数据挖掘与数据化运营实战：思路、方法、技巧与应用
2020-04-07 12:02:55 0 举报AI智能生成
登录查看完整内容
数据挖掘与数据化运营实战：思路、方法、技巧与应用
作者其他创作
大纲/内容
数据挖掘与数据化运营实战：思路、方法、技巧与应用
9 聚类分析的典型应用和技术小窍门
9.1 聚类分析的典型应用场景
9.2 主要聚类算法的分类
9.2.1 划分方法
9.2.2 层次方法
9.2.3 基于密度的方法
9.2.4 基于网格的方法
9.3 聚类分析在实践应用中的重点注意事项
9.3.1 如何处理数据噪声和异常值
9.3.2 数据标准化
9.3.3 聚类变量的少而精
9.4 聚类分析的扩展应用
9.4.1 聚类的核心指标与非聚类的业务指标相辅相成
9.4.2 数据的探索和清理工具
9.4.3 个性化推荐的应用
9.5 聚类分析在实际应用中的优势和缺点
9.6 聚类分析结果的评价体系和评价指标
9.6.1 业务专家的评估
9.6.2 聚类技术上的评价指标
9.7 一个典型的聚类分析课题的案例分享
9.7.1 案例背景
9.7.2 基本的数据摸底
9.7.3 基于用户样本的聚类分析的初步结论
10 预测响应（分类）模型的典型应用和技术小窍门
10.1 神经网络技术的实践应用和注意事项
10.1.1 神经网络的原理和核心要素
10.1.2 神经网络的应用优势
10.1.3 神经网络技术的缺点和注意事项
10.2 决策树技术的实践应用和注意事项
10.2.1 决策树的原理和核心要素
10.2.2 CHAID算法
10.2.3 CART算法
10.2.4 ID3算法
10.2.5 决策树的应用优势
10.2.6 决策树的缺点和注意事项
10.3 逻辑回归技术的实践应用和注意事项
10.3.1 逻辑回归的原理和核心要素
10.3.2 回归中的变量筛选方法
10.3.3 逻辑回归的应用优势
10.3.4 逻辑回归应用中的注意事项
10.4 多元线性回归技术的实践应用和注意事项
10.4.1 线性回归的原理和核心要素
10.4.2 线性回归的应用优势
10.4.3 线性回归应用中的注意事项
10.5 模型的过拟合及对策
10.6 一个典型的预测响应模型的案例分享
10.6.1 案例背景
10.6.2 基本的数据摸底
10.6.3 建模数据的抽取和清洗
10.6.4 初步的相关性检验和共线性排查
10.6.5 潜在自变量的分布转换
10.6.6 自变量的筛选
10.6.7 响应模型的搭建与优化
10.6.8 冠军模型的确定和主要的分析结论
10.6.9 基于模型和分析结论基础上的运营方案
10.6.10 模型落地应用效果跟踪反馈
11 用户特征分析的典型应用和技术小窍门
11.1 用户特征分析所适用的典型业务场景
11.1.1 寻找目标用户
11.1.2 寻找运营的抓手
11.1.3 用户群体细分的依据
11.1.4 新品开发的线索和依据
11.2 用户特征分析的典型分析思路和分析技术
11.2.1 3种划分的区别
11.2.2 RFM
11.2.3 聚类技术的应用
11.2.4 决策树技术的应用
11.2.5 预测（响应）模型中的核心自变量
11.2.6 假设检验的应用
11.3 特征提炼后的评价体系
11.4 用户特征分析与用户预测模型的区别和联系
11.5 用户特征分析案例
12 运营效果分析的典型应用和技术小窍门
12.1 为什么要做运营效果分析
12.2 统计技术在数据化运营中最重要最常见的应用
12.2.1 为什么要进行假设检验
12.2.2 假设检验的基本思想
12.2.3 T检验概述
12.2.4 两组独立样本T检验的假设和检验
12.2.5 两组独立样本的非参数检验
12.2.6 配对差值的T检验
12.2.7 配对差值的非参数检验
12.2.8 方差分析概述
12.2.9 单因素方差分析
12.2.10 多个样本组的非参数检验
12.2.11 卡方检验
12.2.12 控制变量的方法
12.2.13 AB Test
13 漏斗模型和路径分析
13.1 网络日志和布点
13.1.1 日志布点
13.1.2 日志采集
13.1.3 日志解析
13.1.4 日志分析
13.2 漏斗模型与路径分析的主要区别和联系
13.3 漏斗模型的主要应用场景
13.3.1 运营过程的监控和运营效率的分析与改善
13.3.2 用户关键路径分析
13.3.3 产品优化
13.4 路径分析的主要应用场景
13.5 路径分析的主要算法
13.5.1 社会网络分析方法
13.5.2 基于序列的关联分析
13.5.3 最朴素的遍历方法
13.6 路径分析案例的分享
13.6.1 案例背景
13.6.2 主要的分析技术介绍
13.6.3 分析所用的数据概况
13.6.4 主要的数据结论和业务解说
13.6.5 主要分析结论的落地应用跟踪
14 数据分析师对业务团队数据分析能力的培养
14.1 培养业务团队数据分析意识与能力的重要性
14.2 数据分析师在业务团队数据分析意识能力培养中的作用
14.3 数据分析师如何培养业务团队的数据分析意识和能力
14.4 数据分析师培养业务团队数据分析意识能力的案例分享
14.4.1 案例背景
14.4.2 过程描述
14.4.3 本项目的效果跟踪
15 换位思考
15.1 为什么要换位思考
15.2 从业务方的角度换位思考数据分析与挖掘
15.3 从同行的角度换位思考数据分析挖掘的经验教训
16 养成数据分析师的品质和思维模式
16.1 态度决定一切
16.1.1 信念
16.1.2 信心
16.1.3 热情
16.1.4 敬畏
16.1.5 感恩
16.2 商业意识是核心
16.2.1 为什么商业意识是核心
16.2.2 如何培养商业意识
16.3 一个基本的方法论
16.4 大胆假设，小心求证
16.5 20/80原理
16.6 结构化思维
16.7 优秀的数据分析师既要客观，又要主观
17 条条大道通罗马
17.1 为什么会条条大道通罗马
17.2 条条大道有侧重
17.3 自觉服从和积极响应
17.3.1 自觉服从
17.3.2 积极响应
17.4 具体示例
18 数据挖掘实践的质量保障流程和制度
18.1 一个有效的质量保障流程制度
18.1.1 业务需求的收集
18.1.2 评估小组评估需求的优先级
18.1.3 课题组的成立及前期摸底
18.1.4 向业务方提交正式课题（项目）计划书
18.1.5 数据分析挖掘的课题展开
18.1.6 向业务方提交结论报告及业务落地应用建议
18.1.7 课题（项目）的落地应用和效果监控反馈
18.2 质量保障流程制度的重要性
18.3 如何支持与强化质量保障流程制度
19 几个经典的数据挖掘方法论
19.1 SEMMA方法论
19.1.1 数据取样
19.1.2 数据探索
19.1.3 数据调整
19.1.4 模式化
19.1.5 评价
19.2 CRISP-DM方法论
19.2.1 业务理解
19.2.2 数据理解
19.2.3 数据准备
19.2.4 模型搭建
19.2.5 模型评估
19.2.6 模型发布
19.3 Tom Khabaza的挖掘9律
为什么要写这本书
读者对象
勘误和支持
1 什么是数据化运营
1.1 现代营销理论的发展历程
1.1.1 从4P到4C
1.1.2 从4C到3P3C
1.2 数据化运营的主要内容
1.3 为什么要数据化运营
1.4 数据化运营的必要条件
1.4.1 企业级海量数据存储的实现
1.4.2 精细化运营的需求
1.4.3 数据分析和数据挖掘技术的有效应用
1.4.4 企业决策层的倡导与持续支持
1.5 数据化运营的新现象与新发展
1.6 关于互联网和电子商务的最新数据
2 数据挖掘概述
2.1 数据挖掘的发展历史
2.2 统计分析与数据挖掘的主要区别
2.3 数据挖掘的主要成熟技术以及在数据化运营中的主要应用
2.3.1 决策树
2.3.2 神经网络
2.3.3 回归
2.3.4 关联规则
2.3.5 聚类
2.3.6 贝叶斯分类方法
2.3.7 支持向量机
2.3.8 主成分分析
2.3.9 假设检验
2.4 互联网行业数据挖掘应用的特点
3 数据化运营中常见的数据分析项目类型
3.1 目标客户的特征分析
3.2 目标客户的预测（响应、分类）模型
3.3 运营群体的活跃度定义
3.4 用户路径分析
3.5 交叉销售模型
3.6 信息质量模型
3.7 服务保障模型
3.8 用户（买家、卖家）分层模型
3.9 卖家（买家）交易模型
3.10 信用风险模型
3.11 商品推荐模型
3.11.1 商品推荐介绍
3.11.2 关联规则
3.11.3 协同过滤算法
3.11.4 商品推荐模型总结
3.12 数据产品
3.13 决策支持
4 数据化运营是跨专业、跨团队的协调与合作
4.1 数据分析团队与业务团队的分工和定位
4.1.1 提出业务分析需求并且能胜任基本的数据分析
4.1.2 提供业务经验和参考建议
4.1.3 策划和执行精细化运营方案
4.1.4 跟踪运营效果、反馈和总结
4.2 数据化运营是真正的多团队、多专业的协同作业
4.3 实例示范数据化运营中的跨专业、跨团队协调合作
5 分析师常见的错误观念和对治的管理策略
5.1 轻视业务论
5.2 技术万能论
5.3 技术尖端论
5.4 建模与应用两段论
5.5 机器万能论
5.6 幸福的家庭都是相似的，不幸的家庭各有各的不幸
6 数据挖掘项目完整应用案例演示
6.1 项目背景和业务分析需求的提出
6.2 数据分析师参与需求讨论
6.3 制定需求分析框架和分析计划
6.4 抽取样本数据、熟悉数据、数据清洗和摸底
6.5 按计划初步搭建挖掘模型
6.6 与业务方讨论模型的初步结论，提出新的思路和模型优化方案
6.7 按优化方案重新抽取样本并建模，提炼结论并验证模型
6.8 完成分析报告和落地应用建议
6.9 制定具体的落地应用方案和评估方案
6.10 业务方实施落地应用方案并跟踪、评估效果
6.11 落地应用方案在实际效果评估后，不断修正完善
6.12 不同运营方案的评估、总结和反馈
6.13 项目应用后的总结和反思
7 数据挖掘建模的优化和限度
7.1 数据挖掘模型的优化要遵循有效、适度的原则
7.2 如何有效地优化模型
7.2.1 从业务思路上优化
7.2.2 从建模的技术思路上优化
7.2.3 从建模的技术技巧上优化
7.3 如何思考优化的限度
7.4 模型效果评价的主要指标体系
7.4.1 评价模型准确度和精度的系列指标
7.4.2 ROC曲线
7.4.3 KS值
7.4.4 Lift值
7.4.5 模型稳定性的评估
8 常见的数据处理技巧
8.1 数据的抽取要正确反映业务需求
8.2 数据抽样
8.3 分析数据的规模有哪些具体的要求
8.4 如何处理缺失值和异常值
8.4.1 缺失值的常见处理方法
8.4.2 异常值的判断和处理
8.5 数据转换
8.5.1 生成衍生变量
8.5.2 改善变量分布的转换
8.5.3 分箱转换
8.5.4 数据的标准化
8.6 筛选有效的输入变量
8.6.1 为什么要筛选有效的输入变量
8.6.2 结合业务经验进行先行筛选
8.6.3 用线性相关性指标进行初步筛选
8.6.4 R平方
8.6.5 卡方检验
8.6.6 IV和WOE
8.6.7 部分建模算法自身的筛选功能
8.6.8 降维的方法
8.6.9 最后的准则
8.7 共线性问题
8.7.1 如何发现共线性
8.7.2 如何处理共线性
0 条评论
回复 删除
下一页
