数据挖掘技术：市场营销、销售与客户关系管理领域应用（原书第二版）

第1章数据挖掘的缘起和内容

11分析客户关系管理系统

111交易处理系统的作用

112数据仓库的作用

113数据挖掘的作用

114客户关系管理策略的作用

12什么是数据挖掘

13数据挖掘可以完成哪些工作

131分类

132估计

133预测

134关联分组或关联规则

135聚类

136建立简档

14为什么现在研究

141数据正在生成

142数据正在形成数据仓库

143计算能力足以承受

144客户关系管理的兴趣增强

145商业数据挖掘软件产品已经易于使用

15目前如何使用数据挖掘

151超级市场成为信息经纪人

152基于推荐的商业

153交叉销售

154抓住好的客户

155淘汰差的客户

156变革一个行业

157其他

16小结

第2章数据挖掘的良性循环

21商业数据挖掘案例研究

211识别商务挑战

212应用数据挖掘

213按照结果采取行动

214测试效果

22何谓良性循环

221识别商业机会

222挖掘数据

223采取行动

224测试结果

23良性循环环境下的数据挖掘

24移动通信公司建立恰当的联系

241机会

242如何应用数据挖掘

243处理行动

244完成循环

25神经网络和决策树驱动SUV的销售

251最初的挑战

252如何应用数据挖掘

253最终措施

254完成循环

26小结

第3章数据挖掘方法论和最佳实践

31为什么需要方法论

311获取不真实的知识

312获取真实但无用的知识

32假设测试

33模型、建立简档和预测

331建立简档

332预测

34方法论

341第一步：将商业问题转换为数据挖掘问题

342第二步：选取合适数据

343第三步：设法理解数据

344第四步：创建模型集

345第五步：修复数据问题

346第六步：变换数据，获取信息

347第七步：建立模型

348第八步：评估模型

349第九步：部署模型

3410第十步：评估结果

3911第十一步：重新开始

35小结

第4章数据挖掘在市场营销和客户关系管理中的应用

41寻找潜在客户

411识别好的潜在客户

412选择沟通渠道

413遴选适当的信息

42为选择正确的广告场所进行数据挖掘

421谁匹配简档

422测量读者群组的匹配度

43通过数据挖掘改进定向市场营销活动

431响应建模

432优化固定预算的响应率

433优化营销活动收益

434接触那些受相关信息影响最大的人们

435差别响应分析

44使用当前客户来了解潜在客户

441在他们成为客户前就开始跟踪客户

442从新客户那里收集信息

443获取时间变量可预测未来结果

45客户关系管理数据挖掘

451按客户需求策划营销活动

452划分客户群体

453减少信用风险

454决定客户价值

455交叉销售、提升销售和销售推荐

46保持和流失

461识别流失

462流失为什么重要

463不同类型的流失

464不同类型的流失模型

47小结

第5章统计学的魅力：数据挖掘常用的工具

51Occam的剃刀

511原假设

512p值

52观察数据

521观察离散数值

522观察连续变量

523另一对统计概念

53测定响应

531比例标准误差

532使用置信界限比较结果

533使用比例差值比较结果

534样本大小

535置信区间的真正含义

536实验的测试群组和对照群组大小

54多重比较

541多重比较下的置信层次

542Bonferroni修正

55卡方检验

551期望值

552卡方值

553卡方与比例差值的比较

56示例：区域和起点的卡方

57数据挖掘和统计学异同

571原始数据中没有测量误差

572有大量的数据

573时间从属性随处出现

574试验是艰难的

575数据审查和截取

58小结

第6章决策树

61什么是决策树

611分类

612评分

613估计

614树以多种形态生长

62决策树是如何长成的

621发现拆分

622生成完全树

623度量决策树的有效性

63选择最佳拆分的测试

631纯度和发散性

632基尼或总体发散性

633熵归约或信息增益

634信息增益比率

635卡方检验

636方差归约

637F测试

64修剪

641CART修剪算法

642C5修剪算法

643基于稳定性的修剪

65从树中提炼规则

66考虑成本

67决策树方法的进一步修正

671每次使用多于一个字段

672倾斜超平面

673神经树

674使用树分段回归

68决策树的替代表示法

681方格图

682树年轮图

69实际应用中的决策树

691决策树作为数据探查工具

692把决策树方法应用于顺序事件

693模拟未来

610小结

第7章人工神经网络

71历史回眸

72房地产评估

73用于定向数据挖掘的神经网络

74神经网络是什么

741神经网络的单元是什么

742前馈神经网络

743神经网络如何使用反向传播学习

744前馈网络和反向传播网络的启发

75选择训练集

751覆盖所有特征值

752特征数目

753训练集的大小

754输出数目

76准备数据

761具有连续数值的特征

762具有有序、离散(整数)数值的特征

763具有分类数值的特征

764其他类型的特征

77解释结果

78时间序列神经网络

79如何了解在神经网络内部正在运行的事情

710自组织映像

7101什么是自组织映像

7102实例： 发现簇

711小结

第8章最近邻方法： 基于存储的推理和协同过滤

81基于存储的推理

82MBR面临的挑战

821选择一组平衡的历史记录

822表示训练数据

823确定距离函数、 组合函数和邻居的数目

83案例研究： 分类新闻报导

831什么是代码

832应用MBR

833结果

84测量距离

841什么是距离函数

842每次每个字段只建立一个距离函数

843其他数据类型的距离函数

844当距离度量已经存在时

85组合函数： 向邻居求答案

851基本的方法： 民主

852加权投票

86协同过滤： 可以做出推荐的最近邻方法

861建立简档

862比较简档

863做出预测

87小结

第9章购物篮分析和关联规则

91定义购物篮分析

911购物篮数据的三个层次

912订单特征

913项流行性

914跟踪市场干预

915按用途聚类产品

92关联规则

921可操作的规则

922平凡的规则

923费解的规则

93一个关联规则有多好

94建立关联规则

941选择恰当的项集

942从所有这些数据中生成规则

943克服实际局限

944大数据的问题

95扩展思想

951使用关联规则比较店铺

952无关规则

96使用关联规则的顺序分析

97小结

第10章链接分析

101图论基础

1011哥尼斯堡七桥问题

1012旅行推销员问题

1013有向图

1014检测图中的环

102链接分析的一个熟悉的应用

1021Kleinberg算法

1022细节： 查找网络中心和权威

1023实践中的网络中心和权威

103案例研究： 谁在家中使用传真机

1031为什么发现传真机是有用的

1032用数据画图

1033方法

1034一些结果

104案例研究： 分段移动电话客户

1041数据

1042不使用图论的分析

1043两位客户的对比

1044链接分析的力量

105小结

第11章自动聚类探测

111搜索单纯岛状片段

1111星光与星的亮度

1112适应多维情况

112K平均聚类

1121K平均算法的三个步骤

1122K的意义

113相似性和距离

1131相似性度量与变量类型

1132相似性的常规度量

114聚类过程的数据准备

1141利用比例缩放使变量相对一致

1142使用权重编码外部信息

115聚类探测的其他途径

1151高斯混合模型

1152凝聚聚类

1153分裂聚类

1154自组织映像

116评价簇

1161在簇内部

1162在簇之外

117案例研究： 聚类城镇

1171创造城镇特征

1172创建簇

1173利用主题簇调整区域边界

118小结

第12章市场营销中的风险函数和生存分析

121客户保持

1211计算保持

1212保持曲线揭示的内容

1213从保持曲线找出平均保有期

1214把客户保持看做衰变

122风险

1221基本思想

1222风险函数示例

1223审查

1224其他类型的审查

123从风险到生存

1231保持

1232生存

124比例风险

1241比例风险实例

1242分层： 测量生存的初始结果

1243Cox比例风险

1244比例风险的局限性

125生存分析实践

1251处理不同的流失类型

1252客户何时会回来

1253预测

1254风险随时间变化

126小结

第13章遗传算法

131遗传算法如何工作

1311计算机上的遗传学

1312表示数据

132案例研究： 使用遗传算法进行资源优化

133模式： 遗传算法为什么起作用

134遗传算法的更多应用

1341在神经网络方面的应用

1342案例研究： 为响应建模完善一个解决方案

135超越简单算法

136小结

第14章数据挖掘贯穿客户生存周期

141客户关系层次

1411深度亲密

1412大众亲密

1413中间关系

1414间接关系

142客户生存周期

1421客户生存周期： 生存阶段

1422客户生存周期

1423基于订阅关系和基于事件关系的比较

143围绕客户生存周期组织商业过程

1431客户获取

1432客户激活

1433关系管理

1434保持

1435赢回

144小结

第15章数据仓库、 OLAP和数据挖掘

151数据结构

1511交易数据——基础层

1512操作汇总数据

1513决策支持汇总数据

1514数据库模式

1515元数据

1516商业规则

152数据仓库的大致结构

1521源系统

1522提取、 转化和加载

1523中央储存库

1524元数据储存库

1525数据集市

1526操作反馈

1527最终用户和桌面工具

153OLAP适用于何处

1531立方体中的内容

1532星形模式

1533OLAP和数据挖掘

154数据挖掘在哪里切入数据仓库

1541大量数据

1542一致的、 清洁的数据

1543假设测试和测量

1544可升级硬件及RDBMS支持

155小结

第16章构造数据挖掘环境

161以客户为中心的组织

162理想的数据挖掘环境

1621确定什么数据可用的能力

1622将数据转化为可操作信息的技巧

1623所有必需的工具

163返回现实世界

1631建立以客户为中心的组织

1632创建单个客户视图

1633定义以客户为中心的度量标准

1634收集正确的数据

1635从客户交互到学习机会

1636挖掘客户数据

164数据挖掘组

1641外包数据挖掘

1642内部数据挖掘

1643数据挖掘组成员需要具备的条件

165数据挖掘基础设施

1651挖掘平台

1652评分平台

1653一个产品数据挖掘结构实例

166数据挖掘软件

1661所应用的技术范围

1662可扩展性

1663评分支持

1664用户界面的多种层次

1665可理解的输出

1666处理各种数据类型的能力

1667文档及简单使用

1668对新手和高级用户的培训、咨询和支持

1669卖方可信度

167小结

第17章为挖掘准备数据

171数据应该像什么

1711客户特征标识

1712列

1713模型在建模中的角色

1714变量度量

1715用于数据挖掘的数据

172构建客户特征标识

1721编写数据目录

1722识别客户

1723第一次尝试

1724取得进展

1725实际的问题

173探查变量

1731直方图分布

1732随时间变化

1733交叉表

174衍生变量

1741提取来自单个数值的特征

1742在记录内合并数值

1743查找辅助信息

1744转轴正则时间序列

1745汇总交易记录

1746汇总跨越模型集的字段

175基于行为变量的例子

1751购买频率

1752衰减使用

1753旋转者、 交易商和便利用户：定义客户行为

176数据的黑暗面

1761缺失值

1762脏数据

1763不一致数值

177计算问题

1771源系统

1772提取工具

1773专用代码

1774数据挖掘工具

178小结

第18章应用数据挖掘

181开始

1811从概念验证方案中能期待什么

1812识别概念验证方案

1813实现概念验证方案

182选择数据挖掘技术

1821将商务目标转换为数据挖掘任务

1822决定数据的相关特性

1823考虑混合方法

183公司如何开展数据挖掘

1831保持的对照实验

1832数据

1833一些发现

1834实践出真知

184小结