數據挖掘與數據化運營實戰-思路方法技巧與應用 数据挖掘与数据化运营实战:思路、方法、技巧与应用

盧輝

  • 數據挖掘與數據化運營實戰-思路方法技巧與應用-preview-1
數據挖掘與數據化運營實戰-思路方法技巧與應用-preview-1

買這商品的人也買了...

商品描述

《數據挖掘與數據化運營實戰:思路、方法、技巧與應用》是目前有關數據挖掘在數據化運營實踐領域比較全面和系統的著作,也是諸多數據挖掘書籍中為數不多的穿插大量真實的實踐應用案例和場景的著作,更是創造性地針對數據化運營中不同分析挖掘課題類型,推出一一對應的分析思路集錦和相應的分析技巧集成,為讀者提供“菜單化”實戰錦囊的著作。作者結合自己數據化運營實踐中大量的項目經驗,用通俗易懂的“非技術”語言和大量活潑生動的案例,圍繞數據分析挖掘中的思路、方法、技巧與應用,全方位整理、總結、分享,幫助讀者深刻領會和掌握“以業務為核心,以思路為重點,以分析技術為輔佐”的數據挖掘實踐應用寶典。

《數據挖掘與數據化運營實戰:思路、方法、技巧與應用》共19章,分為三個部分:基礎篇(第1~4章)系統介紹了數據分析挖掘和數據化運營的相關背景、數據化運營中“協調配合”的核心,以及實踐中常見分析項目類型;實戰篇(第6~13章)主要介紹實踐中常見的分析挖掘技術的實用技巧,並對大量的實踐案例進行了全程分享展示;思想意識篇(第5章,第14~19章)主要是有關數據分析師的責任、意識、思維的培養和提升的總結和探索,以及一些有效的項目質控制度和經典的方法論介紹。
 

作者簡介

盧輝,阿里巴巴商業智能部數據分析專家,從事數據庫營銷和數據化運營分析多年,曾在不同行業以商務拓展(BD)經理、項目經理、市場營銷部經理、高級諮詢顧問、數據分析專家的身份親歷大量的數據庫營銷和互聯網行業數據化運營應用項目。

目前在阿里巴巴主要從事數據化運營的數據挖掘規劃、項目管理、實施,擁有比較豐富的互聯網行業數據化運營項目經驗。關注數據化運營的規劃和數據挖掘項目的管理。

目錄大綱

推薦序
前言


第1章什麼是數據化運營
1.1現代營銷理論的發展歷程
1.1.1從4P到4C 
1.1.2從4C到3P3C 
1.2數據化運營的主要內容
1.3為什麼要數據化運營
1.4數據化運營的必要條件
1.4.1企業級海量數據存儲的實現
1.4.2精細化運營的需求
1.4.3數據分析和數據挖掘技術的有效應用
1.4.4企業決策層的倡導與持續支持
1.5數據化運營的新現象與新發展
1.6關於互聯網和電子商務的最新數據


第2章數據挖掘概述
2.1數據挖掘的發展歷史
2.2統計分析與數據挖掘的主要區別
2.3數據挖掘的主要成熟技術以及在數據化運營中的主要應用
2.3 .1決策樹
2.3.2神經網絡
2.3.3回歸
2.3.4關聯規則
2.3.5聚類
2.3.6貝葉斯分類方法
2.3.7支持向量機
2.3.8主成分分析
2.3.9假設檢驗
2.4互聯網行業數據挖掘應用的特點


第3章數據化運營中常見的數據分析項目類型
3.1目標客戶的特徵分析
3.2目標客戶的預測(響應、分類)模型
3.3運營群體的活躍度定義
3.4用戶路徑分析
3.5交叉銷售模型
3.6信息質量模型
3.7服務保障模型
3.8用戶(買家、賣家)分層模型
3.9賣家(買家)交易模型
3.10信用風險模型
3.11商品推薦模型
3.11.1商品推薦介紹
3.11.2關聯規則
3.11.3協同過濾算法
3.11.4商品推薦模型總結
3.12數據產品
3.13決策支持


第4章數據化運營是跨專業、跨團隊的協調與合作
4.1數據分析團隊與業務團隊的分工和定位
4.1.1提出業務分析需求並且能勝任基本的數據分析
4.1.2提供業務經驗和參考建議
4.1.3策劃和執行精細化運營方案
4.1.4跟踪運營效果、反饋和總結
4.2數據化運營是真正的多團隊、多專業的協同作業
4.3實例示範數據化運營中的跨專業、跨團隊協調合作


第5章分析師常見的錯誤觀念和對治的管理策略
5.1輕視業務論
5.2技術萬能論
5.3技術尖端論
5.4建模與應用兩段論
5.5 機器萬能論
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章數據挖掘項目完整應用案例演示
6.1項目背景和業務分析需求的提出
6.2數據分析師參與需求討論
6.3制定需求分析框架和分析計劃
6.4抽取樣本數據、熟悉數據、數據清洗和摸底
6.5按計劃初步搭建挖掘模型
6.6與業務方討論模型的初步結論,提出新的思路和模型優化方案
6.7按優化方案重新抽取樣本並建模,提煉結論並驗證模型
6.8完成分析報告和落地應用建議
6.9制定具體的落地應用方案和評估方案
6.10業務方實施落地應用方案並跟踪、評估效果
6.11落地應用方案在實際效果評估後,不斷修正完善
6.12不同運營方案的評估、總結和反饋
6.13項目應用後的總結和反思


第7章數據挖掘建模的優化和限度
7.1數據挖掘模型的優化要遵循有效、適度的原則
7.2如何有效地優化模型
7.2.1從業務思路上優化
7.2.2從建模的技術思路 優化
7.2.3從建模的技術技巧上優化
7.3如何思考優化的限度
7.4模型效果評價的主要指標體系
7.4.1評價模型準確度和精度的系列指標
7.4.2ROC曲線
7.4.3KS值
7.4.4Lift值
7.4.5模型穩定性的評估


第8章常見的數據處理技巧
8.1數據的抽取要正確反映業務需求
8.2數據抽樣
8.3分析數據的規模有哪些具體的要求
8.4如何處理缺失值和異常值
8.4.1缺失值的常見處理方法
8.4.2異常值的判斷和處理
8.5數據轉換
8.5.1生成衍生變量
8.5.2改善變量分佈的轉換
8.5.3分箱轉換
8.5.4數據的標準化
8.6篩選有效的輸入變量
8.6 .1為什麼要篩選有效的輸入變量
8.6.2結合業務經驗進行先行篩選
8.6.3用線性相關性指標進行初步篩選
8.6.4R平方
8.6.5卡方檢驗
8.6.6IV和WOE 
8.6.7部分建模算法自身的篩選功能
8.6.8降維的方法
8.6.9最後的準則
8.7共線性問題
8.7.1如何發現共線性
8.7.2如何處理共線性
…… 
第9章聚類分析的典型應用和技術小竅門
第10章預測響應(分類)模型的典型應用和技術小竅門
第11章用戶特徵分析的典型應用和技術小竅門
第12章運營效果分析的典型應用和技術小竅門
第13章漏斗模型和路徑分析
第14章數據分析師對業務團隊數據分析能力的培養
第15章換位思考
第16章養成數據分析師的品質和思維模式
第17章條條大道通羅馬
第18章數據挖掘實踐的質量保障流程和製度
第19章幾個經典的數據挖掘方法論