推薦序
前言
第1章　什么是數(shù)據(jù)化運(yùn)營
1.1　現(xiàn)代營銷理論的發(fā)展歷程
1.1.1　從4P到4C
1.1.2　從4C到3P3C
1.2　數(shù)據(jù)化運(yùn)營的主要內(nèi)容
1.3　為什么要數(shù)據(jù)化運(yùn)營
1.4　數(shù)據(jù)化運(yùn)營的必要條件
1.4.1　企業(yè)級海量數(shù)據(jù)存儲(chǔ)的實(shí)現(xiàn)
1.4.2　精細(xì)化運(yùn)營的需求
1.4.3　數(shù)據(jù)分析和數(shù)據(jù)挖掘技術(shù)的有效應(yīng)用
1.4.4　企業(yè)決策層的倡導(dǎo)與持續(xù)支持
1.5　數(shù)據(jù)化運(yùn)營的新現(xiàn)象與新發(fā)展
1.6　關(guān)于互聯(lián)網(wǎng)和電子商務(wù)的最新數(shù)據(jù)
第2章　數(shù)據(jù)挖掘概述
2.1　數(shù)據(jù)挖掘的發(fā)展歷史
2.2　統(tǒng)計(jì)分析與數(shù)據(jù)挖掘的主要區(qū)別
2.3　數(shù)據(jù)挖掘的主要成熟技術(shù)以及在數(shù)據(jù)化運(yùn)營中的主要應(yīng)用
2.3.1　決策樹
2.3.2　神經(jīng)網(wǎng)絡(luò)
2.3.3　回歸
2.3.4　關(guān)聯(lián)規(guī)則
2.3.5　聚類
2.3.6　貝葉斯分類方法
2.3.7　支持向量機(jī)
2.3.8　主成分分析
2.3.9　假設(shè)檢驗(yàn)
2.4　互聯(lián)網(wǎng)行業(yè)數(shù)據(jù)挖掘應(yīng)用的特點(diǎn)
第3章　數(shù)據(jù)化運(yùn)營中常見的數(shù)據(jù)分析項(xiàng)目類型
3.1　目標(biāo)客戶的特征分析
3.2　目標(biāo)客戶的預(yù)測（響應(yīng)、分類）模型
3.3　運(yùn)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(zhì)量模型
3.7　服務(wù)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(fēng)險(xiǎn)模型
3.11　商品推薦模型
3.11.1　商品推薦介紹
3.11.2　關(guān)聯(lián)規(guī)則
3.11.3　協(xié)同過濾算法
3.11.4　商品推薦模型總結(jié)
3.12　數(shù)據(jù)產(chǎn)品
3.13　決策支持
第4章　數(shù)據(jù)化運(yùn)營是跨專業(yè)、跨團(tuán)隊(duì)的協(xié)調(diào)與合作
4.1　數(shù)據(jù)分析團(tuán)隊(duì)與業(yè)務(wù)團(tuán)隊(duì)的分工和定位
4.1.1　提出業(yè)務(wù)分析需求并且能勝任基本的數(shù)據(jù)分析
4.1.2　提供業(yè)務(wù)經(jīng)驗(yàn)和參考建議
4.1.3　策劃和執(zhí)行精細(xì)化運(yùn)營方案
4.1.4　跟蹤運(yùn)營效果、反饋和總結(jié)
4.2　數(shù)據(jù)化運(yùn)營是真正的多團(tuán)隊(duì)、多專業(yè)的協(xié)同作業(yè)
4.3　實(shí)例示范數(shù)據(jù)化運(yùn)營中的跨專業(yè)、跨團(tuán)隊(duì)協(xié)調(diào)合作
第5章　分析師常見的錯(cuò)誤觀念和對治的管理策略
5.1　輕視業(yè)務(wù)論
5.2　技術(shù)萬能論
5.3　技術(shù)尖端論
5.4　建模與應(yīng)用兩段論
5.5　機(jī)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(shù)據(jù)挖掘項(xiàng)目完整應(yīng)用案例演示
6.1　項(xiàng)目背景和業(yè)務(wù)分析需求的提出
6.2　數(shù)據(jù)分析師參與需求討論
6.3　制定需求分析框架和分析計(jì)劃
6.4　抽取樣本數(shù)據(jù)、熟悉數(shù)據(jù)、數(shù)據(jù)清洗和摸底
6.5　按計(jì)劃初步搭建挖掘模型
6.6　與業(yè)務(wù)方討論模型的初步結(jié)論，提出新的思路和模型優(yōu)化方案
6.7　按優(yōu)化方案重新抽取樣本并建模，提煉結(jié)論并驗(yàn)證模型
6.8　完成分析報(bào)告和落地應(yīng)用建議
6.9　制定具體的落地應(yīng)用方案和評估方案
6.10　業(yè)務(wù)方實(shí)施落地應(yīng)用方案并跟蹤、評估效果
6.11　落地應(yīng)用方案在實(shí)際效果評估后，不斷修正完善
6.12　不同運(yùn)營方案的評估、總結(jié)和反饋
6.13　項(xiàng)目應(yīng)用后的總結(jié)和反思
第7章　數(shù)據(jù)挖掘建模的優(yōu)化和限度
7.1　數(shù)據(jù)挖掘模型的優(yōu)化要遵循有效、適度的原則
7.2　如何有效地優(yōu)化模型
7.2.1　從業(yè)務(wù)思路上優(yōu)化
7.2.2　從建模的技術(shù)思路上優(yōu)化
7.2.3　從建模的技術(shù)技巧上優(yōu)化
7.3　如何思考優(yōu)化的限度
7.4　模型效果評價(jià)的主要指標(biāo)體系
7.4.1　評價(jià)模型準(zhǔn)確度和精度的系列指標(biāo)
7.4.2　ROC曲線
7.4.3　KS值
7.4.4　Lift值
7.4.5　模型穩(wěn)定性的評估
第8章　常見的數(shù)據(jù)處理技巧
8.1　數(shù)據(jù)的抽取要正確反映業(yè)務(wù)需求
8.2　數(shù)據(jù)抽樣
8.3　分析數(shù)據(jù)的規(guī)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(shù)據(jù)轉(zhuǎn)換
8.5.1　生成衍生變量
8.5.2　改善變量分布的轉(zhuǎn)換
8.5.3　分箱轉(zhuǎn)換
8.5.4　數(shù)據(jù)的標(biāo)準(zhǔn)化
8.6　篩選有效的輸入變量
8.6.1　為什么要篩選有效的輸入變量
8.6.2　結(jié)合業(yè)務(wù)經(jīng)驗(yàn)進(jìn)行先行篩選
8.6.3　用線性相關(guān)性指標(biāo)進(jìn)行初步篩選
8.6.4　R平方
8.6.5　卡方檢驗(yàn)
8.6.6　IV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　最后的準(zhǔn)則
8.7　共線性問題
8.7.1　如何發(fā)現(xiàn)共線性
8.7.2　如何處理共線性
第9章　聚類分析的典型應(yīng)用和技術(shù)小竅門
9.1　聚類分析的典型應(yīng)用場景
9.2　主要聚類算法的分類
9.2.1　劃分方法
9.2.2　層次方法
9.2.3　基于密度的方法
9.2.4　基于網(wǎng)格的方法
9.3　聚類分析在實(shí)踐應(yīng)用中的重點(diǎn)注意事項(xiàng)
9.3.1　如何處理數(shù)據(jù)噪聲和異常值
9.3.2　數(shù)據(jù)標(biāo)準(zhǔn)化
9.3.3　聚類變量的少而精
9.4　聚類分析的擴(kuò)展應(yīng)用
9.4.1　聚類的核心指標(biāo)與非聚類的業(yè)務(wù)指標(biāo)相輔相成
9.4.2　數(shù)據(jù)的探索和清理工具
9.4.3　個(gè)性化推薦的應(yīng)用
9.5　聚類分析在實(shí)際應(yīng)用中的優(yōu)勢和缺點(diǎn)
9.6　聚類分析結(jié)果的評價(jià)體系和評價(jià)指標(biāo)
9.6.1　業(yè)務(wù)專家的評估
9.6.2　聚類技術(shù)上的評價(jià)指標(biāo)
9.7　一個(gè)典型的聚類分析課題的案例分享
9.7.1　案例背景
9.7.2　基本的數(shù)據(jù)摸底
9.7.3　基于用戶樣本的聚類分析的初步結(jié)論
第10章　預(yù)測響應(yīng)（分類）模型的典型應(yīng)用和技術(shù)小竅門
10.1　神經(jīng)網(wǎng)絡(luò)技術(shù)的實(shí)踐應(yīng)用和注意事項(xiàng)
10.1.1　神經(jīng)網(wǎng)絡(luò)的原理和核心要素
10.1.2　神經(jīng)網(wǎng)絡(luò)的應(yīng)用優(yōu)勢
10.1.3　神經(jīng)網(wǎng)絡(luò)技術(shù)的缺點(diǎn)和注意事項(xiàng)
10.2　決策樹技術(shù)的實(shí)踐應(yīng)用和注意事項(xiàng)
10.2.1　決策樹的原理和核心要素
10.2.2　CHAID算法
10.2.3　CART算法
10.2.4　ID3算法
10.2.5　決策樹的應(yīng)用優(yōu)勢
10.2.6　決策樹的缺點(diǎn)和注意事項(xiàng)
10.3　邏輯回歸技術(shù)的實(shí)踐應(yīng)用和注意事項(xiàng)
10.3.1　邏輯回歸的原理和核心要素
10.3.2　回歸中的變量篩選方法
10.3.3　邏輯回歸的應(yīng)用優(yōu)勢
10.3.4　邏輯回歸應(yīng)用中的注意事項(xiàng)
10.4　多元線性回歸技術(shù)的實(shí)踐應(yīng)用和注意事項(xiàng)
10.4.1　線性回歸的原理和核心要素
10.4.2　線性回歸的應(yīng)用優(yōu)勢
10.4.3　線性回歸應(yīng)用中的注意事項(xiàng)
10.5　模型的過擬合及對策
10.6　一個(gè)典型的預(yù)測響應(yīng)模型的案例分享
10.6.1　案例背景
10.6.2　基本的數(shù)據(jù)摸底
10.6.3　建模數(shù)據(jù)的抽取和清洗
10.6.4　初步的相關(guān)性檢驗(yàn)和共線性排查
10.6.5　潛在自變量的分布轉(zhuǎn)換
10.6.6　自變量的篩選
10.6.7　響應(yīng)模型的搭建與優(yōu)化
10.6.8　冠軍模型的確定和主要的分析結(jié)論
10.6.9　基于模型和分析結(jié)論基礎(chǔ)上的運(yùn)營方案
10.6.10　模型落地應(yīng)用效果跟蹤反饋
第11章　用戶特征分析的典型應(yīng)用和技術(shù)小竅門
11.1　用戶特征分析所適用的典型業(yè)務(wù)場景
11.1.1　尋找目標(biāo)用戶
11.1.2　尋找運(yùn)營的抓手
11.1.3　用戶群體細(xì)分的依據(jù)
11.1.4　新品開發(fā)的線索和依據(jù)
11.2　用戶特征分析的典型分析思路和分析技術(shù)
11.2.1　3種劃分的區(qū)別
11.2.2　RFM
11.2.3　聚類技術(shù)的應(yīng)用
11.2.4　決策樹技術(shù)的應(yīng)用
11.2.5　預(yù)測（響應(yīng)）模型中的核心自變量
11.2.6　假設(shè)檢驗(yàn)的應(yīng)用
11.3　特征提煉后的評價(jià)體系
11.4　用戶特征分析與用戶預(yù)測模型的區(qū)別和聯(lián)系
11.5　用戶特征分析案例
第12章　運(yùn)營效果分析的典型應(yīng)用和技術(shù)小竅門
12.1　為什么要做運(yùn)營效果分析
12.2　統(tǒng)計(jì)技術(shù)在數(shù)據(jù)化運(yùn)營中最重要最常見的應(yīng)用
12.2.1　為什么要進(jìn)行假設(shè)檢驗(yàn)
12.2.2　假設(shè)檢驗(yàn)的基本思想
12.2.3　T檢驗(yàn)概述
12.2.4　兩組獨(dú)立樣本T檢驗(yàn)的假設(shè)和檢驗(yàn)
12.2.5　兩組獨(dú)立樣本的非參數(shù)檢驗(yàn)
12.2.6　配對差值的T檢驗(yàn)
12.2.7　配對差值的非參數(shù)檢驗(yàn)
12.2.8　方差分析概述
12.2.9　單因素方差分析
12.2.10　多個(gè)樣本組的非參數(shù)檢驗(yàn)
12.2.11　卡方檢驗(yàn)
12.2.12　控制變量的方法
12.2.13　AB Test
第13章　漏斗模型和路徑分析
13.1　網(wǎng)絡(luò)日志和布點(diǎn)
13.1.1　日志布點(diǎn)
13.1.2　日志采集
13.1.3　日志解析
13.1.4　日志分析
13.2　漏斗模型與路徑分析的主要區(qū)別和聯(lián)系
13.3　漏斗模型的主要應(yīng)用場景
13.3.1　運(yùn)營過程的監(jiān)控和運(yùn)營效率的分析與改善
13.3.2　用戶關(guān)鍵路徑分析
13.3.3　產(chǎn)品優(yōu)化
13.4　路徑分析的主要應(yīng)用場景
13.5　路徑分析的主要算法
13.5.1　社會(huì)網(wǎng)絡(luò)分析方法
13.5.2　基于序列的關(guān)聯(lián)分析
13.5.3　最樸素的遍歷方法
13.6　路徑分析案例的分享
13.6.1　案例背景
13.6.2　主要的分析技術(shù)介紹
13.6.3　分析所用的數(shù)據(jù)概況
13.6.4　主要的數(shù)據(jù)結(jié)論和業(yè)務(wù)解說
13.6.5　主要分析結(jié)論的落地應(yīng)用跟蹤
第14章　數(shù)據(jù)分析師對業(yè)務(wù)團(tuán)隊(duì)數(shù)據(jù)分析能力的培養(yǎng)
14.1　培養(yǎng)業(yè)務(wù)團(tuán)隊(duì)數(shù)據(jù)分析意識(shí)與能力的重要性
14.2　數(shù)據(jù)分析師在業(yè)務(wù)團(tuán)隊(duì)數(shù)據(jù)分析意識(shí)能力培養(yǎng)中的作用
14.3　數(shù)據(jù)分析師如何培養(yǎng)業(yè)務(wù)團(tuán)隊(duì)的數(shù)據(jù)分析意識(shí)和能力
14.4　數(shù)據(jù)分析師培養(yǎng)業(yè)務(wù)團(tuán)隊(duì)數(shù)據(jù)分析意識(shí)能力的案例分享
14.4.1　 案例背景
14.4.2　過程描述
14.4.3　本項(xiàng)目的效果跟蹤
第15章　換位思考
15.1　為什么要換位思考
15.2　從業(yè)務(wù)方的角度換位思考數(shù)據(jù)分析與挖掘
15.3　從同行的角度換位思考數(shù)據(jù)分析挖掘的經(jīng)驗(yàn)教訓(xùn)
第16章　養(yǎng)成數(shù)據(jù)分析師的品質(zhì)和思維模式
16.1　態(tài)度決定一切
16.1.1　信念
16.1.2　信心
16.1.3　熱情
16.1.4　敬畏
16.1.5　感恩
16.2　商業(yè)意識(shí)是核心
16.2.1　為什么商業(yè)意識(shí)是核心
16.2.2　如何培養(yǎng)商業(yè)意識(shí)
16.3　一個(gè)基本的方法論
16.4　大膽假設(shè)，小心求證
16.5　20/80原理
16.6　結(jié)構(gòu)化思維
16.7　優(yōu)秀的數(shù)據(jù)分析師既要客觀，又要主觀
第17章　條條大道通羅馬
17.1　為什么會(huì)條條大道通羅馬
17.2　條條大道有側(cè)重
17.3　自覺服從和積極響應(yīng)
17.3.1　自覺服從
17.3.2　積極響應(yīng)
17.4　具體示例
第18章　數(shù)據(jù)挖掘?qū)嵺`的質(zhì)量保障流程和制度
18.1　一個(gè)有效的質(zhì)量保障流程制度
18.1.1　業(yè)務(wù)需求的收集
18.1.2　評估小組評估需求的優(yōu)先級
18.1.3　課題組的成立及前期摸底
18.1.4　向業(yè)務(wù)方提交正式課題（項(xiàng)目）計(jì)劃書
18.1.5　數(shù)據(jù)分析挖掘的課題展開
18.1.6　向業(yè)務(wù)方提交結(jié)論報(bào)告及業(yè)務(wù)落地應(yīng)用建議
18.1.7　課題（項(xiàng)目）的落地應(yīng)用和效果監(jiān)控反饋
18.2　質(zhì)量保障流程制度的重要性
18.3　如何支持與強(qiáng)化質(zhì)量保障流程制度
第19章　幾個(gè)經(jīng)典的數(shù)據(jù)挖掘方法論
19.1　SEMMA方法論
19.1.1　數(shù)據(jù)取樣
19.1.2　數(shù)據(jù)探索
19.1.3　數(shù)據(jù)調(diào)整
19.1.4　模式化
19.1.5　評價(jià)
19.2　CRISP-DM方法論
19.2.1　業(yè)務(wù)理解
19.2.2　數(shù)據(jù)理解
19.2.3 　數(shù)據(jù)準(zhǔn)備
19.2.4　模型搭建
19.2.5　模型評估
19.2.6　模型發(fā)布
19.3　Tom Khabaza的挖掘9律