商务数据挖掘与应用案例分析

图书标准信息

• 作者 蒋盛益 编
• 出版社 电子工业出版社
• 出版时间 2014-01
• 版次 1
• ISBN 9787121222115
• 定价 42.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 312页
• 字数 499千字
• 正文语种 简体中文

【内容简介】

　　《商务数据挖掘与应用案例分析》由认识篇、技术篇和案例篇三部分组成，以商业领域中的问题为背景，重点在于讲解数据挖掘技术的应用。认识篇从整体上介绍了数据挖掘的各种技术和数据挖掘建模过程，可使读者了解数据挖掘技术在商业领域中的应用概貌；技术篇介绍了数据挖掘中的聚类分析、分类、回归、关联规则挖掘、离群点检测等方法；案例篇展示了数据挖掘在6个不同行业中的应用案例，期望通过案例的分析使读者能够理解如何应用数据挖掘技术解决商业领域中的问题。

【作者简介】

1984.8―1998.3在邵阳师专数学系任教； 1998.4―2005.6在衡阳师范学院计算机系任教，历任计算机系常务副主任、主任； 2005.7―至今，在广东外语外贸大学信息学院任教

【目录】

上篇认识篇
第1章绪论
1.1引例
1.2数据挖掘产生的背景及概念
1.2.1数据挖掘产生的背景
1.2.2数据挖掘概念
1.3数据挖掘任务及过程
1.3.1数据挖掘任务
1.3.2数据挖掘过程
1.4数据挖掘常用软件简介
1.5数据挖掘在商业领域中的应用
1.5.1市场营销
1.5.2交叉销售与交叉营销
1.5.3客户关系管理
1.5.4个性化推荐与个性化服务
1.5.5风险分析与控制
1.5.6欺诈行为检测和异常模式的发现
1.5.7供应链库存管理中的需求预测
1.5.8人力资源管理
1.6数据挖掘技术的前景
1.7本章小结
第2章数据挖掘建模方法
2.1概述
2.2业务理解
2.3数据理解
2.4数据准备
2.5建模
2.5.1成功建立预测模型的注意要点
2.5.2如何建立有效的预测模型
2.6评估
2.7部署
2.8本章小结

中篇技术篇
第3章聚类分析
3.1概述
3.2相似性度量
3.2.1数据及数据类型
3.2.2属性之间的相似性度量
3.2.3对象之间的相似性度量
3.3k-means算法及其改进
3.3.1k-means算法
3.3.2k-means聚类算法的改进
3.4一趟聚类算法
3.4.1算法描述
3.4.2聚类阈值的选择策略
3.5层次聚类算法
3.5.1概述
3.5.2BIRCH算法
3.5.3两步聚类算法
3.6SOM算法
3.6.1SOM算法中网络的拓扑结构
3.6.2SOM算法的聚类原理
3.7聚类算法评价
3.7.1监督度量
3.7.2非监督度量
3.8综合例子
3.9本章小结
第4章分类
4.1概述
4.2决策树分类方法
4.2.1决策树的基本概念
4.2.2决策树的构建
4.2.3Hunt算法
4.2.4C4.5分类算法
4.2.5CART算法
4.2.6C4.5与CART算法的区别
4.2.7决策树分类算法的优点
4.3朴素贝叶斯分类方法
4.3.1朴素贝叶斯算法的相关概念
4.3.2零条件概率问题的处理
4.3.3朴素贝叶斯算法的优缺点
4.4最近邻KNN分类方法
4.4.1最近邻分类的基本概念
4.4.2KNN算法优缺点
4.4.3KNN的扩展
4.5集成分类器
4.5.1集成分类器的过程描述
4.5.2构建集成分类器的方法
4.5.3集成分类器方法优缺点
4.6分类方法评价
4.7综合例子
4.8本章小结
第5章关联规则分析
5.1概述
5.2关联规则分析基础
5.2.1基本概念
5.2.2基础分析方法
5.3Apriori算法
5.3.1Apriori性质
5.3.2Apriori算法原理
5.3.3Apriori算法演示示例
5.3.4Apriori算法评价
5.4CARMA算法
5.4.1PhaseI阶段
5.4.2PhaseII阶段
5.5产生关联规则
5.5.1一般关联规则的产生
5.5.2Apriori算法关联规则的产生
5.5.3规则的评估标准
5.6关联规则扩展
5.6.1多层次关联规则
5.6.2多维度关联规则
5.6.3定量关联规则
5.6.4基于约束的关联规则
5.6.5序列模式挖掘
5.7综合例子
5.7.1概述
5.7.2案例分析流程
5.8本章小结
第6章离群点检测
6.1概述
6.2基于相对密度的离群点检测方法
6.3基于聚类的离群点检测方法
6.3.1基于对象的离群因子方法
6.3.2基于簇的离群因子检测方法
6.3.3基于聚类的动态数据离群点检测
6.4离群点检测方法的评估
6.5本章小结
第7章回归分析
7.1概述
7.2线性回归模型
7.2.1多元线性回归模型的表示
7.2.2多元线性回归模型的检验
7.3非线性回归
7.4逻辑回归
7.4.1二元Logistic回归模型
7.4.2Logistic回归模型的系数估计
7.4.3Logistic回归模型系数的解释
7.4.4显著性检验
7.4.5回归方程的拟合优度检验
7.5本章小结
第8章为挖掘准备数据
8.1数据统计特性
8.1.1频率和众数
8.1.2百分位数
8.1.3中心度量
8.1.4散布程度度量
8.2数据预处理
8.2.1数据清理
8.2.2数据集成
8.2.3数据变换
8.2.4数据归约
8.3本章小结

下篇案例篇
第9章Clementine使用简介
9.1Clementine概述
9.2Clementine数据流操作
9.2.1生成数据流的基本过程
9.2.2节点操作
9.2.3数据流的其他管理
9.3输入、输出节点介绍
9.3.1数据源节点
9.3.2类型节点
9.3.3表节点
9.3.4数据导出节点
9.4数据预处理节点介绍
9.4.1过滤节点
9.4.2选择节点
9.4.3抽样节点
9.4.4平衡节点
9.4.5排序节点
9.4.6分区节点
9.4.7导出节点
9.4.8分箱节点
9.4.9特征选择节点
9.4.10数据审核节点
9.4.11直方图节点
9.4.12分布图节点
9.4.13Web节点
9.5聚类节点介绍
9.5.1K-Means节点
9.5.2Kohonen节点
9.5.3TwoStep节点
9.5.4Anomaly节点
9.6分类节点介绍
9.6.1C5.0节点
9.6.2C＆RTree节点
9.6.3BayesNet节点
9.6.4二元分类器节点
9.6.5Ensemble节点
9.6.6分析节点
9.6.7评估节点
9.7关联分析节点介绍
9.7.1Apriori节点
9.7.2CARMA节点
9.7.3Sequence节点
9.8回归分析节点介绍
9.8.1线性回归节点
9.8.2逻辑回归节点
9.9RFM分析节点介绍
9.9.1RFM汇总节点
9.9.2RFM分析节点
9.10本章小结
第10章数据挖掘在电信业中的应用
10.1数据挖掘在电信业的应用概述
10.1.1客户细分
10.1.2客户流失预测分析
10.1.3客户社会关系挖掘
10.1.4业务交叉销售
10.1.5欺诈客户识别
10.2案例10-1：客户通话模式分析
10.2.1商业理解
10.2.2数据理解阶段
10.2.3数据准备阶段
10.2.4建模阶段
10.3案例10-2：客户细分与流失分析
10.3.1商业理解
10.3.2数据理解阶段
10.3.3数据准备阶段
10.3.4建模阶段
10.3.5评估阶段
10.4案例10-3：移动业务关联分析
10.4.1商业理解
10.4.2数据理解阶段
10.4.3数据准备阶段
10.4.4建模阶段
10.4.5模型评估
10.4.6部署阶段
10.5本章小结
第11章数据挖掘在银行业中的应用
11.1数据挖掘在银行业中的应用概述
11.2案例11-1：信用风险分析
11.2.1商业理解
11.2.2数据理解
11.2.3数据准备阶段
11.2.4数据建模
11.2.5模型评估
11.2.6模型部署
11.3本章小结
第12章数据挖掘在目录营销中的应用
12.1应用概述
12.1.1RFM分析的基本原理
12.1.2RFM模型的应用场景
12.2案例12-1：Charles读书俱乐部销售
12.2.1商业理解
12.2.2数据理解阶段
12.2.3数据准备阶段
12.2.4建模阶段
12.2.5评估阶段
12.2.6部署阶段
12.3案例12-2：旅游公司的目录销售
12.3.1商业理解
12.3.2数据理解阶段
12.3.3数据准备阶段
12.3.4建模阶段
12.3.5部署阶段
12.4本章小结
第13章数据挖掘在零售业中的应用
13.1数据挖掘在零售业中的应用概述
13.2案例13-1：关联分析在超市购物篮分析中的应用
13.2.1商业理解
13.2.2数据理解
13.2.3数据准备
13.2.4建立模型
13.2.5模型评估和应用
13.2.6节假日和工作日的比较分析
13.3案例13-2：超市工作时间与人员配置分析
13.3.1商业理解
13.3.2数据理解与准备
13.3.3建立模型
13.3.4模型评估与部署
13.3.5不同时段的商品销售规律
13.3.6时段与商品的销售规律
13.4本章小结
第14章数据挖掘在上市公司财务风险预警分析中的应用
14.1数据挖掘在上市公司财务风险预警分析中的应用概述
14.2案例14-1：上市公司财务报表舞弊识别
14.2.1商业理解
14.2.2数据理解与数据准备
14.2.3模型建立与评估
14.3案例14-2：上市公司财务困境预警
14.3.1商业理解阶段
14.3.2数据理解阶段
14.3.3数据准备阶段
14.3.4建模阶段
14.3.5部署实施
14.4本章小结
第15章数据挖掘在电子商务中的应用
15.1数据挖掘在电子商务中的应用概述
15.2主要应用领域
15.2.1网络客户关系管理
15.2.2网站设计优化
15.2.3推荐系统
15.3案例15-1：基于关联分析的淘宝网推荐
15.3.1商业理解阶段
15.3.2数据理解阶段
15.3.3数据准备阶段
15.3.4数据建模
15.3.5模型评估
15.3.6部署阶段
15.4案例15-2：协同过滤技术在电影推荐上的简单应用
15.4.1协同过滤推荐简述
15.4.2商业理解阶段
15.4.3数据的理解、收集及准备
15.4.4建模阶段
15.4.5模型评估和部署
15.5本章小结
附录A数据挖掘常用资源列表
参考文献