扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
数据挖掘技术(第3版) 版权信息
- ISBN：9787302310143
- 条形码：9787302310143 ; 978-7-302-31014-3
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
数据挖掘技术(第3版) 本书特色
《数据挖掘技术（第3版）：应用于市场营销、销售与客户关系管理》主题包括： 如何创建稳定、持久的预测模型 数据准备和变量选择 用诸如回归、决策树、神经网络、基于记忆的推理之类的有指导技术来建模特定目标 用诸如聚类、关联规则和链接分析之类的无指导技术来发现模式 建模业务的事件发生时间问题，如下一次购买时间和预期的剩余生存期等 挖掘非结构化文本
数据挖掘技术(第3版) 内容简介
谁将是忠实的客户？谁将不是呢？哪些消息对哪些客户细分有效？如何大化客户的价值？如何将客户的价值大化？《数据挖掘技术（第3版）：应用于市场营销、销售与客户关系管理》提供了强大的工具，可以从上述和其他重要商业问题所在的公司数据库中提取它们的答案。自该书第1版问世以来，数据挖掘已经日益成为现代商业不可缺少的工具。在这个新版本中，作者对每个章节都进行了大量的更新和修订，并且添加了几个新的章节。该书保留了早期版本的重点，指导市场分析师、业务经理和数据挖掘专家利用数据挖掘方法和技术来解决重要的商业问题。在不牺牲准确度的前提下，为了简单起见，即使是复杂的主题，作者也进行了简洁明了的介绍，并尽量减少对技术术语或数学公式的使用。每个技术主题都通过案例研究和源自作者经验的真实案例进行说明，每章都包含了针对从业者的宝贵提示。书中介绍的新技术和更为深入的技术包括：线性和逻辑回归模型、增量响应（提升）建模、朴素贝叶斯模型、表查询模型、相似度模型、径向基函数网络、期望值大化（EM）聚类和群体智慧。新的章节专门讨论了数据准备、派生变量、主成分分析和其他变量减少技术，以及文本挖掘。 在建立了全面的数据挖掘应用业务环境，并介绍了所有数据挖掘项目通用的数据挖掘方法论的各个方面之后，该书详细介绍了每个重要的数据挖掘技术。
数据挖掘技术(第3版) 目录
第1章 什么是数据挖掘以及为什么要进行数据挖掘
1．1 什么是数据挖掘
1．1．1 数据挖掘是一项业务流程
1．1．2 大量的数据
1．1．3 有意义的模式和规则
1．1．4 数据挖掘和客户关系管理
1．2 为什么是现在
1．2．1 数据正在产生
1．2．2 数据正存在于数据仓库中
1．2．3 计算能力能够承受
1．2．4 对客户关系管理的兴趣非常强烈
1．2．5 商业的数据挖掘软件产品变得可用
1．3 数据挖掘人员的技能
1．4 数据挖掘的良性循环
1．5 业务数据挖掘的案例研究
1．5．1 识别美国银行的业务挑战
1．5．2 应用数据挖掘
1．5．3 对结果采取行动
1．5．4 度量数据挖掘的影响
1．6 良性循环的步骤
1．6．1 识别业务机会
1，6．2 将数据转换为信息
1．6．3 根据信息采取行动
1．6．4 度量结果
1．7 良性循环上下文中的数据挖掘
1．8 经验教训
第2章 数据挖掘在营销和客户关系管理中的应用
2．1 两个客户生存周期
2．1．1 客户个人生存周期
2．1．2 客户关系生存周期
2．1．3 基于订阅的关系和基于事件的关系
2．2 围绕客户生存周期组织业务流程
2．2．1 客户获取
2．2．2 客户激活
2．2．3 客户关系管理
2．2．4 赢回
2．3 数据挖掘应用于客户获取
2．3．1 识别好的潜在客户
2．3．2 选择通信渠道
2．3．3 挑选适当的信息
2．4 数据挖掘示例：选择合适的地方做广告
2．4．1 谁符合剖析
2．4．2 度量读者群的适应度
2．5 数据挖掘改进直接营销活动
2．5．1 响应建模
2．5．2 优化固定预算的响应
2．5．3 优化活动收益率
2．5．4 抵达*受信息影响的人
2．6 通过当前客户了解潜在客户
2．6．1 在客户成为”客户“以前开始跟踪他们”
2．6．2 收集新的客户信息
2．6．3 获取时间变量可以预测将来的结果
2．7 数据挖掘应用于客户关系管理
2．7．1 匹配客户的活动
2．7．2 减少信用风险
2．7．3 确定客户价值
2．7．4 交叉销售、追加销售和推荐
2．8 保留
2．8．1 识别流失
2．8．2 为什么流失是问题
2．8．3 不同类型的流失
2．8．4 不同种类的流失模型
2．9 超越客户生存周期
2．10 经验教训
第3章 数据挖掘过程
3．1 会出什么问题
3．1．1 学习的东西不真实
3．1．2 学习的东西真实但是无用
3．2 数据挖掘类型
3．2．1 假设检验
3．2．2．有指导数据挖掘
3．2．3 无指导数据挖掘
3．3 目标、任务和技术
3．3．1 数据挖掘业务目标
3．3．2 数据挖掘任务
3．3．3 数据挖掘技术
3．4 制定数据挖掘问题：从目标到任务再到技术
3．4．1 选择广告的*佳位置
3．4．2 确定向客户提供的*佳产品
3．4．3 发现分支或商店的*佳位置
3．4．4 根据未来利润划分客户
3．4．5 减少暴露于违约的风险
3．4．6 提高客户保留
3．4．7 检测欺诈性索赔
3．5 不同技术对应的任务
3．5．1 有一个或多个目标
……
第4章 统计学入门：关于数据，你该了解些什么
第5章 描述和预测：剖析与预测建模
第6章 使用经典统计技术的数据挖掘
第7章 决策树
第8章 人工神经网络
第9章 *近邻方法：基于记忆的推理和协同过滤
第10章 了解何时应担忧：使用生存分析了解客户
第11章 遗传算法与群体智能
第12章 一些新知识：模式识别与数据挖掘
第13章 发现相似的岛屿：自动群集检测
第14章 其他的群集检测方法
第15章 购物篮分析和关联规则
第16章 链接分析
第17章 数据仓库、OLAP、分析沙箱和数据挖掘
第18章 构建客户签名
第19章 派生变量：使数据的含义更丰富
第20章 减少变量数量的技术
第21章 仔细聆听客户所述：文本挖掘
1．1 什么是数据挖掘
1．1．1 数据挖掘是一项业务流程
1．1．2 大量的数据
1．1．3 有意义的模式和规则
1．1．4 数据挖掘和客户关系管理
1．2 为什么是现在
1．2．1 数据正在产生
1．2．2 数据正存在于数据仓库中
1．2．3 计算能力能够承受
1．2．4 对客户关系管理的兴趣非常强烈
1．2．5 商业的数据挖掘软件产品变得可用
1．3 数据挖掘人员的技能
1．4 数据挖掘的良性循环
1．5 业务数据挖掘的案例研究
1．5．1 识别美国银行的业务挑战
1．5．2 应用数据挖掘
1．5．3 对结果采取行动
1．5．4 度量数据挖掘的影响
1．6 良性循环的步骤
1．6．1 识别业务机会
1，6．2 将数据转换为信息
1．6．3 根据信息采取行动
1．6．4 度量结果
1．7 良性循环上下文中的数据挖掘
1．8 经验教训
第2章 数据挖掘在营销和客户关系管理中的应用
2．1 两个客户生存周期
2．1．1 客户个人生存周期
2．1．2 客户关系生存周期
2．1．3 基于订阅的关系和基于事件的关系
2．2 围绕客户生存周期组织业务流程
2．2．1 客户获取
2．2．2 客户激活
2．2．3 客户关系管理
2．2．4 赢回
2．3 数据挖掘应用于客户获取
2．3．1 识别好的潜在客户
2．3．2 选择通信渠道
2．3．3 挑选适当的信息
2．4 数据挖掘示例：选择合适的地方做广告
2．4．1 谁符合剖析
2．4．2 度量读者群的适应度
2．5 数据挖掘改进直接营销活动
2．5．1 响应建模
2．5．2 优化固定预算的响应
2．5．3 优化活动收益率
2．5．4 抵达*受信息影响的人
2．6 通过当前客户了解潜在客户
2．6．1 在客户成为”客户“以前开始跟踪他们”
2．6．2 收集新的客户信息
2．6．3 获取时间变量可以预测将来的结果
2．7 数据挖掘应用于客户关系管理
2．7．1 匹配客户的活动
2．7．2 减少信用风险
2．7．3 确定客户价值
2．7．4 交叉销售、追加销售和推荐
2．8 保留
2．8．1 识别流失
2．8．2 为什么流失是问题
2．8．3 不同类型的流失
2．8．4 不同种类的流失模型
2．9 超越客户生存周期
2．10 经验教训
第3章 数据挖掘过程
3．1 会出什么问题
3．1．1 学习的东西不真实
3．1．2 学习的东西真实但是无用
3．2 数据挖掘类型
3．2．1 假设检验
3．2．2．有指导数据挖掘
3．2．3 无指导数据挖掘
3．3 目标、任务和技术
3．3．1 数据挖掘业务目标
3．3．2 数据挖掘任务
3．3．3 数据挖掘技术
3．4 制定数据挖掘问题：从目标到任务再到技术
3．4．1 选择广告的*佳位置
3．4．2 确定向客户提供的*佳产品
3．4．3 发现分支或商店的*佳位置
3．4．4 根据未来利润划分客户
3．4．5 减少暴露于违约的风险
3．4．6 提高客户保留
3．4．7 检测欺诈性索赔
3．5 不同技术对应的任务
3．5．1 有一个或多个目标
……
第4章 统计学入门：关于数据，你该了解些什么
第5章 描述和预测：剖析与预测建模
第6章 使用经典统计技术的数据挖掘
第7章 决策树
第8章 人工神经网络
第9章 *近邻方法：基于记忆的推理和协同过滤
第10章 了解何时应担忧：使用生存分析了解客户
第11章 遗传算法与群体智能
第12章 一些新知识：模式识别与数据挖掘
第13章 发现相似的岛屿：自动群集检测
第14章 其他的群集检测方法
第15章 购物篮分析和关联规则
第16章 链接分析
第17章 数据仓库、OLAP、分析沙箱和数据挖掘
第18章 构建客户签名
第19章 派生变量：使数据的含义更丰富
第20章 减少变量数量的技术
第21章 仔细聆听客户所述：文本挖掘
展开全部
数据挖掘技术(第3版) 作者简介
Gordon S.Linoff和Michael J.A.Berry是Data Miners公司的创始人，这是一家专注于数据挖掘的咨询公司。他们已经共同编写了两本在该领域领先的数据挖掘书籍：Data Mining Techniques和Mastering DataMining（都由Wiley出版）。他们每人都有数十年应用数据挖掘技术的经验，以帮助企业解决市场营销、销售和客户关系管理的问题。
书友推荐
本类畅销
-
一本书读懂大数据
¥13.5¥36 -
4.23文创礼盒A款--“作家言我精神状态”
¥42.3¥206 -
4.23文创礼盒B款--“作家言我精神状态”
¥42.3¥206 -
一句顶一万句 (印签版)
¥40.4¥68 -
百年书评史散论
¥14.9¥38 -
1980年代:小说六记
¥52.8¥69
