數(shù)據(jù)挖掘技術(shù)：應(yīng)用于市場營銷、銷售與客戶關(guān)系管理（第3版）

定　價(jià)：￥79.80

作　者：	（美）林那夫（Gordon S. Linoff）（美）貝里（Michael J.A.Berry）著巢文涵，張小明，王芳譯
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	管理市場營銷

購買這本書可以去

ISBN：	9787302310143	出版時(shí)間：	2013-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	620	字?jǐn)?shù)：

內(nèi)容簡介

　　誰將是忠實(shí)的客戶？誰將不是呢？哪些消息對哪些客戶細(xì)分最有效？如何最大化客戶的價(jià)值？如何將客戶的價(jià)值最大化？本書提供了強(qiáng)大的工具，可以從上述和其他重要商業(yè)問題所在的公司數(shù)據(jù)庫中提取它們的答案。自本書第1版問世以來，數(shù)據(jù)挖掘已經(jīng)日益成為現(xiàn)代商業(yè)不可缺少的工具。在這個(gè)最新版本中，作者對每個(gè)章節(jié)都進(jìn)行了大量的更新和修訂，并且添加了幾個(gè)新的章節(jié)。本書保留了早期版本的重點(diǎn)，指導(dǎo)市場分析師、業(yè)務(wù)經(jīng)理和數(shù)據(jù)挖掘?qū)＜依脭?shù)據(jù)挖掘方法和技術(shù)來解決重要的商業(yè)問題。在不犧牲準(zhǔn)確度的前提下，為了簡單起見，即使是復(fù)雜的主題，作者也進(jìn)行了簡潔明了的介紹，并盡量減少對技術(shù)術(shù)語或數(shù)學(xué)公式的使用。每個(gè)技術(shù)主題都通過案例研究和源自作者經(jīng)驗(yàn)的真實(shí)案例進(jìn)行說明，每章都包含了針對從業(yè)者的寶貴提示。書中介紹的新技術(shù)和更為深入的技術(shù)包括：線性和邏輯回歸模型、增量響應(yīng)（提升）建模、樸素貝葉斯模型、表查詢模型、相似度模型、徑向基函數(shù)網(wǎng)絡(luò)、期望值最大化（EM）聚類和群體智慧。新的章節(jié)專門討論了數(shù)據(jù)準(zhǔn)備、派生變量、主成分分析和其他變量減少技術(shù)，以及文本挖掘。在建立了全面的數(shù)據(jù)挖掘應(yīng)用業(yè)務(wù)環(huán)境，并介紹了所有數(shù)據(jù)挖掘項(xiàng)目通用的數(shù)據(jù)挖掘方法論的各個(gè)方面之后，本書詳細(xì)介紹了每個(gè)重要的數(shù)據(jù)挖掘技術(shù)?！稊?shù)據(jù)挖掘技術(shù)（第3版）——應(yīng)用于市場營銷、銷售與客戶關(guān)系管理》的主題包括：◆ 如何創(chuàng)建穩(wěn)定、持久的預(yù)測模型◆ 數(shù)據(jù)準(zhǔn)備和變量選擇◆用諸如回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、基于記憶的推理之類的有指導(dǎo)技術(shù)來建模特定目標(biāo)◆用諸如聚類、關(guān)聯(lián)規(guī)則和鏈接分析之類的無指導(dǎo)技術(shù)來發(fā)現(xiàn)模式◆建模業(yè)務(wù)的事件發(fā)生時(shí)間問題，如下一次購買時(shí)間和預(yù)期的剩余生存期等◆ 挖掘非結(jié)構(gòu)化文本

作者簡介

　　Gordon S.Linoff和Michael J.A.Berry在數(shù)據(jù)挖掘領(lǐng)域的知名度眾所周知。他們是Data Miners公司——一家從事數(shù)據(jù)挖掘的咨詢公司——的創(chuàng)始人，而且他們已經(jīng)共同撰寫了一些在該領(lǐng)域有影響力和得到廣泛閱讀的書籍。他們共同撰寫的第一本書是Data Mining Techniques的第一個(gè)版本，于1997年出版。自那時(shí)起，他們就一直積極地挖掘各種行業(yè)的數(shù)據(jù)。持續(xù)的實(shí)踐分析工作使得兩位作者能夠緊跟數(shù)據(jù)挖掘、預(yù)測以及預(yù)測分析領(lǐng)域的快速發(fā)展。Gordon和Michael嚴(yán)格地獨(dú)立于供應(yīng)商。通過其咨詢工作，作者接觸了所有主要軟件供應(yīng)商（以及一些小的供應(yīng)商）的數(shù)據(jù)分析軟件。他們相信好的結(jié)果不在于是采用專用的還是開源的軟件，命令行的還是點(diǎn)擊的軟件，而是在于創(chuàng)新思維和健全的方法。Gordon和Michael專注于數(shù)據(jù)挖掘在營銷和客戶關(guān)系管理方面的應(yīng)用——例如，為交叉銷售和向上銷售改進(jìn)推薦，預(yù)測未來的用戶級別，建?？蛻羯嫫趦r(jià)值，根據(jù)用戶行為對客戶進(jìn)行劃分，為訪問網(wǎng)站的客戶選擇最佳登錄頁面，確定適合列入營銷活動(dòng)的候選者，以及預(yù)測哪些客戶處于停止使用軟件包、服務(wù)或藥物治療的風(fēng)險(xiǎn)中。Gordon和Michael致力于分享他們的知識、技能以及對這個(gè)主題的熱情。當(dāng)他們自己不挖掘數(shù)據(jù)時(shí)，他們非常喜歡通過課程、講座、文章、現(xiàn)場課堂，當(dāng)然還有你要讀的這本書來教其他人。經(jīng)?？梢园l(fā)現(xiàn)他們在會(huì)議上發(fā)言和在課堂上授課。作者還在blog.data-miners.com維護(hù)了一個(gè)數(shù)據(jù)挖掘的博客。Gordon生活在曼哈頓。在本書之前，他最近的一本書是Data Analysis Using SQL and　Excel，已經(jīng)由Wiley于2008年出版。Michael生活在馬薩諸塞州劍橋市。他除了在Data Miners從事咨詢工作之外，還在波　士頓大學(xué)卡羅爾管理學(xué)院講授市場營銷分析（Marketing Analytics）課程。

圖書目錄

第1章什么是數(shù)據(jù)挖掘以及為什么要進(jìn)行數(shù)據(jù)挖掘
1.1 什么是數(shù)據(jù)挖掘
1.1.1 數(shù)據(jù)挖掘是一項(xiàng)業(yè)務(wù)流程
1.1.2 大量的數(shù)據(jù)
1.1.3 有意義的模式和規(guī)則
1.1.4 數(shù)據(jù)挖掘和客戶關(guān)系管理
1.2 為什么是現(xiàn)在
1.2.1 數(shù)據(jù)正在產(chǎn)生
1.2.2 數(shù)據(jù)正存在于數(shù)據(jù)倉庫中
1.2.3 計(jì)算能力能夠承受
1.2.4 對客戶關(guān)系管理的興趣非常強(qiáng)烈
1.2.5 商業(yè)的數(shù)據(jù)挖掘軟件產(chǎn)品變得可用
1.3 數(shù)據(jù)挖掘人員的技能
1.4 數(shù)據(jù)挖掘的良性循環(huán)
1.5 業(yè)務(wù)數(shù)據(jù)挖掘的案例研究
1.5.1 識別美國銀行的業(yè)務(wù)挑戰(zhàn)
1.5.2 應(yīng)用數(shù)據(jù)挖掘
1.5.3 對結(jié)果采取行動(dòng)
1.5.4 度量數(shù)據(jù)挖掘的影響
1.6 良性循環(huán)的步驟
1.6.1 識別業(yè)務(wù)機(jī)會(huì)
1.6.2 將數(shù)據(jù)轉(zhuǎn)換為信息
1.6.3 根據(jù)信息采取行動(dòng)
1.6.4 度量結(jié)果
1.7 良性循環(huán)上下文中的數(shù)據(jù)挖掘
1.8 經(jīng)驗(yàn)教訓(xùn)

第2章數(shù)據(jù)挖掘在營銷和客戶關(guān)系管理中的應(yīng)用
2.1 兩個(gè)客戶生存周期
2.1.1 客戶個(gè)人生存周期
2.1.2 客戶關(guān)系生存周期
2.1.3 基于訂閱的關(guān)系和基于事件的關(guān)系
2.2 圍繞客戶生存周期組織業(yè)務(wù)流程
2.2.1 客戶獲取
2.2.2 客戶激活
2.2.3 客戶關(guān)系管理
2.2.4 贏回
2.3 數(shù)據(jù)挖掘應(yīng)用于客戶獲取
2.3.1 識別好的潛在客戶
2.3.2 選擇通信渠道
2.3.3 挑選適當(dāng)?shù)男畔?br /> 2.4 數(shù)據(jù)挖掘示例：選擇合適的地方做廣告
2.4.1 誰符合剖析
2.4.2 度量讀者群的適應(yīng)度
2.5 數(shù)據(jù)挖掘改進(jìn)直接營銷活動(dòng)
2.5.1 響應(yīng)建模
2.5.2 優(yōu)化固定預(yù)算的響應(yīng)
2.5.3 優(yōu)化活動(dòng)收益率
2.5.4 抵達(dá)最受信息影響的人
2.6 通過當(dāng)前客戶了解潛在客戶
2.6.1 在客戶成為“客戶”以前開始跟蹤他們
2.6.2 收集新的客戶信息
2.6.3 獲取時(shí)間變量可以預(yù)測將來的結(jié)果
2.7 數(shù)據(jù)挖掘應(yīng)用于客戶關(guān)系管理
2.7.1 匹配客戶的活動(dòng)
2.7.2 減少信用風(fēng)險(xiǎn)
2.7.3 確定客戶價(jià)值
2.7.4 交叉銷售、追加銷售和推薦
2.8 保留
2.8.1 識別流失
2.8.2 為什么流失是問題
2.8.3 不同類型的流失
2.8.4 不同種類的流失模型
2.9 超越客戶生存周期
2.10 經(jīng)驗(yàn)教訓(xùn)

第3章數(shù)據(jù)挖掘過程
3.1 會(huì)出什么問題
3.1.1 學(xué)習(xí)的東西不真實(shí)
3.1.2 學(xué)習(xí)的東西真實(shí)但是無用
3.2 數(shù)據(jù)挖掘類型
3.2.1 假設(shè)檢驗(yàn)
3.2.2 有指導(dǎo)數(shù)據(jù)挖掘
3.2.3 無指導(dǎo)數(shù)據(jù)挖掘
3.3 目標(biāo)、任務(wù)和技術(shù)
3.3.1 數(shù)據(jù)挖掘業(yè)務(wù)目標(biāo)
3.3.2 數(shù)據(jù)挖掘任務(wù)
3.3.3 數(shù)據(jù)挖掘技術(shù)
3.4 制定數(shù)據(jù)挖掘問題：從目標(biāo)到任務(wù)再到技術(shù)
3.4.1 選擇廣告的最佳位置
3.4.2 確定向客戶提供的最佳產(chǎn)品
3.4.3 發(fā)現(xiàn)分支或商店的最佳位置
3.4.4 根據(jù)未來利潤劃分客戶
3.4.5 減少暴露于違約的風(fēng)險(xiǎn)
3.4.6 提高客戶保留
3.4.7 檢測欺詐性索賠
3.5 不同技術(shù)對應(yīng)的任務(wù)
3.5.1 有一個(gè)或多個(gè)目標(biāo)
3.5.2 目標(biāo)數(shù)據(jù)是什么
3.5.3 輸入數(shù)據(jù)是什么
3.5.4 易于使用的重要性
3.5.5 模型可解釋性的重要性
3.6 經(jīng)驗(yàn)教訓(xùn)

第4章統(tǒng)計(jì)學(xué)入門：關(guān)于數(shù)據(jù)，你該了解些什么
4.1 奧卡姆（Occam）剃刀
4.1.1 懷疑論和辛普森悖論
4.1.2 零假設(shè)（Null Hypothesis）
4.1.3 p-值
4.2 觀察和度量數(shù)據(jù)
4.2.1 類別值
4.2.2 數(shù)值變量
4.2.3 更多的統(tǒng)計(jì)思想
4.3 度量響應(yīng)
4.3.1 比例標(biāo)準(zhǔn)誤差
4.3.2 使用置信區(qū)間比較結(jié)果
4.3.3 利用比例差異比較結(jié)果
4.3.4 樣本大小
4.3.5 置信區(qū)間的真正含義是什么
4.3.6 實(shí)驗(yàn)中檢驗(yàn)和對照的大小
4.4 多重比較
4.4.1 多重比較的置信水平
4.4.2 Bonferroni修正
4.5 卡方檢驗(yàn)
4.5.1 期望值
4.5.2 卡方值
4.5.3 卡方值與比例差異的比較
4.6 示例：區(qū)域和開局卡方
4.7 案例研究：利用A/B檢驗(yàn)比較兩種推薦系統(tǒng)
4.7.1 第一個(gè)指標(biāo)：參與會(huì)話
4.7.2 第二個(gè)指標(biāo)：每個(gè)會(huì)話的日收益
4.7.3 第三個(gè)指標(biāo)：每天誰取勝
4.7.4 第四個(gè)指標(biāo)：每個(gè)會(huì)話的平均收益
……
第5章描述和預(yù)測：剖析與預(yù)測建模
第6章使用經(jīng)典統(tǒng)計(jì)技術(shù)的數(shù)據(jù)挖掘
第7章決策樹
第8章人工神經(jīng)網(wǎng)絡(luò)
第9章最近鄰方法：基于記憶的推理和協(xié)同過濾
第10章了解何時(shí)應(yīng)擔(dān)憂：使用生存分析了解客戶
第11章遺傳算法與群體智能
第13章發(fā)現(xiàn)相似的島嶼：自動(dòng)群集檢測
第14章其他的群集檢測方法
第15章購物籃分析和關(guān)聯(lián)規(guī)則
第16章鏈接分析
第17章數(shù)據(jù)倉庫、OLAP、分析沙箱和數(shù)據(jù)挖掘
第18章構(gòu)建客戶簽名
第19章派生變量：使數(shù)據(jù)的含義更豐富
第20章減少變量數(shù)量的技術(shù)
第21章仔細(xì)聆聽客戶所述：文本挖掘