-数据挖掘与数据化运营实战:思路、方法、技巧与应用
    -推荐序
    -推荐序
        -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]](part0013.html#ch1-back)
                -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 神经网络技术的实践应用和注意事项
                -10.1.1 神经网络的原理和核心要素
                -10.1.2 神经网络的应用优势
                -10.1.3 神经网络技术的缺点和注意事项
            -10.2 决策树技术的实践应用和注意事项
                -10.2.1 决策树的原理和核心要素
                -10.2.2 CHAID算法
                -10.2.3 CART算法
                -10.2.4 ID3算法
                -10.2.5 决策树的应用优势
                -10.2.6 决策树的缺点和注意事项
            -10.3 逻辑回归技术的实践应用和注意事项
                -10.3.1 逻辑回归的原理和核心要素
                -10.3.2 回归中的变量筛选方法
                -10.3.3 逻辑回归的应用优势
                -10.3.4 逻辑回归应用中的注意事项
            -10.4 多元线性回归技术的实践应用和注意事项
                -10.4.1 线性回归的原理和核心要素
                -10.4.2 线性回归的应用优势
                -10.4.3 线性回归应用中的注意事项
            -10.5 模型的过拟合及对策
            -10.6 一个典型的预测响应模型的案例分享
                -10.6.1 案例背景
                -10.6.2 基本的数据摸底
                -10.6.3 建模数据的抽取和清洗
                -10.6.4 初步的相关性检验和共线性排查
                -10.6.5 潜在自变量的分布转换
                -10.6.6 自变量的筛选
                -10.6.7 响应模型的搭建与优化
                -10.6.8 冠军模型的确定和主要的分析结论
                -10.6.9 基于模型和分析结论基础上的运营方案
                -10.6.10 模型落地应用效果跟踪反馈
        -第11章 用户特征分析的典型应用和技术小窍门
            -11.1 用户特征分析所适用的典型业务场景
                -11.1.1 寻找目标用户
                -11.1.2 寻找运营的抓手
                -11.1.3 用户群体细分的依据
                -11.1.4 新品开发的线索和依据
            -11.2 用户特征分析的典型分析思路和分析技术
                -11.2.1 3种划分的区别
                -11.2.2 RFM
                -11.2.3 聚类技术的应用
                -11.2.4 决策树技术的应用
                -11.2.5 预测(响应)模型中的核心自变量
                -11.2.6 假设检验的应用
            -11.3 特征提炼后的评价体系
            -11.4 用户特征分析与用户预测模型的区别和联系
            -11.5 用户特征分析案例
        -第12章 运营效果分析的典型应用和技术小窍门
            -12.1 为什么要做运营效果分析
            -12.2 统计技术在数据化运营中最重要最常见的应用
                -12.2.1 为什么要进行假设检验
                -12.2.2 假设检验的基本思想
                -12.2.3 T检验概述
                -12.2.4 两组独立样本T检验的假设和检验
                -12.2.5 两组独立样本的非参数检验
                -12.2.6 配对差值的T检验
                -12.2.7 配对差值的非参数检验
                -12.2.8 方差分析概述
                -12.2.9 单因素方差分析
                -12.2.10 多个样本组的非参数检验
                -12.2.11 卡方检验
                -12.2.12 控制变量的方法
                -12.2.13 AB Test
        -第13章 漏斗模型和路径分析
            -13.1 网络日志和布点[1]
                -13.1.1 日志布点
                -13.1.2 日志采集
                -13.1.3 日志解析
                -13.1.4 日志分析
            -13.2 漏斗模型与路径分析的主要区别和联系
            -13.3 漏斗模型的主要应用场景
                -13.3.1 运营过程的监控和运营效率的分析与改善
                -13.3.2 用户关键路径分析
                -13.3.3 产品优化
            -13.4 路径分析的主要应用场景
            -13.5 路径分析的主要算法
                -13.5.1 社会网络分析方法
                -13.5.2 基于序列的关联分析
                -13.5.3 最朴素的遍历方法
            -13.6 路径分析案例的分享
                -13.6.1 案例背景
                -13.6.2 主要的分析技术介绍
                -13.6.3 分析所用的数据概况
                -13.6.4 主要的数据结论和业务解说
                -13.6.5 主要分析结论的落地应用跟踪
        -第14章 数据分析师对业务团队数据分析能力的培养
            -14.1 培养业务团队数据分析意识与能力的重要性
            -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
            -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
            -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
                -14.4.1 案例背景
                -14.4.2 过程描述
                -14.4.3 本项目的效果跟踪
        -第15章 换位思考
            -15.1 为什么要换位思考
            -15.2 从业务方的角度换位思考数据分析与挖掘
            -15.3 从同行的角度换位思考数据分析挖掘的经验教训
        -第16章 养成数据分析师的品质和思维模式
            -16.1 态度决定一切
                -16.1.1 信念
                -16.1.2 信心
                -16.1.3 热情
                -16.1.4 敬畏
                -16.1.5 感恩
            -16.2 商业意识是核心
                -16.2.1 为什么商业意识是核心
                -16.2.2 如何培养商业意识
            -16.3 一个基本的方法论
            -16.4 大胆假设,小心求证
            -16.5 20/80原理
            -16.6 结构化思维
            -16.7 优秀的数据分析师既要客观,又要主观
        -第17章 条条大道通罗马
            -17.1 为什么会条条大道通罗马
            -17.2 条条大道有侧重
            -17.3 自觉服从和积极响应
                -17.3.1 自觉服从
                -17.3.2 积极响应
            -17.4 具体示例
        -第18章 数据挖掘实践的质量保障流程和制度
            -18.1 一个有效的质量保障流程制度
                -18.1.1 业务需求的收集
                -18.1.2 评估小组评估需求的优先级
                -18.1.3 课题组的成立及前期摸底
                -18.1.4 向业务方提交正式课题(项目)计划书
                -18.1.5 数据分析挖掘的课题展开
                -18.1.6 向业务方提交结论报告及业务落地应用建议
                -18.1.7 课题(项目)的落地应用和效果监控反馈
            -18.2 质量保障流程制度的重要性
            -18.3 如何支持与强化质量保障流程制度
        -第19章 几个经典的数据挖掘方法论
            -19.1 SEMMA方法论
                -19.1.1 数据取样
                -19.1.2 数据探索
                -19.1.3 数据调整
                -19.1.4 模式化
                -19.1.5 评价
            -19.2 CRISP-DM方法论
                -19.2.1 业务理解
                -19.2.2 数据理解
                -19.2.3 数据准备
                -19.2.4 模型搭建
                -19.2.5 模型评估
                -19.2.6 模型发布
            -19.3 Tom Khabaza的挖掘9律
Copyright & copy 7dtime.com 2014-2018 all right reserved,powered by Gitbook该文件修订时间: 2018-09-02 18:32:41

results matching ""

    No results matching ""