  文本情感分析技術 329
11．5．3  文本情感分析的應用 330
11．6  相關軟件 331
11．6．1  數據采集工具八爪魚 331
11．6．2  可視化內容挖掘軟件ROST CM6 336
11．7  綜合案例：基于微博的用戶特征識別 337
本章小結 342
第12章  數據挖掘在客戶關系管理中的應用 343
12．1  客戶關系管理 343
12．1．1  客戶關系管理概述 343
12．1．2  客戶價值分析 344
12．1．3  客戶細分分析 345
12．1．4  市場營銷 345
12．1．5  客戶關系管理的實施流程 346
12．2  客戶生命周期分析 347
12．3  綜合案例 350
12．3．1  案例12-1：旅游公司目錄銷售 350
12．3．2  案例12-2：電信客戶細分與流失分析 354
12．3．3  案例12-3：航空公司客戶價值分析 359
本章小結 365
第13章  數據挖掘在金融領域的應用 366
13．1  金融科技概述 366
13．2  數據挖掘在銀行業(yè)中的應用概述 369
13．3  綜合案例：信用風險分析 372
本章小結 377
第14章  數據挖掘在財務風險分析和預警中的應用 378
14．1  數據挖掘在財務風險管理中的應用概述 378
14．2  綜合案例 380
14．2．1  案例14-1：上市公司財務報表舞弊識別 380
14．2．2  案例14-2：上市公司財務困境預警 382
本章小結 386
第15章  數據挖掘在電子商務中的應用 387
15．1  數據挖掘在電子商務中的應用概述 387
15．2  主要應用領域 388
15．2．1  網絡客戶關系管理 388
15．2．2  網站設計優(yōu)化 390
15．2．3  推薦系統(tǒng) 391
15．3  綜合案例 396
15．3．1  案例15-1：基于關聯分析的淘寶網推薦 396
15．3．2  案例15-2  電商客戶流失預警 398
本章小結 403
附錄A  數據挖掘常用資源列表 404
參考文獻 406