商務行銷中的數據挖掘與機器學習：概念、方法、案例

《商務行銷中的數據挖掘與機器學習：概念、方法、案例》是2023年6月北京郵電大學出版社出版的圖書，作者：李慧嘉。

基本介紹

• 中文名：商務行銷中的數據挖掘與機器學習：概念、方法、案例
• 作者：李慧嘉
• 出版時間：2023年6月8日
• 出版社：北京郵電大學出版社
• ISBN：9787563569243
• 定價：66 元

出版信息

書名：商務行銷中的數據挖掘與機器學習：概念、方法、案例

出版時間：2023-06-08

編 著 者：李慧嘉

版 次：1-1

I S B N:978-7-5635-6924-3

定 價：￥66.00元

內容簡介

隨著大數據的快速發展，商務行銷和電子商務逐漸過渡到大數據時代，即新一代的商務模式。商務數據作為數據時代在新一代商務行銷的套用，具有數據體量大、數據種類多、價值密度低、處理速度快等特性。同時，新一代的商務數據具有多源、異構、高度碎片化等典型特徵，其分析與決策也面臨著實時決策、個性化服務、多元化決策等需求。因此，在如何有效挖掘數據的價值上面臨著巨大的挑戰。

目錄介紹

目錄

第1章數據挖掘與電子商務的關係1

1.1客戶關係管理1

1.1.1互動處理系統的作用2

1.1.2資料庫的作用3

1.1.3數據挖掘的作用4

1.1.4客戶關係管理策略4

1.2數據挖掘的定義5

1.3數據挖掘的功能6

1.3.1分類6

1.3.2預測7

1.3.3關聯規則7

1.3.4聚類7

1.3.5定性分析8

1.4數據挖掘的發展契機8

1.4.1數據大量產生9

1.4.2資料庫技術9

1.4.3電子計算機運算能力提高9

1.4.4數據重要程度上升9

1.4.5信息成為一種商品10

1.5數據挖掘的使用場景10

1.5.1超市成為信息中間商10

1.5.2基於推薦的業務11

1.5.3交叉銷售11

1.5.4篩選客戶11

本章小結12

本章參考文獻13

第2章數據挖掘方法簡介14

2.1模型假設檢驗及分析與預測14

2.1.1假設檢驗14

2.1.2模型分析與預測15

2.2數據挖掘步驟簡介17

2.2.1將商業問題轉換為數據挖掘問題18

2.2.2選擇合適的數據18

2.2.3了解數據20

2.2.4創建模型集21

2.2.5解決數據中的問題22

2.2.6轉換數據23

2.2.7建立模型23

2.2.8評估模型24

2.2.9部署模型24

2.2.10評估結果25

2.2.11重新開始25

本章小結25

本章參考文獻25

商務行銷中的數據挖掘與機器學習：概念、方法、案例

｜目錄｜

第3章數據挖掘中的統計知識27

3.1奧卡姆剃刀27

3.1.1零假設27

3.1.2P值28

3.2觀測數據28

3.2.1觀測離散的數值29

3.2.2觀察連續性變數31

3.2.3其他統計思想32

3.3度量回響32

3.3.1比例標準誤差32

3.3.2利用置信區間比較結果34

3.3.3使用比例差異比較結果35

3.3.4樣本大小35

3.3.5置信區間的真正含義36

3.3.6實驗組和對照組36

3.4多重比較37

3.4.1多重比較的置信水平37

3.4.2Bonferroni校正法38

3.5卡方檢驗38

3.5.1期望值38

3.5.2卡方值39

3.5.3卡方與比例差的比較40

3.6數據挖掘與統計41

3.6.1基礎數據無測量誤差41

3.6.2存在大量數據41

3.6.3時間依賴性隨處可見42

本章小結42

本章參考文獻43

第4章聚類分析44

4.1尋找簡化的子集44

4.1.1星團HR圖45

4.1.2鳶尾花46

4.2KMeans聚類46

4.2.1KMeans算法的3個步驟47

4.2.2K的含義48

4.3相似度與距離49

4.3.1相似度度量和變數類型49

4.3.2相似度度量方法50

4.4聚類數據處理52

4.4.1一致性縮放52

4.4.2信息加權處理53

4.5其他聚類檢測方法53

4.5.1高斯混合模型53

4.5.2聚合聚類55

4.5.3分裂聚類57

4.5.4自組織映射神經網路57

4.6評估聚類57

4.7案例研究：對客戶進行細分58

4.7.1數據59

4.7.2數據可視化59

4.7.3使用KMeans生成聚類61

本章小結62

本章參考文獻63

第5章決策樹分析64

5.1決策樹的含義64

5.2決策樹的生成65

5.2.1尋找分裂65

5.2.2度量不純度的方法67

5.3修剪決策樹72

5.3.1CART算法73

5.3.2C5修剪算法75

5.4從決策樹中提取規則75

本章小結77

本章參考文獻77

第6章生存分析78

6.1生存分析簡述79

6.1.1保留與保留曲線79

6.1.2生存82

6.1.3刪失數據84

6.2風險分析85

6.2.1持續性風險85

6.2.2比例性風險86

6.2.3風險函式86

6.3實踐中的生存分析87

6.3.1客戶流失與生存分析88

6.3.2客戶回購與生存分析90

本章小結92

本章參考文獻92

第7章人工神經網路94

7.1神經元模型94

7.2感知機95

7.3神經網路的模型96

7.4神經網路的激活函式98

7.4.1sigmoid函式98

7.4.2tanh函式99

7.4.3ReLU函式100

7.5神經網路的損失函式100

7.5.1均方差函式（主要用於回歸）101

7.5.2交叉熵函式（主要用於分類）101

7.6偏差與方差、泛化誤差102

7.6.1偏差與方差102

7.6.2泛化誤差103

7.7神經網路的算法103

7.8卷積神經網路105

7.8.1全連線層105

7.8.2下採樣結構105

7.8.3上採樣結構106

本章小結107

本章參考文獻107

第8章數據倉庫和OLAP108

8.1數據結構108

8.1.1交易數據——基礎層109

8.1.2操作匯總數據109

8.1.3決策支持匯總數據110

8.1.4資料庫模式110

8.1.5元數據113

8.1.6商業規則114

8.2數據倉庫的基本結構114

8.2.1源系統115

8.2.2提取、轉化和載入116

8.2.3中央存儲庫116

8.2.4元數據存儲庫117

8.2.5數據集市118

8.2.6操作反饋118

8.2.7最終用戶118

8.3OLAP的適用領域120

8.3.1立方體中的內容121

8.3.2星形模式127

8.3.3OLAP和數據挖掘129

8.4數據挖掘和數據倉庫的聯繫129

8.4.1大量數據130

8.4.2一致、乾淨的數據131

8.4.3假設測試和測量131

8.4.4可升級硬體和RDBMS支持132

本章小結132

本章參考文獻132

第9章電子商務推薦系統134

9.1電子商務推薦系統簡介134

9.1.1電子商務推薦系統的發展歷程135

9.1.2電子商務推薦系統的定義135

9.1.3電子商務推薦系統的組成136

9.1.4電子商務推薦系統的作用136

9.2主流的推薦系統技術137

9.2.1基於內容的推薦技術138

9.2.2協同過濾技術139

9.2.3其他推薦技術141

9.3推薦系統案例——以途牛旅遊網為例142

9.3.1數據準備143

9.3.2數據特點分析144

9.3.3基於主題序列的算法146

9.3.4結果展示及分析150

本章小結154

本章參考文獻155

第10章電子商務攻擊模型與檢測技術157

10.1推薦系統157

10.2攻擊檢測159

10.2.1攻擊目標和方式159

10.2.2推薦系統攻擊檢測160

10.3托攻擊161

10.3.1托攻擊模型及其分類161

10.3.2托攻擊危害性的衡量指標163

10.3.3檢測托攻擊的特徵指標164

10.4托攻擊檢測算法166

10.4.1監督學習166

10.4.2無監督學習167

10.4.3半監督學習168

10.5托攻擊檢測實驗數據集與評價指標169

10.5.1電影評分數據集169

10.5.2Amazon評論數據集和Yelp數據集171

本章小結172

本章參考文獻172

第11章電子商務環境下的格線架構與動態聯盟體系174

11.1基於格線服務的電子商務體系架構174

11.1.1格線的概念與特點175

11.1.2電子商務體系架構175

11.1.3格線體系結構177

11.1.4基於格線服務的電子商務信用評價181

11.2電子商務環境下的動態聯盟體系183

11.2.1電子商務環境與企業動態聯盟183

11.2.2電子商務環境下的動態聯盟體系構建184

11.2.3電子商務環境下的動態聯盟項目協同管理體系187

11.2.4支持動態聯盟最佳化運行的關鍵技術——敏捷供應鏈189

本章小結191

本章參考文獻191