图书介绍

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电子书版本下载

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
  • (美)贝瑞(Berry,M.J.A.),(美)莱诺夫(Linoff,G.S.)著;别荣芳,尹静,邓六爱译 著
  • 出版社: 北京:机械工业出版社
  • ISBN:7111190564
  • 出版时间:2006
  • 标注页数:410页
  • 文件大小:43MB
  • 文件页数:426页
  • 主题词:数据采集

PDF下载


点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示:(请使用BT下载软件FDM进行下载)软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

下载说明

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

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台)。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用!后期资源热门了。安装了迅雷也可以迅雷进行下载!

(文件页数 要大于 标注页数,上中下等多册电子书除外)

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

图书目录

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MBR 181

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

精品推荐