-数据挖掘与数据化运营实战:思路、方法、技巧与应用
        -数据挖掘与数据化运营实战 ——思路、方法、技巧与应用
            -卢辉 著
        -推荐序
        -前言
        -第1章 什么是数据化运营
            -1.1.1 从4P到4C
            -1.1.2 从4C到3P3C
            -1.4.1 企业级海量数据存储的实现[1]
            -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
        -第2章 数据挖掘概述
            -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
        -第3章 数据化运营中常见的数据分析项目类型
            -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
        -第4章 数据化运营是跨专业、跨团队的协调与合作
            -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
        -第5章 分析师常见的错误观念和对治的管理策略
        -第6章 数据挖掘项目完整应用案例演示
        -第7章 数据挖掘建模的优化和限度
            -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
            -7.4.1 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
            -8.4.1 缺失值的常见处理方法
            -8.4.2 异常值的判断和处理
            -8.5.1 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
            -8.6.1 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
            -8.7.1 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
            -9.2.1 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
            -9.3.1 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
            -9.4.1 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
            -9.6.1 业务专家的评估
            -9.6.2 聚类技术上的评价指标
            -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
            -10.1.1 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
            -10.2.1 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
            -10.3.1 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
            -10.4.1 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
            -10.6.1 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
            -11.1.1 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
            -11.2.1 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
        -第12章 运营效果分析的典型应用和技术小窍门
            -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
            -13.1.1 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
            -13.3.1 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
            -13.5.1 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
            -13.6.1 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
            -14.4.1 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
        -第16章 养成数据分析师的品质和思维模式
            -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
            -16.2.1 为什么商业意识是核心
            -16.2.2 如何培养商业意识
        -第17章 条条大道通罗马
            -17.3.1 自觉服从
            -17.3.2 积极响应
        -第18章 数据挖掘实践的质量保障流程和制度
            -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
        -第19章 几个经典的数据挖掘方法论
            -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
            -19.2.1 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
            -Table of Contents
Copyright & copy 7dtime.com 2014-2018 all right reserved,powered by Gitbook该文件修订时间: 2018-09-02 18:16:14

results matching ""

    No results matching ""