商務(wù)數(shù)據(jù)挖掘與應(yīng)用案例分析

上篇 認(rèn)識(shí)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(guò)程
1.3.1 數(shù)據(jù)挖掘任務(wù)
1.3.2 數(shù)據(jù)挖掘過(guò)程
1.4 數(shù)據(jù)挖掘常用軟件簡(jiǎn)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(chǎng)營(yíng)銷(xiāo)
1.5.2 交叉銷(xiāo)售與交叉營(yíng)銷(xiāo)
1.5.3 客戶(hù)關(guān)系管理
1.5.4 個(gè)性化推薦與個(gè)性化服務(wù)
1.5.5 風(fēng)險(xiǎn)分析與控制
1.5.6 欺詐行為檢測(cè)和異常模式的發(fā)現(xiàn)
1.5.7 供應(yīng)鏈庫(kù)存管理中的需求預(yù)測(cè)
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(zhǔn)備
2.5 建模
2.5.1 成功建立預(yù)測(cè)模型的注意要點(diǎn)
2.5.2 如何建立有效的預(yù)測(cè)模型
2.6 評(píng)估
2.7 部署
2.8 本章小結(jié)
中篇 技術(shù)篇
第3章 聚類(lèi)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(lèi)型
3.2.2 屬性之間的相似性度量
3.2.3 對(duì)象之間的相似性度量
3.3 k-means 算法及其改進(jìn)
3.3.1 k-means 算法
3.3.2 k-means聚類(lèi)算法的改進(jìn)
3.4 一趟聚類(lèi)算法
3.4.1 算法描述
3.4.2 聚類(lèi)閾值的選擇策略
3.5 層次聚類(lèi)算法
3.5.1 概述
3.5.2 BIRCH算法
3.5.3 兩步聚類(lèi)算法
3.6 SOM算法
3.6.1 SOM算法中網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
3.6.2 SOM算法的聚類(lèi)原理
3.7 聚類(lèi)算法評(píng)價(jià)
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(lèi)
4.1 概述
4.2 決策樹(shù)分類(lèi)方法
4.2.1 決策樹(shù)的基本概念
4.2.2 決策樹(shù)的構(gòu)建
4.2.3 Hunt算法
4.2.4 C4.5分類(lèi)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(shù)分類(lèi)算法的優(yōu)點(diǎn)
4.3 樸素貝葉斯分類(lèi)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(wèn)題的處理
4.3.3 樸素貝葉斯算法的優(yōu)缺點(diǎn)
4.4 最近鄰KNN分類(lèi)方法
4.4.1 最近鄰分類(lèi)的基本概念
4.4.2 KNN算法優(yōu)缺點(diǎn)
4.4.3 KNN的擴(kuò)展
4.5 集成分類(lèi)器
4.5.1 集成分類(lèi)器的過(guò)程描述
4.5.2 構(gòu)建集成分類(lèi)器的方法
4.5.3 集成分類(lèi)器方法優(yōu)缺點(diǎn)
4.6 分類(lèi)方法評(píng)價(jià)
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(píng)價(jià)
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(píng)估標(biāo)準(zhǔn)
5.6 關(guān)聯(lián)規(guī)則擴(kuò)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(diǎn)檢測(cè)
6.1 概述
6.2 基于相對(duì)密度的離群點(diǎn)檢測(cè)方法
6.3 基于聚類(lèi)的離群點(diǎn)檢測(cè)方法
6.3.1 基于對(duì)象的離群因子方法
6.3.2 基于簇的離群因子檢測(cè)方法
6.3.3 基于聚類(lèi)的動(dòng)態(tài)數(shù)據(jù)離群點(diǎn)檢測(cè)
6.4 離群點(diǎn)檢測(cè)方法的評(píng)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(yàn)
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(jì)
7.4.3 Logistic回歸模型系數(shù)的解釋
7.4.4 顯著性檢驗(yàn)
7.4.5 回歸方程的擬合優(yōu)度檢驗(yàn)
7.5 本章小結(jié)
第8章 為挖掘準(zhǔn)備數(shù)據(jù)
8.1 數(shù)據(jù)統(tǒng)計(jì)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(yù)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(jiǎn)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(guò)程
9.2.2 節(jié)點(diǎn)操作
9.2.3 數(shù)據(jù)流的其他管理
9.3 輸入、輸出節(jié)點(diǎn)介紹
9.3.1 數(shù)據(jù)源節(jié)點(diǎn)
9.3.2 類(lèi)型節(jié)點(diǎn)
9.3.3 表節(jié)點(diǎn)
9.3.4 數(shù)據(jù)導(dǎo)出節(jié)點(diǎn)
9.4 數(shù)據(jù)預(yù)處理節(jié)點(diǎn)介紹
9.4.1 過(guò)濾節(jié)點(diǎn)
9.4.2 選擇節(jié)點(diǎn)
9.4.3 抽樣節(jié)點(diǎn)
9.4.4 平衡節(jié)點(diǎn)
9.4.5 排序節(jié)點(diǎn)
9.4.6 分區(qū)節(jié)點(diǎn)
9.4.7 導(dǎo)出節(jié)點(diǎn)
9.4.8 分箱節(jié)點(diǎn)
9.4.9 特征選擇節(jié)點(diǎn)
9.4.10 數(shù)據(jù)審核節(jié)點(diǎn)
9.4.11 直方圖節(jié)點(diǎn)
9.4.12 分布圖節(jié)點(diǎn)
9.4.13 Web節(jié)點(diǎn)
9.5 聚類(lèi)節(jié)點(diǎn)介紹
9.5.1 K-Means節(jié)點(diǎn)
9.5.2 Kohonen節(jié)點(diǎn)
9.5.3 TwoStep節(jié)點(diǎn)
9.5.4 Anomaly節(jié)點(diǎn)
9.6 分類(lèi)節(jié)點(diǎn)介紹
9.6.1 C5.0節(jié)點(diǎn)
9.6.2 C＆R Tree節(jié)點(diǎn)
9.6.3 BayesNet節(jié)點(diǎn)
9.6.4 二元分類(lèi)器節(jié)點(diǎn)
9.6.5 Ensemble節(jié)點(diǎn)
9.6.6 分析節(jié)點(diǎn)
9.6.7 評(píng)估節(jié)點(diǎn)
9.7 關(guān)聯(lián)分析節(jié)點(diǎn)介紹
9.7.1 Apriori節(jié)點(diǎn)
9.7.2 CARMA節(jié)點(diǎn)
9.7.3 Sequence節(jié)點(diǎn)
9.8 回歸分析節(jié)點(diǎn)介紹
9.8.1 線性回歸節(jié)點(diǎn)
9.8.2 邏輯回歸節(jié)點(diǎn)
9.9 RFM分析節(jié)點(diǎn)介紹
9.9.1 RFM匯總節(jié)點(diǎn)
9.9.2 RFM分析節(jié)點(diǎn)
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(hù)細(xì)分
10.1.2 客戶(hù)流失預(yù)測(cè)分析
10.1.3 客戶(hù)社會(huì)關(guān)系挖掘
10.1.4 業(yè)務(wù)交叉銷(xiāo)售
10.1.5 欺詐客戶(hù)識(shí)別
10.2 案例10-1：客戶(hù)通話(huà)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(zhǔn)備階段
10.2.4 建模階段
10.3 案例10-2：客戶(hù)細(xì)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(zhǔn)備階段
10.3.4 建模階段
10.3.5 評(píng)估階段
10.4 案例10-3：移動(dòng)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(zhǔn)備階段
10.4.4 建模階段
10.4.5 模型評(píng)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(fēng)險(xiǎn)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(zhǔn)備階段
11.2.4 數(shù)據(jù)建模
11.2.5 模型評(píng)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(yíng)銷(xiāo)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(chǎng)景
12.2 案例12-1：Charles讀書(shū)俱樂(lè)部銷(xiāo)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(zhǔn)備階段
12.2.4 建模階段
12.2.5 評(píng)估階段
12.2.6 部署階段
12.3 案例12-2：旅游公司的目錄銷(xiāo)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(zhǔn)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(gòu)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(zhǔn)備
13.2.4 建立模型
13.2.5 模型評(píng)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(shí)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(zhǔn)備
13.3.3 建立模型
13.3.4 模型評(píng)估與部署
13.3.5 不同時(shí)段的商品銷(xiāo)售規(guī)律
13.3.6 時(shí)段與商品的銷(xiāo)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(cái)務(wù)風(fēng)險(xiǎn)預(yù)警分析中的應(yīng)用
14.1 數(shù)據(jù)挖掘在上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警分析中的應(yīng)用概述
14.2 案例14-1：上市公司財(cái)務(wù)報(bào)表舞弊識(shí)別
14.2.1 商業(yè)理解
14.2.2 數(shù)據(jù)理解與數(shù)據(jù)準(zhǔn)備
14.2.3 模型建立與評(píng)估
14.3 案例14-2：上市公司財(cái)務(wù)困境預(yù)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(zhǔn)備階段
14.3.4 建模階段
14.3.5 部署實(shí)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(hù)關(guān)系管理
15.2.2 網(wǎng)站設(shè)計(jì)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(zhǔn)備階段
15.3.4 數(shù)據(jù)建模
15.3.5 模型評(píng)估
15.3.6 部署階段
15.4 案例15-2：協(xié)同過(guò)濾技術(shù)在電影推薦上的簡(jiǎn)單應(yīng)用
15.4.1 協(xié)同過(guò)濾推薦簡(jiǎn)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(zhǔn)備
15.4.4 建模階段
15.4.5 模型評(píng)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(xiàn)