构建面向CRM的数据挖掘应用PDF|Epub|txt|kindle电子书版本下载

构建面向CRM的数据挖掘应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 数据挖掘对CRM的影响1

第一章 客户关系3

1.1 介绍3

1.2 什么是数据挖掘4

1.3 一个例子4

1.4 与商业过程的关联5

1.5 数据挖掘和客户关系管理6

1.5.1 数据挖掘是如何辅助基于数据库的销售的7

1.5.2 评分7

1.5.3 活动管理软件的作用7

1.5.4 增加客户在整个生命周期里的价值(Lifetime Value)7

1.5.6 评估数据挖掘模型带来的好处8

1.5.5 数据挖掘和活动管理的结合8

第二章 用联系的观点看数据挖掘和数据仓库9

2.1 介绍9

2.2 数据挖掘和数据仓库——联系9

2.3 数据仓库综述10

2.3.1 数据仓库ROI11

2.3.2 操作和信息数据存储11

2.3.3 数据仓库的定义和特性14

2.3.4 数据仓库的体系结构15

2.3.5 数据仓库访问和客户/服务器体系结构17

2.4 数据挖掘18

2.4.1 数据挖掘定义18

2.4.3 数据挖掘的分类和研究重点19

2.4.2 数据挖掘的应用领域19

3.1 介绍23

3.2 最有利可图的客户23

第三章 客户关系管理23

3.3 客户关系管理24

3.3.1 以客户为中心的数据库25

3.3.2 管理活动26

3.4 推销活动的演变27

3.5 封闭循环的推销27

3.6 CRM体系结构28

3.7 下一代CRM28

第二部分 基础——技术和工具29

4.2 整体体系结构31

第四章 数据仓库部件31

4.1 介绍31

4.3 数据仓库型的数据库32

4.4 寻找、获取、清理和转换工具33

4.5 元数据33

4.6 访问工具35

4.6.1 评估和可视化信息35

4.6.2 工具分类37

4.6.3 查询和报表工具37

4.6.4 应用软件38

4.6.5 OLAP工具38

4.6.6 数据挖掘工具38

4.7 数据集市39

4.8 数据仓库的经营和管理41

4.9 Web的影响41

4.10 利用Web的方法42

4.11 设计选项和问题43

第五章 数据挖掘49

5.1 什么是数据挖掘49

5.2 数据挖掘不是什么50

5.2.1 统计50

5.2.2 OLAP50

5.2.3 数据仓库50

5.3 数据挖掘已经成熟50

5.4 数据挖掘的潜力是巨大的51

5.5 从你过去的错误中学习52

5.6 我不需要数据挖掘——我已有了统计分析53

5.7 测量数据挖掘的效力——准确性、速度和代价53

5.8 将数据挖掘嵌入到你的业务处理中55

5.9 改变的东西越多、保留不变的也越多55

5.10 发掘与预测56

5.10.1 塔尔沙漠中的黄金56

5.10.2 发掘——发现你尚未寻找到的东西56

5.10.3 预测57

5.11 过适应57

5.12 行业状态57

5.12.4 研究分析家的工具58

5.12.3 商业分析家的工具58

5.12.2 商业工具58

5.12.1 目标解决方案58

5.13 数据挖掘方法学59

5.13.1 模式和模型各是什么59

5.13.2 模式的可视化60

5.13.3 术语说明62

5.13.4 对知识和智慧的说明63

5.13.5 取样63

5.13.6 随机取样64

5.13.7 验证模型64

5.13.8 选择最好的模型65

5.14 数据挖掘应用的类型66

6.2 统计67

第六章 经典技术：统计、近邻、聚类67

6.1 经典67

6.2.1 统计和数据挖掘之间有什么不同之处68

6.2.2 什么是统计68

6.2.3 数据、计算和概率69

6.2.4 柱状图69

6.2.5 为预测而做的统计71

6.2.6 线性回归71

6.2.7 如果数据中的模式看起来不像一条直线怎么办72

6.3 最近邻73

6.3.1 一个聚类的简单例子73

6.3.2 一个最近邻的简单例子73

6.3.4 在商业中最近邻技术应用在何处74

6.3.3 怎样应用最近邻来做预测74

6.3.5 在股票市场上应用最近邻技术75

6.3.6 为什么投票选举更好——K近邻75

6.3.7 最近邻如何能告诉你对预测有多大的可信性76

6.4 聚类76

6.4.1 聚类76

6.4.2 发现不能匹配的例子——对局外点的聚类77

6.4.3 聚类和最近邻怎样地相像77

6.4.4 怎样用聚类和最近邻来作出预测77

6.4.5 还有其他聚类的正确方法吗78

6.4.6 如何权衡哪条记录该属于哪一簇79

6.4.7 聚类是在相似的簇和较少数量的簇之间的折中方法79

6.4.10 怎样定义聚类和最近邻的空间80

6.4.8 聚类和最近邻预测之间有什么不同之处80

6.4.9 n维空间是什么80

6.4.11 分层聚类和不分层聚类81

6.4.12 不分层聚类82

6.4.13 分层聚类82

6.5 选择典型的技术84

第七章 下一代技术：树、网络和规则85

7.1 下一代85

7.2 决策树85

7.2.1 什么是决策树85

7.2.2 把决策树看作是有目的的分割86

7.2.3 决策树在业务中的应用86

7.2.7 决策树用于预测87

7.2.6 决策树用于数据预处理87

7.2.4 决策树可以用在哪里87

7.2.5 决策树用于勘测87

7.2.8 第一步是产生树88

7.2.9 好问题与坏问题之间的区别88

7.2.10 树何时停止生长88

7.2.11 数据不够时决策树算法为什么要停止生长树88

7.2.12 建好树并不意味着决策树的完成89

7.2.13 ID3及其改进——C4.589

7.2.14 CART——生成森林和挑选最优树90

7.2.15 CART自动验证树90

7.2.16 用CART替代属性来处理缺少的数据90

7.2.17 CHAID90

7.3.2 神经元网络不是通过学习能得到更好的预测吗91

7.3 神经元网络91

7.3.1 什么是神经元网络91

7.3.3 神经元网络简单易用吗92

7.3.4 神经元网络在业务中的应用92

7.3.5 什么地方使用神经元网络93

7.3.6 神经元网络用于聚类93

7.3.7 神经元网络用于奇异分析93

7.3.8 神经元网络用于特征抽取93

7.3.9 神经元网络是什么样的94

7.3.10 神经元网络如何进行预测95

7.3.11 神经元网络模型是如何建立的95

7.3.14 隐藏节点中进行的学习96

7.3.12 神经元网络模型有多复杂96

7.3.13 对输出节点来说隐藏节点就像是值得信赖的顾问96

7.3.15 在组织中分享责备与荣耀97

7.3.16 不同类型的神经元网络97

7.3.17 Kohonen特征图98

7.3.18 神经元网络与人脑有多相似98

7.3.19 防止过适应——使模型应用范围更广98

7.3.20 对网络进行解释99

7.4 规则归纳99

7.4.1 规则归纳在业务中的应用100

7.4.2 什么是规则100

7.4.3 如何应用规则101

7.4.4 规则并不表示因果关系101

7.4.5 用于规则归纳的数据库类型102

7.4.6 一般思想103

7.4.7 正确率和覆盖率的商业重要性103

7.4.8 正确率和覆盖率之间的权衡就像赌马104

7.4.9 如何评价规则104

7.4.10 定义“兴趣度”105

7.4.11 有用度的其他定义105

7.4.12 规则与决策树的比较106

7.4.13 决策树与规则归纳系统的另一个共同特点106

7.4.14 什么时候用哪种技术107

7.4.15 权衡勘查与利用107

8.2.1 数据挖掘过程109

8.2 使用正确的技术109

8.1 介绍109

第八章 什么时候使用数据挖掘109

8.2.2 决策树与最近邻方法有何相似之处111

8.2.3 规则用于归纳什么地方与决策树相似111

8.2.4 如何用神经元网络做连接分析112

8.3 业务处理中的数据挖掘112

8.3.1 避免数据挖掘中的错误113

8.3.2 理解数据114

8.4 嵌入式数据挖掘116

8.4.1 分布式业务处理的代价118

8.4.2 衡量数据挖掘工具的最佳方法119

8.4.3 嵌入式数据挖掘120

8.5.1 衡量正确率122

8.5 如何衡量正确率、可解释性和集成度122

8.5.2 衡量可解释性123

8.5.3 衡量集成度123

8.6 嵌入式数据库挖掘的前景如何124

第三部分 商业价值125

第九章 客户盈利能力分析127

9.1 介绍127

9.2 为什么要计算客户盈利能力128

9.3 忠诚度在客户盈利能力上的作用128

9.4 客户忠诚度和复合效应法则129

9.5 什么是客户关系管理129

9.6 通过数据挖掘技术使客户盈利能力最大化129

9.7 预测未来的盈利能力130

9.8 预测客户盈利能力的变化131

9.9 以客户盈利能力为导向的市场策略131

9.10 为什么只计算营业收入是不够的132

9.11 增量客户盈利能力133

9.12 什么是增量客户盈利能力133

9.13 让销售人员停止推销134

9.14 如何系统地开始应用135

9.15 用替代品通常比什么都不用更糟136

9.16 圣杯136

9.17 如何评估数据挖掘技术的价值137

10.1 介绍139

第十章 客户的获取139

10.2 数据挖掘和统计模型如何发挥作用140

10.3 一些关键概念的定义140

10.4 一切从数字开始142

10.5 试验活动142

10.6 评估试验活动143

10.7 用反应行为模式建立数据挖掘模型143

第十一章 交叉营销145

11.1 介绍145

11.2 如何进行交叉营销146

11.3 处理步骤146

11.4.1 建模阶段148

11.4.2 评分阶段148

11.4 开始分析148

11.4.3 优化阶段149

11.5 多种服务153

第十二章 客户的保持155

12.1 介绍155

12.2 移动电话业的客户流失156

12.3 用到的数据挖掘技术158

12.4 案例分析-移动通信业的客户保持158

12.4.1 数据158

12.4.2 定义预测目标159

12.4.3 实施数据挖掘159

12.4.4 数据挖掘模型159

12.5 商业实施162

12.6 结果163

12.7 经验教训164

12.7.1 令人惊讶的结果165

12.7.2 改变预测模式的目标165

12.7.3 其它的数据源亦能提供帮助165

12.7.4 考虑客户价值165

12.7.5 关于保留团队和其他市场努力165

12.8 其他行业中的客户保持166

第十三章 客户的细分167

13.1 介绍167

13.2 什么是细分167

13.4 与“一对一”市场的区别168

13.5 什么是数据驱动的细分168

13.3 细分的意义是什么168

13.6 如何完成数据驱动细分169

13.7 细分的不同用途170

13.7.1 了解你的业务并执行一个策略170

13.7.2 人口统计学细分170

13.7.3 心理学细分170

13.7.4 目的性细分171

13.8 细分完成的方法171

13.9 数据挖掘如何运用到细分上来171

13.10 用集成数据驱动细分172

13.11.3 改变市场细分173

13.11.2 正确使用它们173

13.11.1 市场细分是公司的共用语言173

13.11 引入和去除细分模式173

13.12 案例分析174

13.13 参考文献175

第四部分 建立解决方案的关健177

第十四章 建立商业案例179

14.1 介绍179

14.1.1 数据挖掘很复杂179

14.1.2 你如何知道已经取得了成功180

14.1.3 商业战略的根本转变180

14.2 发现公司对数据挖掘的需要180

14.2.1 执行得不好的CRM或者简单的促销活动管理180

14.3.2 利润181

14.3.1 收益的增长181

14.2.3 缺乏将客户转移到高价值群体的能力181

14.3 定义商业价值181

14.2.2 不相称的客户投资和客户价值181

14.3.3 降低成本182

14.3.4 投资回报率(ROI)182

14.3.5 竞争优势183

14.3.6 成为早的采纳者183

14.4 成本183

14.4.1 数据183

14.4.2 基础设施的成本184

14.4.3 人力成本184

14.5 创建商业案例185

14.4.5 控制成本：利用已有的投资185

14.4.4 维护成本185

第十五章 在CRM中应用数据挖掘系统187

15.1 介绍187

15.2 启动一个数据挖掘应用的10个步骤187

15.3 问题定义188

15.3.1 找到关键环节188

15.3.2 定义可交付系统的标准189

15.3.3 选择明确的小问题189

15.3.4 理解已有的CRM流程190

15.4 用户定义190

15.4.1 为每一个用户建立个人资料191

15.4.2 利用快速启动程序培训未来的用户并了解用户的需求和愿望191

15.5.1 定位数据字典192

15.5 数据定义192

15.5.2 找到数据情报员193

15.5.3 指标定义193

15.6 真正地定义数据194

15.6.1 评估数据完整性的符合程度194

15.6.2 验证数据源194

15.7 控制项目的范围194

15.7.1 用文档来控制项目范围的平稳扩大195

15.7.2 控制数据清洗的范围195

15.7.3 控制数据转移、建模和存储的范围195

15.7.4 控制数据挖掘的范围195

15.7.5 控制试验性设计和评价的成本195

15.8.2 从小的系统开始但要完成全过程196

15.8 试验196

15.8.1 不要等待太久196

15.9 质量保证197

15.9.1 使质量保证成为一个程序197

15.9.2 验证和传达模型的结果197

15.10 教育培训198

15.11 发布198

15.11.1 选择第一批用户198

15.11.2 在得到全部结果前保守秘密199

15.11.3 协助用户解释所得结果199

15.12 持续的过程199

15.13 结论——使数据挖掘成为业务流程的一部分200

16.2 三种类型客户数据201

第十六章 收集客户数据201

16.1 介绍201

16.2.1 描述性数据202

16.2.2 市场促销活动的数据203

16.2.3 客户交易数据203

16.3 收集客户数据203

16.3.1 内部数据源204

16.3.2 Web数据204

16.4 连接客户数据205

16.4.1 数据仓库和数据集市205

16.4.2 数据泵和连接器205

16.4.3 远距离连结206

16.6 隐私和数据挖掘技术207

16.5 客户数据和隐私207

16.7 处理隐私问题的方针208

16.7.1 匿名和身份信息208

16.7.2 具体数据与汇总数据209

16.7.3 信息用于市场定位或评估209

16.7.4 合并数据源210

16.7.5 匿名系统结构210

16.8 与数据挖掘有关的法律问题210

第十七章 为客户评分213

17.1 介绍213

17.2 评分过程214

17.3 评分系统结构和配置215

17.4 准备数据216

17.4.2 偏移映射217

17.4.1 直接映射217

17.5 将评分过程与其他应用集成218

17.5.1 创建模型218

17.5.2 动态地给数据评分219

第十八章 优化CRM过程221

18.1 介绍221

18.2 通过优化提高客户收益率222

18.3 为什么不优化客户关系223

18.4 控制要优化的对象224

18.5 为什么现在可以224

18.6 优化了的CRM225

18.8 最佳的CRM过程：评价、预测和行动226

18.7 完整的过程226

18.9 促销优化不是什么227

18.10 使用数据挖掘技术来优化CRM客户关系管理系统228

18.11 优化技术228

第十九章 对数据挖掘和CRM工具市场的看法231

19.1 介绍231

19.2 数据挖掘市场231

19.3 数据挖掘工具的分类232

19.4 工具评估：属性和方法学233

19.5 工具评估234

19.5.1 Clementine(SPSS)234

19.5.2 4Thought和Scenario(Cognos)235

19.5.3 Darwin(Oracle)237

19.5.4 Database Mining Workstation(HNC)239

19.5.5 Decision Series(Neo Vista)240

19.5.6 Enterprise Miner(SAS)242

19.5.7 Intelligent Miner(IBM)243

19.5.8 KnowledgeSEEKER and Knowledge Studio(Angoss)245

19.5.9 Model 1 and Pattern Recognition Workbench(Unica)246

19.6 别的数据挖掘工具248

19.7 客户关系管理工具249

19.7.1 个性化工具249

19.7.2 市场活动管理/行销工具250

19.7.3 销售自动化和客户服务工具251

20.1 商业智能和信息挖掘253

第二十章 有效进行客户关系管理的下一代信息挖掘和知识发现技术253

20.2 文本挖掘和知识管理254

20.3 文本挖掘的好处255

20.4 文本挖掘技术255

20.4.1 互联网搜索255

20.4.2 文本分析256

20.4.3 语义网络和其他技术256

20.5 文本挖掘产品257

20.6 使用人脑的力量261

20.7 结论264

20.7.1 知识管理264

20.7.2 电子商务世界中的客户关系管理264

20.7.3 应用服务提供商266

附录 术语表269