推薦序
前言
第1章　什么是數(shù)據(jù)化運營
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)化運營的主要內容
1.3　為什么要數(shù)據(jù)化運營
1.4　數(shù)據(jù)化運營的必要條件
1.4.1　企業(yè)級海量數(shù)據(jù)存儲的實現(xiàn)
1.4.2　精細化運營的需求
1.4.3　數(shù)據(jù)分析和數(shù)據(jù)挖掘技術的有效應用
1.4.4　企業(yè)決策層的倡導與持續(xù)支持
1.5　數(shù)據(jù)化運營的新現(xiàn)象與新發(fā)展
1.6　關于互聯(lián)網(wǎng)和電子商務的最新數(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以及在數(shù)據(jù)化運營中的主要應用
2.3.1　決策樹
2.3.2　神經網(wǎng)絡
2.3.3　回歸
2.3.4　關聯(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
2.3.8　主成分分析
2.3.9　假設檢驗
2.4　互聯(lián)網(wǎng)行業(yè)數(shù)據(jù)挖掘應用的特點
第3章　數(shù)據(jù)化運營中常見的數(shù)據(jù)分析項目類型
3.1　目標客戶的特征分析
3.2　目標客戶的預測（響應、分類）模型
3.3　運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　信息質量模型
3.7　服務保障模型
3.8　用戶（買家、賣家）分層模型
3.9　賣家（買家）交易模型
3.10　信用風險模型
3.11　商品推薦模型
3.11.1　商品推薦介紹
3.11.2　關聯(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
3.12　數(shù)據(jù)產品
3.13　決策支持
第4章　數(shù)據(jù)化運營是跨專業(yè)、跨團隊的協(xié)調與合作
4.1　數(shù)據(jù)分析團隊與業(yè)務團隊的分工和定位
4.1.1　提出業(yè)務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)務經驗和參考建議
4.1.3　策劃和執(zhí)行精細化運營方案
4.1.4　跟蹤運營效果、反饋和總結
4.2　數(shù)據(jù)化運營是真正的多團隊、多專業(yè)的協(xié)同作業(yè)
4.3　實例示范數(shù)據(jù)化運營中的跨專業(yè)、跨團隊協(xié)調合作
第5章　分析師常見的錯誤觀念和對治的管理策略
5.1　輕視業(yè)務論
5.2　技術萬能論
5.3　技術尖端論
5.4　建模與應用兩段論
5.5　機器萬能論
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)挖掘項目完整應用案例演示
6.1　項目背景和業(yè)務分析需求的提出
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　按計劃初步搭建挖掘模型
6.6　與業(yè)務方討論模型的初步結論，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，提煉結論并驗證模型
6.8　完成分析報告和落地應用建議
6.9　制定具體的落地應用方案和評估方案
6.10　業(yè)務方實施落地應用方案并跟蹤、評估效果
6.11　落地應用方案在實際效果評估后，不斷修正完善
6.12　不同運營方案的評估、總結和反饋
6.13　項目應用后的總結和反思
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)務思路上優(yōu)化
7.2.2　從建模的技術思路上優(yōu)化
7.2.3　從建模的技術技巧上優(yōu)化
7.3　如何思考優(yōu)化的限度
7.4　模型效果評價的主要指標體系
7.4.1　評價模型準確度和精度的系列指標
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)轉換
8.5.1　生成衍生變量
8.5.2　改善變量分布的轉換
8.5.3　分箱轉換
8.5.4　數(shù)據(jù)的標準化
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　結合業(yè)務經驗進行先行篩選
8.6.3　用線性相關性指標進行初步篩選
8.6.4　R平方
8.6.5　卡方檢驗
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　聚類分析的典型應用和技術小竅門
9.1　聚類分析的典型應用場景
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　聚類分析在實踐應用中的重點注意事項
9.3.1　如何處理數(shù)據(jù)噪聲和異常值
9.3.2　數(shù)據(jù)標準化
9.3.3　聚類變量的少而精
9.4　聚類分析的擴展應用
9.4.1　聚類的核心指標與非聚類的業(yè)務指標相輔相成
9.4.2　數(shù)據(jù)的探索和清理工具
9.4.3　個性化推薦的應用
9.5　聚類分析在實際應用中的優(yōu)勢和缺點
9.6　聚類分析結果的評價體系和評價指標
9.6.1　業(yè)務專家的評估
9.6.2　聚類技術上的評價指標
9.7　一個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論
第10章　預測響應（分類）模型的典型應用和技術小竅門
10.1　神經網(wǎng)絡技術的實踐應用和注意事項
10.1.1　神經網(wǎng)絡的原理和核心要素
10.1.2　神經網(wǎng)絡的應用優(yōu)勢
10.1.3　神經網(wǎng)絡技術的缺點和注意事項
10.2　決策樹技術的實踐應用和注意事項
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　決策樹的應用優(yōu)勢
10.2.6　決策樹的缺點和注意事項
10.3　邏輯回歸技術的實踐應用和注意事項
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　邏輯回歸的應用優(yōu)勢
10.3.4　邏輯回歸應用中的注意事項
10.4　多元線性回歸技術的實踐應用和注意事項
10.4.1　線性回歸的原理和核心要素
10.4.2　線性回歸的應用優(yōu)勢
10.4.3　線性回歸應用中的注意事項
10.5　模型的過擬合及對策
10.6　一個典型的預測響應模型的案例分享
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　初步的相關性檢驗和共線性排查
10.6.5　潛在自變量的分布轉換
10.6.6　自變量的篩選
10.6.7　響應模型的搭建與優(yōu)化
10.6.8　冠軍模型的確定和主要的分析結論
10.6.9　基于模型和分析結論基礎上的運營方案
10.6.10　模型落地應用效果跟蹤反饋
第11章　用戶特征分析的典型應用和技術小竅門
11.1　用戶特征分析所適用的典型業(yè)務場景
11.1.1　尋找目標用戶
11.1.2　尋找運營的抓手
11.1.3　用戶群體細分的依據(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
11.2.1　3種劃分的區(qū)別
11.2.2　RFM
11.2.3　聚類技術的應用
11.2.4　決策樹技術的應用
11.2.5　預測（響應）模型中的核心自變量
11.2.6　假設檢驗的應用
11.3　特征提煉后的評價體系
11.4　用戶特征分析與用戶預測模型的區(qū)別和聯(lián)系
11.5　用戶特征分析案例
第12章　運營效果分析的典型應用和技術小竅門
12.1　為什么要做運營效果分析
12.2　統(tǒng)計技術在數(shù)據(jù)化運營中最重要最常見的應用
12.2.1　為什么要進行假設檢驗
12.2.2　假設檢驗的基本思想
12.2.3　T檢驗概述
12.2.4　兩組獨立樣本T檢驗的假設和檢驗
12.2.5　兩組獨立樣本的非參數(shù)檢驗
12.2.6　配對差值的T檢驗
12.2.7　配對差值的非參數(shù)檢驗
12.2.8　方差分析概述
12.2.9　單因素方差分析
12.2.10　多個樣本組的非參數(shù)檢驗
12.2.11　卡方檢驗
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)絡日志和布點
13.1.1　日志布點
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　漏斗模型的主要應用場景
13.3.1　運營過程的監(jiān)控和運營效率的分析與改善
13.3.2　用戶關鍵路徑分析
13.3.3　產品優(yōu)化
13.4　路徑分析的主要應用場景
13.5　路徑分析的主要算法
13.5.1　社會網(wǎng)絡分析方法
13.5.2　基于序列的關聯(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)結論和業(yè)務解說
13.6.5　主要分析結論的落地應用跟蹤
第14章　數(shù)據(jù)分析師對業(yè)務團隊數(shù)據(jù)分析能力的培養(yǎng)
14.1　培養(yǎng)業(yè)務團隊數(shù)據(jù)分析意識與能力的重要性
14.2　數(shù)據(jù)分析師在業(yè)務團隊數(shù)據(jù)分析意識能力培養(yǎng)中的作用
14.3　數(shù)據(jù)分析師如何培養(yǎng)業(yè)務團隊的數(shù)據(jù)分析意識和能力
14.4　數(shù)據(jù)分析師培養(yǎng)業(yè)務團隊數(shù)據(jù)分析意識能力的案例分享
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)分析挖掘的經驗教訓
第16章　養(yǎng)成數(shù)據(jù)分析師的品質和思維模式
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)意識是核心
16.2.1　為什么商業(yè)意識是核心
16.2.2　如何培養(yǎng)商業(yè)意識
16.3　一個基本的方法論
16.4　大膽假設，小心求證
16.5　20/80原理
16.6　結構化思維
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　為什么會條條大道通羅馬
17.2　條條大道有側重
17.3　自覺服從和積極響應
17.3.1　自覺服從
17.3.2　積極響應
17.4　具體示例
第18章　數(shù)據(jù)挖掘實踐的質量保障流程和制度
18.1　一個有效的質量保障流程制度
18.1.1　業(yè)務需求的收集
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)務方提交正式課題（項目）計劃書
18.1.5　數(shù)據(jù)分析挖掘的課題展開
18.1.6　向業(yè)務方提交結論報告及業(yè)務落地應用建議
18.1.7　課題（項目）的落地應用和效果監(jiān)控反饋
18.2　質量保障流程制度的重要性
18.3　如何支持與強化質量保障流程制度
第19章　幾個經典的數(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)調整
19.1.4　模式化
19.1.5　評價
19.2　CRISP-DM方法論
19.2.1　業(yè)務理解
19.2.2　數(shù)據(jù)理解
19.2.3 　數(shù)據(jù)準備
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