数据挖掘与数据化运营实战：思路、方法、技巧与应用 - (EPUB全文下载)

文件大小：4.36 mb。
文件格式：epub 格式。
书籍内容：

大数据技术丛书
数据挖掘与数据化运营实战
——思路、方法、技巧与应用
卢辉　著
ISBN：978-7-111-42650-9
本书纸版由机械工业出版社于2013年出版，电子版由华章分社（北京华章图文信息有限公司）全球范围内制作与发行。
版权所有，侵权必究
客服热线：+ 86-10-68995265
客服信箱：service@bbbvip.com
官方网址：www.hzmedia.com.cn
新浪微博 @研发书局
腾讯微博 @yanfabook
目　录
推荐序
前言
为什么要写这本书
读者对象
勘误和支持
如何阅读本书
致谢
第1章　什么是数据化运营
1.1　现代营销理论的发展历程
1.1.1　从4P到4C
1.1.2　从4C到3P3C
1.2　数据化运营的主要内容
1.3　为什么要数据化运营
1.4　数据化运营的必要条件
1.4.1　企业级海量数据存储的实现
1.4.2　精细化运营的需求
1.4.3　数据分析和数据挖掘技术的有效应用
1.4.4　企业决策层的倡导与持续支持
1.5　数据化运营的新现象与新发展
1.6　关于互联网和电子商务的最新数据
第2章　数据挖掘概述
2.1　数据挖掘的发展历史
2.2　统计分析与数据挖掘的主要区别
2.3　数据挖掘的主要成熟技术以及在数据化运营中的主要应用
2.3.1　决策树
2.3.2　神经网络
2.3.3　回归
2.3.4　关联规则
2.3.5　聚类
2.3.6　贝叶斯分类方法
2.3.7　支持向量机
2.3.8　主成分分析
2.3.9　假设检验
2.4　互联网行业数据挖掘应用的特点
第3章　数据化运营中常见的数据分析项目类型
3.1　目标客户的特征分析
3.2　目标客户的预测（响应、分类）模型
3.3　运营群体的活跃度定义
3.4　用户路径分析
3.5　交叉销售模型
3.6　信息质量模型
3.7　服务保障模型
3.8　用户（买家、卖家）分层模型
3.9　卖家（买家）交易模型
3.10　信用风险模型
3.11　商品推荐模型
3.11.1　商品推荐介绍
3.11.2　关联规则
3.11.3　协同过滤算法
3.11.4　商品推荐模型总结
3.12　数据产品
3.13　决策支持
第4章　数据化运营是跨专业、跨团队的协调与合作
4.1　数据分析团队与业务团队的分工和定位
4.1.1　提出业务分析需求并且能胜任基本的数据分析
4.1.2　提供业务经验和参考建议
4.1.3　策划和执行精细化运营方案
4.1.4　跟踪运营效果、反馈和总结
4.2　数据化运营是真正的多团队、多专业的协同作业
4.3　实例示范数据化运营中的跨专业、跨团队协调合作
第5章　分析师常见的错误观念和对治的管理策略
5.1　轻视业务论
5.2　技术万能论
5.3　技术尖端论
5.4　建模与应用两段论
5.5　机器万能论
5.6　幸福的家庭都是相似的，不幸的家庭各有各的不幸
第6章　数据挖掘项目完整应用案例演示
6.1　项目背景和业务分析需求的提出
6.2　数据分析师参与需求讨论
6.3　制定需求分析框架和分析计划
6.4　抽取样本数据、熟悉数据、数据清洗和摸底
6.5　按计划初步搭建挖掘模型
6.6　与业务方讨论模型的初步结论，提出新的思路和模型优化方案
6.7　按优化方案重新抽取样本并建模，提炼结论并验证模型
6.8　完成分析报告和落地应用建议
6.9　制定具体的落地应用方案和评估方案
6.10　业务方实施落地应用方案并跟踪、评估效果
6.11　落地应用方案在实际效果评估后，不断修正完善
6.12　不同运营方案的评估、总结和反馈
6.13　项目应用后的总结和反思
第7章　数据挖掘建模的优化和限度
7.1　数据挖掘模型的优化要遵循有效、适度的原则
7.2　如何有效地优化模型
7.2.1　从业务思路上优化
7.2.2　从建模的技术思路上优化
7.2.3　从建模的技术技巧上优化
7.3　如何思考优化的限度
7.4　模型效果评价的主要指标体系
7.4.1　评价模型准确度和精度的系列指标
7.4.2　ROC曲线
7.4.3　KS值
7.4.4　Lift值
7.4.5　模型稳定性的评估
第8章　常见的数据处理技巧
8.1　数据的抽取要正确反映业务需求
8.2　数据抽样
8.3　分析数据的规模有哪些具体的要求
8.4　如何处理缺失值和异常值
8.4.1　缺失值的常见处理方法
8.4.2　异常值的判断和处理
8.5　数据转换
8.5.1　生成衍生变量
8.5.2　改善变量分布的转换
8.5.3　分箱转换
8.5.4　数据的标准化
8.6　筛选有效的输入变量
8.6.1　为什么要筛选有效的输入变量
8.6.2　结合业务经验进行先行筛选
8.6.3　用线性相关性指标进行初步筛选
8.6.4　R平方
8.6.5　卡方检验
8.6.6　IV和WOE
8.6.7　部分建模算法自身的筛选功能
8.6.8　降维的方法
8.6.9　最后的准则
8.7　共线性问题
8.7.1　如何发现共线性
8.7.2　如何处理共线性
第9章　聚类分析的典型应用和技术小窍门
9.1　聚类分析的典型应用场景
9.2　主要聚类算法的分类
9.2.1　划分方法
9.2.2　层次方法
9.2.3　基于密度的方法
9.2.4　基于网格的方法
9.3　聚类分析在实践应用中的重点注意事项
9.3.1　如何处理数据噪声和异常值
9.3.2　数据标准化
9.3.3　聚类变量的少而精
9.4　聚类分析的扩展应用
9.4.1　聚类的核心指标与非聚类的业务指标相辅相成
9.4.2　数据的探索和清理工具
9.4.3　个性化推荐的应用
9.5　聚类分析在实际应用中的优势和缺点
9.6　聚类分析结果的评价体系和评价指标
9.6.1　业务专家的评估
9.6.2　聚类技术上的评价指标
9.7　一个典型的聚类分析课题的案例分享
9.7.1　案例背景
9.7.2　基本的数据摸底
9.7.3　基于用户样本的聚类分析的初步结论
第10章　预测响应（分类）模型的典型应用和技术小窍门
10.1　神经 ............

书籍插图：

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。