随着数据挖掘技术应用越来越广泛，越来越多的学校在经济、管理类专业逐步开设了数据挖掘课程，以适应社会对掌握数据挖掘技术人才的需求。

《商务数据挖掘与应用案例分析》旨在介绍数据挖掘的基本原理、方法以及数据挖掘应用流程。通过案例的分析使读者能够应用这些方法解决商业领域中的问题。全书分为三部分，共15章。全书由蒋盛益策划和统稿。

《商务数据挖掘与应用案例分析》由认识篇、技术篇和案例篇三部分组成，以商业领域中的问题为背景，重点在于讲解数据挖掘技术的应用。认识篇从整体上介绍了数据挖掘的各种技术和数据挖掘建模过程，可使读者了解数据挖掘技术在商业领域中的应用概貌；技术篇介绍了数据挖掘中的聚类分析、分类、回归、关联规则挖掘、离群点检测等方法；案例篇展示了数据挖掘在6个不同行业中的应用案例，期望通过案例的分析使读者能够理解如何应用数据挖掘技术解决商业领域中的问题。

《商务数据挖掘与应用案例分析》可作为经济、管理类等相关专业的学生学习数据挖掘技术的教材或参考书，也可作为计算机相关专业学生学习数据挖掘技术的参考书，还可作为企事业单位管理者、信息分析人员、市场营销人员和研究与开发人员的参考资料。全书由蒋盛益策划和统稿。

上篇 认识篇

第1章 绪论  1

1.1 引例  1

1.2 数据挖掘产生的背景及概念  3

1.2.1 数据挖掘产生的背景  3

1.2.2 数据挖掘概念  4

1.3 数据挖掘任务及过程  5

1.3.1 数据挖掘任务  5

1.3.2 数据挖掘过程  5

1.4 数据挖掘常用软件简介  6

1.5 数据挖掘在商业领域中的应用  7

1.5.1 市场营销  8

1.5.2 交叉销售与交叉营销  9

1.5.3 客户关系管理  10

1.5.4 个性化推荐与个性化服务  11

1.5.5 风险分析与控制  12

1.5.6 欺诈行为检测和异常模式的发现  13

1.5.7 供应链库存管理中的需求预测  14

1.5.8 人力资源管理  15

1.6 数据挖掘技术的前景  16

1.7 本章小结  17

第2章 数据挖掘建模方法  19

2.1 概述  19

2.2 业务理解  22

2.3 数据理解  22

2.4 数据准备  23

2.5 建模  25

2.5.1 成功建立预测模型的注意要点  25

2.5.2 如何建立有效的预测模型  27

2.6 评估  29

2.7 部署  30

2.8 本章小结  30

中篇 技术篇

第3章 聚类分析  33

3.1 概述  33

3.2 相似性度量  34

3.2.1 数据及数据类型  34

3.2.2 属性之间的相似性度量  35

3.2.3 对象之间的相似性度量  37

3.3 k-means 算法及其改进  39

3.3.1 k-means 算法  39

3.3.2 k-means聚类算法的改进  41

3.4 一趟聚类算法  46

3.4.1 算法描述  46

3.4.2 聚类阈值的选择策略  47

3.5 层次聚类算法  48

3.5.1 概述  48

3.5.2 BIRCH算法  49

3.5.3 两步聚类算法  51

3.6 SOM算法  53

3.6.1 SOM算法中网络的拓扑结构  53

3.6.2 SOM算法的聚类原理  54

3.7 聚类算法评价  56

3.7.1 监督度量  56

3.7.2 非监督度量  57

3.8 综合例子  57

3.9 本章小结  59

第4章 分类  62

4.1 概述  63

4.2 决策树分类方法  63

4.2.1 决策树的基本概念  63

4.2.2 决策树的构建  65

4.2.3 Hunt算法  69

4.2.4 C4.5分类算法  70

4.2.5 CART算法  72

4.2.6 C4.5 与CART算法的区别  79

4.2.7 决策树分类算法的优点  79

4.3 朴素贝叶斯分类方法  79

4.3.1 朴素贝叶斯算法的相关概念  79

4.3.2 零条件概率问题的处理  80

4.3.3 朴素贝叶斯算法的优缺点  81

4.4 最近邻KNN分类方法  82

4.4.1 最近邻分类的基本概念  83

4.4.2 KNN算法优缺点  83

4.4.3 KNN的扩展  83

4.5 集成分类器  84

4.5.1 集成分类器的过程描述  84

4.5.2 构建集成分类器的方法  85

4.5.3 集成分类器方法优缺点  85

4.6 分类方法评价  85

4.7 综合例子  87

4.8 本章小结  88

第5章 关联规则分析  90

5.1 概述  90

5.2 关联规则分析基础  91

5.2.1 基本概念  91

5.2.2 基础分析方法  92

5.3 Apriori算法  94

5.3.1 Apriori性质  94

5.3.2 Apriori算法原理  94

5.3.3 Apriori算法演示示例  95

5.3.4 Apriori算法评价  96

5.4 CARMA算法  97

5.4.1 Phase I阶段  97

5.4.2 Phase II阶段  100

5.5 产生关联规则  101

5.5.1 一般关联规则的产生  101

5.5.2 Apriori算法关联规则的产生  101

5.5.3 规则的评估标准  103

5.6 关联规则扩展  104

5.6.1 多层次关联规则  104

5.6.2 多维度关联规则  105

5.6.3 定量关联规则  105

5.6.4 基于约束的关联规则  105

5.6.5 序列模式挖掘  106

5.7 综合例子  106

5.7.1 概述  106

5.7.2 案例分析流程  107

5.8 本章小结  110

第6章 离群点检测  113

6.1 概述  113

6.2 基于相对密度的离群点检测方法  115

6.3 基于聚类的离群点检测方法  119

6.3.1 基于对象的离群因子方法  120

6.3.2 基于簇的离群因子检测方法  122

6.3.3 基于聚类的动态数据离群点检测  124

6.4 离群点检测方法的评估  124

6.5 本章小结  125

第7章 回归分析  126

7.1 概述  126

7.2 线性回归模型  127

7.2.1 多元线性回归模型的表示  127

7.2.2 多元线性回归模型的检验  128

7.3 非线性回归  130

7.4 逻辑回归  134

7.4.1 二元Logistic回归模型  134

7.4.2 Logistic回归模型的系数估计  134

7.4.3 Logistic回归模型系数的解释  135

7.4.4 显著性检验  136

7.4.5 回归方程的拟合优度检验  137

7.5 本章小结  141

第8章 为挖掘准备数据  144

8.1 数据统计特性  145

8.1.1 频率和众数  145

8.1.2 百分位数  145

8.1.3 中心度量  145

8.1.4 散布程度度量  146

8.2 数据预处理  146

8.2.1 数据清理  147

8.2.2 数据集成  150

8.2.3 数据变换  150

8.2.4 数据归约  154

8.3 本章小结  155

下篇 案例篇

第9章 Clementine使用简介  157

9.1 Clementine概述  157

9.2 Clementine数据流操作  158

9.2.1 生成数据流的基本过程  158

9.2.2 节点操作  159

9.2.3 数据流的其他管理  160

9.3 输入、输出节点介绍  162

9.3.1 数据源节点  162

9.3.2 类型节点  166

9.3.3 表节点  167

9.3.4 数据导出节点  168

9.4 数据预处理节点介绍  168

9.4.1 过滤节点  169

9.4.2 选择节点  169

9.4.3 抽样节点  170

9.4.4 平衡节点  170

9.4.5 排序节点  171

9.4.6 分区节点  171

9.4.7 导出节点  172

9.4.8 分箱节点  174

9.4.9 特征选择节点  176

9.4.10 数据审核节点  177

9.4.11 直方图节点  178

9.4.12 分布图节点  178

9.4.13 Web节点  179

9.5 聚类节点介绍  180

9.5.1 K-Means节点  180

9.5.2 Kohonen节点  182

9.5.3 TwoStep节点  184

9.5.4 Anomaly节点  184

9.6 分类节点介绍  186

9.6.1 C5.0节点  186

9.6.2 C＆R Tree节点  188

9.6.3 BayesNet节点  190

9.6.4 二元分类器节点  192

9.6.5 Ensemble节点  194

9.6.6 分析节点  195

9.6.7 评估节点  196

9.7 关联分析节点介绍  200

9.7.1 Apriori节点  200

9.7.2 CARMA节点  202

9.7.3 Sequence节点  203

9.8 回归分析节点介绍  205

9.8.1 线性回归节点  205

9.8.2 逻辑回归节点  206

9.9 RFM分析节点介绍  207

9.9.1 RFM汇总节点  207

9.9.2 RFM分析节点  208

9.10 本章小结  210

第10章 数据挖掘在电信业中的应用  211

10.1 数据挖掘在电信业的应用概述  211

10.1.1 客户细分  212

10.1.2 客户流失预测分析  212

10.1.3 客户社会关系挖掘  213

10.1.4 业务交叉销售  214

10.1.5 欺诈客户识别  214

10.2 案例10-1：客户通话模式分析  215

10.2.1 商业理解  215

10.2.2 数据理解阶段  215

10.2.3 数据准备阶段  217

10.2.4 建模阶段  218

10.3 案例10-2：客户细分与流失分析  223

10.3.1 商业理解  223

10.3.2 数据理解阶段  224

10.3.3 数据准备阶段  225

10.3.4 建模阶段  226

10.3.5 评估阶段  230

10.4 案例10-3：移动业务关联分析  232

10.4.1 商业理解  232

10.4.2 数据理解阶段  232

10.4.3 数据准备阶段  233

10.4.4 建模阶段  235

10.4.5 模型评估  238

10.4.6 部署阶段  239

10.5 本章小结  240

第11章 数据挖掘在银行业中的应用  241

11.1 数据挖掘在银行业中的应用概述  241

11.2 案例11-1：信用风险分析  243

11.2.1 商业理解  243

11.2.2 数据理解  243

11.2.3 数据准备阶段  245

11.2.4 数据建模  246

11.2.5 模型评估  247

11.2.6 模型部署  248

11.3 本章小结  249

第12章 数据挖掘在目录营销中的应用  250

12.1 应用概述  250

12.1.1 RFM分析的基本原理  251

12.1.2 RFM模型的应用场景  254

12.2 案例12-1：Charles读书俱乐部目录

销售  254

12.2.1 商业理解  255

12.2.2 数据理解阶段  255

12.2.3 数据准备阶段  256

12.2.4 建模阶段  257

12.2.5 评估阶段  260

12.2.6 部署阶段  260

12.3 案例12-2：旅游公司的目录销售  260

12.3.1 商业理解  260

12.3.2 数据理解阶段  261

12.3.3 数据准备阶段  261

12.3.4 建模阶段  261

12.3.5 部署阶段  263

12.4 本章小结  264

第13章 数据挖掘在零售业中的应用  265

13.1 数据挖掘在零售业中的应用概述  265

13.2 案例13-1：关联分析在超市购物篮分析中的应用  267

13.2.1 商业理解  267

13.2.2 数据理解  267

13.2.3 数据准备  268

13.2.4 建立模型  268

13.2.5 模型评估和应用  271

13.2.6 节假日和工作日的比较分析  272

13.3 案例13-2：超市工作时间与人员配置分析  272

13.3.1 商业理解  272

13.3.2 数据理解与准备  273

13.3.3 建立模型  273

13.3.4 模型评估与部署  273

13.3.5 不同时段的商品销售规律  274

13.3.6 时段与商品的销售规律  274

13.4 本章小结  275

第14章 数据挖掘在上市公司财务风险预警分析中的应用  276

14.1 数据挖掘在上市公司财务风险预警分析中的应用概述  276

14.2 案例14-1：上市公司财务报表舞弊识别  278

14.2.1 商业理解  278

14.2.2 数据理解与数据准备  278

14.2.3 模型建立与评估  279

14.3 案例14-2：上市公司财务困境预警  279

14.3.1 商业理解阶段  280

14.3.2 数据理解阶段  280

14.3.3 数据准备阶段  281

14.3.4 建模阶段  282

14.3.5 部署实施  283

14.4 本章小结  283

第15章 数据挖掘在电子商务中的应用  284

15.1 数据挖掘在电子商务中的应用概述  284

15.2 主要应用领域  285

15.2.1 网络客户关系管理  285

15.2.2 网站设计优化  286

15.2.3 推荐系统  287

15.3 案例15-1：基于关联分析的淘宝网推荐  289

15.3.1 商业理解阶段  289

15.3.2 数据理解阶段  289

15.3.3 数据准备阶段  290

15.3.4 数据建模  291

15.3.5 模型评估  291

15.3.6 部署阶段  292

15.4 案例15-2：协同过滤技术在电影推荐上的简单应用  292

15.4.1 协同过滤推荐简述  292

15.4.2 商业理解阶段  293

15.4.3 数据的理解、收集及准备  293

15.4.4 建模阶段  294

15.4.5 模型评估和部署  295

15.5 本章小结  295

附录A 数据挖掘常用资源列表  296

参考文献  298