数据挖掘技术
￥ 8.45 1.1折 ￥ 79.8 九五品
仅1件
作者(美) Gordon S. Linoff, Michael
出版社清华大学出版社
ISBN9787302310143
出版时间2017-07
版次1
装帧平装
开本16开
纸张胶版纸
页数620页
定价79.8元
上书时间2024-12-11
商品详情
- 品相描述：九五品
- 商品描述
-
基本信息
书名:数据挖掘技术
定价：79.80元
作者:(美) Gordon S. Linoff, Michael J. A. Berry著
出版社：清华大学出版社
出版日期：2017-07-01
ISBN：9787302310143
字数：
页码：620
版次：5
装帧：平装
开本：12开
商品重量：
编辑推荐
内容提要
谁将是忠实的客户？谁将不是呢？哪些消息对 哪些客户细分？如何化客户的价值？如 何将部的价值化？本书提供了强大的工具，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。自本书第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。在沙版本中，作者对每个章节都进行了大量的更新和 修订，并且添加民个新的章节。本书保留了早期版 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（提划建模、朴素贝叶斯模型、表 查询模型、相似度模型、径向基函数网络、期望值化民M）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。 在建立论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，本书详细介绍了每个重要的数据挖掘 技术。
目录
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 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 选择广告的位置3.4.2 确定向客户提供的产品3.4.3 发现分支或商店的位置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3.5.2 目标数据是什么3.5.3 输入数据是什么3.5.4 易于使用的重要性3.5.5 模型可解释性的重要性3.6 经验教训第4章 统计学入门：关于数据，你该了解些什么4.1 奥卡姆（Occam）剃刀4.1.1 怀疑论和辛普森悖论4.1.2 零假设（Null Hypothesis）4.1.3 p-值4.2 观察和度量数据4.2.1 类别值4.2.2 数值变量4.2.3 更多的统计思想4.3 度量响应4.3.1 比例标准误差4.3.2 使用置信区间比较结果4.3.3 利用比例差异比较结果4.3.4 样本大小4.3.5 置信区间的真正含义是什么4.3.6 实验中检验和对照的大小4.4 多重比较4.4.1 多重比较的置信水平4.4.2 Bonferroni修正4.5 卡方检验4.5.1 期望值4.5.2 卡方值4.5.3 卡方值与比例差异的比较4.6 示例：区域和开局卡方4.7 案例研究：利用A/B检验比较两种推荐系统4.7.1 个指标：参与会话4.7.2 第二个指标：每个会话的日收益4.7.3 第三个指标：每天谁取胜4.7.4 第四个指标：每个会话的平均收益……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0章 了解何时应担忧：使用生存分析了解客户1章 遗传算法与群体智能3章 发现相似的岛屿：自动群集检测4章 其他的群集检测方法5章 购物篮分析和关联规则6章 链接分析7章 数据仓库、OLAP、分析沙箱和数据挖掘8章 构建客户9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
作者介绍
Gordon S.Linoff和Michael J.A.Berry在数据挖掘领域的知名度众所周知。他们是Data
Miners公司——一家从事数据挖掘的咨询公司——的创始人，而且他们已经共同撰写了一些在该领域有影响力和得到广泛阅读的书籍。他们共同撰写的本书是Data
Mining
Techniques的个版本，于1997年出版。自那时起，他们就一直积极地挖掘各种行业的数据。持续的实践分析工作使得两位作者能够紧跟数据挖掘、预测以及预测分析领域的快速发展。Gordon和Michael严格地独立于供应商。通过其咨询工作，作者接触了所有主要软件供应商（以及一些小的供应商）的数据分析软件。他们相信好的结果不在于是采用专用的还是开源的软件，命令行的还是点击的软件，而是在于创新思维和健全的方法。
Gordon和Michael专注于数据挖掘在营销和客户关系管理方面的应用——例如，为交叉销售和向上销售改进推荐，预测未来的用户级别，建模客户生存期价值，根据用户行为对客户进行划分，为访问网站的客户选择登录页面，确定适合列入营销活动的候选者，以及预测哪些客户处于停止使用软件包、服务或药物治疗的风险中。Gordon和Michael致力于分享他们的知识、技能以及对这个主题的热情。当他们自己不挖掘数据时，他们非常喜欢通过课程、讲座、文章、现场课堂，当然还有你要读的这本书来教其他人。经常可以发现他们在会议上发言和在课堂上授课。作者还在blog.data-miners.com维护了一个数据挖掘的博客。
Gordon生活在曼哈顿。在本书之前，他近的一本书是Data Analysis Using SQL
and Excel，已经由Wiley于2008年出版。
Michael生活在马萨诸塞州剑桥市。他除了在Data
Miners从事咨询工作之外，还在波 士顿大学卡罗尔管理学院讲授市场营销分析（Marketing Analytics）课程。
序言
-
【封面】
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价