数据挖掘与数据化运营实战 卢辉 著作 专业科技 文轩网

 推荐序
前言
第1章  什么是数据化运营 / 1
1.1  现代营销理论的发展历程 / 2
1.1.1  从4P到4C / 2
1.1.2  从4C到3P3C / 3
1.2  数据化运营的主要内容 / 5
1.3  为什么要数据化运营 / 7
1.4  数据化运营的必要条件 / 8
1.4.1  企业级海量数据存储的实现 / 8
1.4.2  精细化运营的需求 / 10
1.4.3  数据分析和数据挖掘技术的有效应用 / 11
1.4.4  企业决策层的倡导与持续支持 / 11
1.5  数据化运营的新现象与新发展 / 12
1.6  关于互联网和电子商务的近期新数据 / 14
第2章  数据挖掘概述 / 15
2.1  数据挖掘的发展历史 / 16
2.2  统计分析与数据挖掘的主要区别 / 16
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 / 18
2.3.1  决策树 / 18
2.3.2  神经网络 / 19
2.3.3  回归 / 21
2.3.4  关联规则 / 22
2.3.5  聚类 / 23
2.3.6  贝叶斯分类方法 / 24
2.3.7  支持向量机 / 25
2.3.8  主成分分析 / 26
2.3.9  假设检验 / 27
2.4  互联网行业数据挖掘应用的特点 / 28
第3章  数据化运营中常见的数据分析项目类型 / 30
3.1  目标客户的特征分析 / 31
3.2  目标客户的预测（响应、分类）模型 / 32
3.3  运营群体的活跃度定义 / 33
3.4  用户路径分析 / 34
3.5  交叉销售模型 / 35
3.6  信息质量模型 / 37
3.7  服务保障模型 / 39
3.8  用户（买家、卖家）分层模型 / 40
3.9  卖家（买家）交易模型 / 44
3.10  信用风险模型 / 44
3.11  商品推荐模型 / 45
3.11.1  商品推荐介绍 / 45
3.11.2  关联规则 / 45
3.11.3  协同过滤算法 / 50
3.11.4  商品推荐模型总结 / 54
3.12  数据产品 / 55
3.13  决策支持 / 56
第4章  数据化运营是跨专业、跨团队的协调与合作 / 57
4.1  数据分析团队与业务团队的分工和定位 / 58
4.1.1  提出业务分析需求并且能胜任基本的数据分析 / 58
4.1.2  提供业务经验和参考建议 / 60
4.1.3  策划和执行精细化运营方案 / 60
4.1.4  跟踪运营效果、反馈和总结 / 61
4.2  数据化运营是真正的多团队、多专业的协同作业 / 62
4.3  实例示范数据化运营中的跨专业、跨团队协调合作 / 62
第5章  分析师常见的错误观念和对治的管理策略 / 67
5.1  轻视业务论 / 68
5.2  技术万能论 / 69
5.3  技术很好论 / 71
5.4  建模与应用两段论 / 72
5.5  机器万能论 / 73
5.6  幸福的家庭都是相似的，不幸的家庭各有各的不幸 / 74
第6章  数据挖掘项目完整应用案例演示 / 76
6.1  项目背景和业务分析需求的提出 / 77
6.2  数据分析师参与需求讨论 / 78
6.3  制定需求分析框架和分析计划 / 79
6.4  抽取样本数据、熟悉数据、数据清洗和摸底 / 81
6.5  按计划初步搭建挖掘模型 / 81
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 / 83
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 / 84
6.8  完成分析报告和落地应用建议 / 86
6.9  制定具体的落地应用方案和评估方案 / 86
6.10  业务方实施落地应用方案并跟踪、评估效果 / 86
6.11  落地应用方案在实际效果评估后，不断修正完善 / 88
6.12  不同运营方案的评估、总结和反馈 / 88
6.13  项目应用后的总结和反思 / 89
第7章  数据挖掘建模的优化和限度 / 90
7.1  数据挖掘模型的优化要遵循有效、适度的原则 / 91
7.2  如何有效地优化模型 / 92
7.2.1  从业务思路上优化 / 92
7.2.2  从建模的技术思路上优化 / 94
7.2.3  从建模的技术技巧上优化 / 95
7.3  如何思考优化的限度 / 96
7.4  模型效果评价的主要指标体系 / 96
7.4.1  评价模型准确度和精度的系列指标 / 97
7.4.2  ROC曲线 / 99
7.4.3  KS值 / 100
7.4.4  Lift值 / 102
7.4.5  模型稳定性的评估 / 104
第8章  常见的数据处理技巧 / 105
8.1  数据的抽取要正确反映业务需求 / 106
8.2  数据抽样 / 107
8.3  分析数据的规模有哪些具体的要求 / 108
8.4  如何处理缺失值和异常值 / 109
8.4.1  缺失值的常见处理方法 / 109
8.4.2  异常值的判断和处理 / 111
8.5  数据转换 / 112
8.5.1  生成衍生变量 / 113
8.5.2  改善变量分布的转换 / 113
8.5.3  分箱转换 / 114
8.5.4  数据的标准化 / 115
8.6  筛选有效的输入变量 / 115
8.6.1  为什么要筛选有效的输入变量 / 116
8.6.2  结合业务经验进行先行筛选 / 116
8.6.3  用线性相关性指标进行初步筛选 / 117
8.6.4  R平方 / 118
8.6.5  卡方检验 / 119
8.6.6  IV和WOE / 120
8.6.7  部分建模算法自身的筛选功能 / 121
8.6.8  降维的方法 / 122
8.6.9  最后的准则 / 122
8.7  共线性问题 / 123
8.7.1  如何发现共线性 / 123
8.7.2  如何处理共线性 / 123
第9章  聚类分析的典型应用和技术小窍门 / 125
9.1  聚类分析的典型应用场景 / 126
9.2  主要聚类算法的分类 / 127
9.2.1  划分方法 / 127
9.2.2  层次方法 / 128
9.2.3  基于密度的方法 / 128
9.2.4  基于网格的方法 / 129
9.3  聚类分析在实践应用中的重点注意事项 / 129
9.3.1  如何处理数据噪声和异常值 / 129
9.3.2  数据标准化 / 130
9.3.3  聚类变量的少而精 / 131
9.4  聚类分析的扩展应用 / 132
9.4.1  聚类的核心指标与非聚类的业务指标相辅相成 / 132
9.4.2  数据的探索和清理工具 / 132
9.4.3  个性化推荐的应用 / 133
9.5  聚类分析在实际应用中的优势和缺点 / 134
9.6  聚类分析结果的评价体系和评价指标 / 135
9.6.1  业务专家的评估 / 135
9.6.2  聚类技术上的评价指标 / 136
9.7  一个典型的聚类分析课题的案例分享 / 137
9.7.1  案例背景 / 137
9.7.2  基本的数据摸底 / 137
9.7.3  基于用户样本的聚类分析的初步结论 / 138
第10章  预测响应（分类）模型的典型应用和技术小窍门 / 140
10.1  神经网络技术的实践应用和注意事项 / 141
10.1.1  神经网络的原理和核心要素 / 141
10.1.2  神经网络的应用优势 / 143
10.1.3  神经网络技术的缺点和注意事项 / 143
10.2  决策树技术的实践应用和注意事项 / 144
10.2.1  决策树的原理和核心要素 / 144
10.2.2  CHAID算法 / 145
10.2.3  CART算法 / 145
10.2.4  ID3算法 / 146
10.2.5  决策树的应用优势 / 146
10.2.6  决策树的缺点和注意事项 / 147
10.3  逻辑回归技术的实践应用和注意事项 / 148
10.3.1  逻辑回归的原理和核心要素 / 148
10.3.2  回归中的变量筛选方法 / 150
10.3.3  逻辑回归的应用优势 / 151
10.3.4  逻辑回归应用中的注意事项 / 151
10.4  多元线性回归技术的实践应用和注意事项 / 152
10.4.1  线性回归的原理和核心要素 / 152
10.4.2  线性回归的应用优势 / 153
10.4.3  线性回归应用中的注意事项 / 153
10.5  模型的过拟合及对策 / 154
10.6  一个典型的预测响应模型的案例分享 / 156
10.6.1  案例背景 / 156
10.6.2  基本的数据摸底 / 156
10.6.3  建模数据的抽取和清洗 / 158
10.6.4  初步的相关性检验和共线性排查 / 159
10.6.5  潜在自变量的分布转换 / 160
10.6.6  自变量的筛选 / 161
10.6.7  响应模型的搭建与优化 / 162
10.6.8  冠军模型的确定和主要的分析结论 / 162
10.6.9  基于模型和分析结论基础上的运营方案 / 164
10.6.10  模型落地应用效果跟踪反馈 / 165
第11章  用户特征分析的典型应用和技术小窍门 / 166
11.1  用户特征分析所适用的典型业务场景 / 167
11.1.1  寻找目标用户 / 167
11.1.2  寻找运营的抓手 / 168
11.1.3  用户群体细分的依据 / 169
11.1.4  新品开发的线索和依据 / 169
11.2  用户特征分析的典型分析思路和分析技术 / 170
11.2.1  3种划分的区别 / 170
11.2.2  RFM / 171
11.2.3  聚类技术的应用 / 172
11.2.4  决策树技术的应用 / 173
11.2.5  预测（响应）模型中的核心自变量 / 173
11.2.6  假设检验的应用 / 174
11.3  特征提炼后的评价体系 / 174
11.4  用户特征分析与用户预测模型的区别和联系 / 175
11.5  用户特征分析案例 / 176
第12章  运营效果分析的典型应用和技术小窍门 / 177
12.1  为什么要做运营效果分析 / 178
12.2  统计技术在数据化运营中最重要最常见的应用 / 179
12.2.1  为什么要进行假设检验 / 179
12.2.2  假设检验的基本思想 / 179
12.2.3  T检验概述 / 180
12.2.4  两组独立样本T检验的假设和检验 / 181
12.2.5  两组独立样本的非参数检验 / 182
12.2.6  配对差值的T检验 / 183
12.2.7  配对差值的非参数检验 / 184
12.2.8  方差分析概述 / 186
12.2.9  单因素方差分析 / 187
12.2.10  多个样本组的非参数检验 / 190
12.2.11  卡方检验 / 190
12.2.12  控制变量的方法 / 191
12.2.13  AB Test / 192
第13章  漏斗模型和路径分析 / 193
13.1  网络日志和布点 / 194
13.1.1  日志布点 / 195
13.1.2  日志采集 / 195
13.1.3  日志解析 / 195
13.1.4  日志分析 / 195
13.2  漏斗模型与路径分析的主要区别和联系 / 196
13.3  漏斗模型的主要应用场景 / 197
13.3.1  运营过程的监控和运营效率的分析与改善 / 197
13.3.2  用户关键路径分析 / 198
13.3.3  产品优化 / 198
13.4  路径分析的主要应用场景 / 198
13.5  路径分析的主要算法 / 199
13.5.1  社会网络分析方法 / 199
13.5.2  基于序列的关联分析 / 200
13.5.3  最朴素的遍历方法 / 201
13.6  路径分析案例的分享 / 203
13.6.1  案例背景 / 203
13.6.2  主要的分析技术介绍 / 203
13.6.3  分析所用的数据概况 / 203
13.6.4  主要的数据结论和业务解说 / 203
13.6.5  主要分析结论的落地应用跟踪 / 206
第14章  数据分析师对业务团队数据分析能力的培养 / 208
14.1  培养业务团队数据分析意识与能力的重要性 / 209
14.2  数据分析师在业务团队数据分析意识能力培养中的作用 / 210
14.3  数据分析师如何培养业务团队的数据分析意识和能力 / 210
14.4  数据分析师培养业务团队数据分析意识能力的案例分享 / 212
14.4.1   案例背景 / 212
14.4.2  过程描述 / 212
14.4.3  本项目的效果跟踪 / 214
第15章  换位思考 / 216
15.1  为什么要换位思考 / 217
15.2  从业务方的角度换位思考数据分析与挖掘 / 218
15.3  从同行的角度换位思考数据分析挖掘的经验教训 / 220
第16章  养成数据分析师的品质和思维模式 / 222
16.1  态度决定一切 / 223
16.1.1  信念 / 223
16.1.2  信心 / 224
16.1.3  热情 / 225
16.1.4  敬畏 / 226
16.1.5  感恩 / 227
16.2  商业意识是核心 / 228
16.2.1  为什么商业意识是核心 / 228
16.2.2  如何培养商业意识 / 229
16.3  一个基本的方法论 / 230
16.4  大胆假设，小心求证 / 231
16.5  20/80原理 / 233
16.6  结构化思维 / 233
16.7  优秀的数据分析师既要客观，又要主观 / 234
第17章  条条大道通罗马 / 236
17.1  为什么会条条大道通罗马 / 237
17.2  条条大道有侧重 / 238
17.3  自觉服从和积极响应 / 239
17.3.1  自觉服从 / 239
17.3.2  积极响应 / 240
17.4  具体示例 / 242
第18章  数据挖掘实践的质量保障流程和制度 / 243
18.1  一个有效的质量保障流程制度 / 244
18.1.1  业务需求的收集 / 245
18.1.2  评估小组评估需求的优先级 / 246
18.1.3  课题组的成立及前期摸底 / 247
18.1.4  向业务方提交正式课题（项目）计划书 / 247
18.1.5  数据分析挖掘的课题展开 / 248
18.1.6  向业务方提交结论报告及业务落地应用建议 / 248
18.1.7  课题（项目）的落地应用和效果监控反馈 / 248
18.2  质量保障流程制度的重要性 / 249
18.3  如何支持与强化质量保障流程制度 / 250
第19章  几个经典的数据挖掘方法论 / 251
19.1  SEMMA方法论 / 252
19.1.1  数据取样 / 253
19.1.2  数据探索 / 253
19.1.3  数据调整 / 253
19.1.4  模式化 / 254
19.1.5  评价 / 254
19.2  CRISP-DM方法论 / 254
19.2.1  业务理解 / 255
19.2.2  数据理解 / 256
19.2.3   数据准备 / 256
19.2.4  模型搭建 / 256
19.2.5  模型评估 / 256
19.2.6  模型发布 / 256
19.3  Tom Khabaza的挖掘9律 / 256