第1章 什麼是數據挖掘以及為什麼要進行數據挖掘
1.1 什麼是數據挖掘
1.1.1 數據挖掘是一項業務流程
1.1.2 大量的數據
1.1.3 有意義的模式和規則
1.1.4 數據挖掘和客戶關係管理
1.2 為什麼是現在
1.2.1 數據正在産生
1.2.2 數據正存在於數據倉庫中
1.2.3 計算能力能夠承受
1.2.4 對客戶關係管理的興趣非常強烈
1.2.5 商業的數據挖掘軟件産品變得可用
1.3 數據挖掘人員的技能
1.4 數據挖掘的良性循環
1.5 業務數據挖掘的案例研究
1.5.1 識彆美國銀行的業務挑戰
1.5.2 應用數據挖掘
1.5.3 對結果采取行動
1.5.4 度量數據挖掘的影響
1.6 良性循環的步驟
1.6.1 識彆業務機會
1.6.2 將數據轉換為信息
1.6.3 根據信息采取行動
1.6.4 度量結果
1.7 良性循環上下文中的數據挖掘
1.8 經驗教訓
第2章 數據挖掘在營銷和客戶關係管理中的應用
2.1 兩個客戶生存周期
2.1.1 客戶個人生存周期
2.1.2 客戶關係生存周期
2.1.3 基於訂閱的關係和基於事件的關係
2.2 圍繞客戶生存周期組織業務流程
2.2.1 客戶獲取
2.2.2 客戶激活
2.2.3 客戶關係管理
2.2.4 贏迴
2.3 數據挖掘應用於客戶獲取
2.3.1 識彆好的潛在客戶
2.3.2 選擇通信渠道
2.3.3 挑選適當的信息
2.4 數據挖掘示例：選擇閤適的地方做廣告
2.4.1 誰符閤剖析
2.4.2 度量讀者群的適應度
2.5 數據挖掘改進直接營銷活動
2.5.1 響應建模
2.5.2 優化固定預算的響應
2.5.3 優化活動收益率
2.5.4 抵達最受信息影響的人
2.6 通過當前客戶瞭解潛在客戶
2.6.1 在客戶成為“客戶”以前開始跟蹤他們
2.6.2 收集新的客戶信息
2.6.3 獲取時間變量可以預測將來的結果
2.7 數據挖掘應用於客戶關係管理
2.7.1 匹配客戶的活動
2.7.2 減少信用風險
2.7.3 確定客戶價值
2.7.4 交叉銷售、追加銷售和推薦
2.8 保留
2.8.1 識彆流失
2.8.2 為什麼流失是問題
2.8.3 不同類型的流失
2.8.4 不同種類的流失模型
2.9 超越客戶生存周期
2.10 經驗教訓
第3章 數據挖掘過程
3.1 會齣什麼問題
3.1.1 學習的東西不真實
3.1.2 學習的東西真實但是無用
3.2 數據挖掘類型
3.2.1 假設檢驗
3.2.2 有指導數據挖掘
3.2.3 無指導數據挖掘
3.3 目標、任務和技術
3.3.1 數據挖掘業務目標
3.3.2 數據挖掘任務
3.3.3 數據挖掘技術
3.4 製定數據挖掘問題：從目標到任務再到技術
3.4.1 選擇廣告的最佳位置
3.4.2 確定嚮客戶提供的最佳産品
3.4.3 發現分支或商店的最佳位置
3.4.4 根據未來利潤劃分客戶
3.4.5 減少暴露於違約的風險
3.4.6 提高客戶保留
3.4.7 檢測欺詐性索賠
3.5 不同技術對應的任務
3.5.1 有一個或多個目標
3.5.2 目標數據是什麼
3.5.3 輸入數據是什麼
3.5.4 易於使用的重要性
3.5.5 模型可解釋性的重要性
3.6 經驗教訓
第4章 統計學入門：關於數據，你該瞭解些什麼
4.1 奧卡姆（Occam）剃刀
4.1.1 懷疑論和辛普森悖論
4.1.2 零假設（Null Hypothesis）
4.1.3 p-值
4.2 觀察和度量數據
4.2.1 類彆值
4.2.2 數值變量
4.2.3 更多的統計思想
4.3 度量響應
4.3.1 比例標準誤差
4.3.2 使用置信區間比較結果
4.3.3 利用比例差異比較結果
4.3.4 樣本大小
4.3.5 置信區間的真正含義是什麼
4.3.6 實驗中檢驗和對照的大小
4.4 多重比較
4.4.1 多重比較的置信水平
4.4.2 Bonferroni修正
4.5 卡方檢驗
4.5.1 期望值
4.5.2 卡方值
4.5.3 卡方值與比例差異的比較
4.6 示例：區域和開局卡方
4.7 案例研究：利用A/B檢驗比較兩種推薦係統
4.7.1 第一個指標：參與會話
4.7.2 第二個指標：每個會話的日收益
4.7.3 第三個指標：每天誰取勝
4.7.4 第四個指標：每個會話的平均收益
……
第5章 描述和預測：剖析與預測建模
第6章 使用經典統計技術的數據挖掘
第7章 決策樹
第8章 人工神經網絡
第9章 最近鄰方法：基於記憶的推理和協同過濾
第10章 瞭解何時應擔憂：使用生存分析瞭解客戶
第11章 遺傳算法與群體智能
第13章 發現相似的島嶼：自動群集檢測
第14章 其他的群集檢測方法
第15章 購物籃分析和關聯規則
第16章 鏈接分析
第17章 數據倉庫、OLAP、分析沙箱和數據挖掘
第18章 構建客戶簽名
第19章 派生變量：使數據的含義更豐富
第20章 減少變量數量的技術
第21章 仔細聆聽客戶所述：文本挖掘
· · · · · · (收起)