第一部分 數據挖掘對CRM的影響
第一章 客戶關系
1. 1 介紹
1. 2 什么是數據挖掘
1. 3 一個例子
1. 4 與商業(yè)過程的關聯
1. 5 數據挖掘和客戶關系管理
1. 5. 1 數據挖掘是如何輔助基于數據庫的銷售的
1. 5. 2 評分
1. 5. 3 活動管理軟件的作用
1. 5. 4 增加客戶在整個生命周期里的價值(Lifetime Value)
1. 5. 5 數據挖掘和活動管理的結合
1. 5. 6 評估數據挖掘模型帶來的好處
第二章 用聯系的觀點看數據挖掘和數據倉庫
2. 1 介紹
2. 2 數據挖掘和數據倉庫——聯系
2. 3 數據倉庫綜述
2. 3. 1 數據倉庫ROI
2. 3. 2 操作和信息數據存
2. 3. 3 數據倉庫的定義和特性
2. 3. 4 數據倉庫的體系結構
2. 3. 5 數據倉庫訪問和客戶／服務器體系結構
2. 4 數據挖掘
2. 4. 1 數據挖掘定義
2. 4. 2 數據挖掘的應用領域
2. 4. 3 數據挖掘的分類和研究重點
第三章 客戶關系管理
3. 1 介紹
3. 2 最有利可圖的客戶
3. 3 客戶關系管理
3. 3. 1 以客戶為中心的數據庫
3. 3. 2 管理活動
3. 4 推銷活動的演變
3. 5 封閉循環(huán)的推銷
3. 6 CRM體系結構
3. 7 下一代CRM
第二部分 基礎——技術和工具
第四章 數據倉庫部件
4. 1 介紹
4. 2 整體體系結構
4. 3 數據倉庫型的數據庫
4. 4 尋找. 獲取. 清理和轉換工具
4. 5 元數據
4. 6 訪問工具
4. 6. 1 評估和可視化信息
4. 6. 2 工具分類
4. 6. 3 查詢和報表工具
4. 6. 4 應用軟件
4. 6. 5 OLAP工具
4. 6. 6 數據挖掘工具
4. 7 數據集市
4. 8 數據倉庫的經營和管理
4. 9 Web的影響
4. 10 利用Web的方法
4. 11 設計選項和問題
第五章 數據挖掘
5. 1 什么是數據挖掘
5. 2 數據挖掘不是什么
5. 2.1 統計
5. 2. 2 OLAP
5. 2. 3 數據倉庫
5. 3 數據挖掘已經成熟
5. 4 數據挖掘的潛力是巨大的
5. 5 從你過去的錯誤中學習
5. 6 我不需要數據挖掘——我已有了統計分析
5. 7 測量數據挖掘的效力——準確性. 速度和代價
5. 8 將數據挖掘嵌入到你的業(yè)務處理中
5. 9 改變的東西越多. 保留不變的也越多
5. 10 發(fā)掘與預測
5. 10. 1 塔爾沙漠中的黃金
5. 10. 2 發(fā)掘——發(fā)現你尚未尋找到的東西
5. 10. 3 預測
5. 11 過適應
5. 12 行業(yè)狀態(tài)
5. 12. 1 目標解決方案
5. 12. 2 商業(yè)工具
5. 12. 3 商業(yè)分析家的工具
5. 12. 4 研究分析家的工具
5. 13 數據挖掘方法學
5. 13. 1 模式和模型各是什么
5. 13. 2 模式的可視化
5. 13. 3 術語說明
5. 13. 4 對知識和智慧的說明
5. 13. 5 取樣
5. 13. 6 隨機取樣
5. 13. 7 驗證模型
5. 13. 8 選擇最好的模型
5. 14 數據挖掘應用的類型
第六章 經典技術：統計. 近鄰. 聚類
6. 1 經典
6. 2 統計
6. 2. 1 統計和數據挖掘之間有什么不同之處
6, 2. 2 什么是統計
6. 2. 3 數據. 計算和概率
6. 2. 4 柱狀圖
6. 2. 5 為預測而做的統計
6. 2. 6 線性回歸
6. 2. 7 如果數據中的模式看起來不像一條直線怎么辦
6. 3 最近鄰
6. 3. 1 一個聚類的簡單例子
6. 3. 2 一個最近鄰的簡單例子
6. 3. 3 怎樣應用最近鄰來做預測
6. 3. 4 在商業(yè)中最近鄰技術應用在何處
6. 3. 5 在股票市場上應用最近鄰技術
6. 3. 6 為什么投票選舉更好——K近鄰
6. 3. 7 最近鄰如何能告訴你對預測有多大的可信性
6. 4 聚類
6. 4. 1 聚類
6. 4. 2 發(fā)現不能匹配的例子——對局外點的聚類
6. 4. 3 聚類和最近鄰怎樣地相像
6. 4. 4 怎樣用聚類和最近鄰來作出預測
6. 4. 5 還有其他聚類的正確方法嗎
6. 4. 6 如何權衡哪條記錄該屬于哪一簇
6. 4. 7 聚類是在相似的簇和較少數量的簇之間的折中方法
6. 4. 8 聚類和最近鄰預測之間有什么不同之處
6. 4. 9 n維空間是什么
6. 4. 10 怎樣定義聚類和最近鄰的空間
6. 4. 11 分層聚類和不分層聚類
6. 4. 12 不分層聚類
6. 4. 13 分層聚類
6. 5 選擇典型的技術
第七章 下一代技術：樹. 網絡和規(guī)則
7. 1 下一代
7. 2 決策樹
7. 2. 1 什么是決策樹
7. 2. 2 把決策樹看作是有目的的分割
7. 2. 3 決策樹在業(yè)務中的應用
7. 2. 4 決策樹可以用在哪里
7. 2. 5 決策樹用于勘測
7. 2 決策樹用于數據預處理
7. 2. 7 決策樹用于預測
7. 2. 8 第一步是產生樹
7. 2. 9 好問題與壞問題之間的區(qū)別
7. 2. 10 樹何時停止生長
7. 2. 11 數據不夠時決策樹算法為什么要停止生長樹
7. 2. 12 建好樹并不意味著決策樹的完成
7. 2. 13 ID3及其改進——C4. 5
7. 2. 14 CART——生成森林和挑選最優(yōu)樹
7. 2. 15 CART自動驗證樹
7. 2. 16 用CART替代屬性來處理缺少的數據
7. 2. 17 CHAID
7. 3 神經元網絡
7. 3. 1 什么是神經元網絡
7. 3. 2 神經元網絡不是通過學習能得到更好的預測嗎
7. 3. 3 神經元網絡簡單易用嗎
7. 3. 4 神經元網絡在業(yè)務中的應用
7. 3. 5 什么地方使用神經元網絡
7. 3. 6 神經元網絡用于聚類
7. 3. 7 神經元網絡用于奇異分析
7. 3. 8 神經元網絡用于特征抽取
7. 3. 9 神經元網絡是什么樣的
7. 3. 10 神經元網絡如何進行預測
7. 3. 11 神經元網絡模型是如何建立的
7. 3. 12 神經元網絡模型有多復雜
7. 3. 13 對輸出節(jié)點來說隱藏節(jié)點就像是值得信賴的顧問
7. 3. 14 隱藏節(jié)點中進行的學習
7. 3. 15 在組織中分享責備與榮耀
7. 3. 16 不同類型的神經元網絡
7. 3. 17 Kohonen特征圖
7. 3. 18 神經元網絡與人腦有多相似
7. 3. 19 防止過適應——使模型應用范圍更廣
7. 3. 20 對網絡進行解釋
7. 4 規(guī)則歸納
7. 4. 1 規(guī)則歸納在業(yè)務中的應用
7. 4. 2 什么是規(guī)則
7. 4. 3 如何應用規(guī)則
7. 4. 4 規(guī)則并不表示因果關系
7. 4. 5 用于規(guī)則歸納的數據庫類型
7. 4. 6 一般思想
7. 4. 7 正確率和覆蓋率的商業(yè)重要性
7. 4. 8 正確率和覆蓋率之間的權衡就像賭馬
7. 4. 9 如何評價規(guī)則
7. 4. 10 定義“興趣度”
7. 4. 11 有用度的其他定義
7. 4. 12 規(guī)則與決策樹的比較
7. 4. 13 決策樹與規(guī)則歸納系統的另一個共同特點
7. 4. 14 什么時候用哪種技術
7. 4. 15 權衡勘查與利用
第八章 什么時候使用數據挖掘
8. 1 介紹
8. 2 使用正確的技術
8. 2. 1 數據挖掘過程
8. 2. 2 決策樹與最近鄰方法有何相似之處
8. 2. 3 規(guī)則用于歸納什么地方與決策樹相似
8. 2. 4 如何用神經元網絡做連接分析
8. 3 業(yè)務處理中的數據挖掘
8. 3. 1 避免數據挖掘中的錯誤
8. 3. 2 理解數據
8. 4 嵌入式數據挖掘
8. 4. 1 分布式業(yè)務處理的代價
8. 4. 2 衡量數據挖掘工具的最佳方法
8. 4. 3 嵌入式數據挖掘
8. 5 如何衡量正確率. 可解釋性和集成度
8. 5. 1 衡量正確率
8. 5. 2 衡量可解釋性
8. 5. 3 衡量集成度
8. 6 嵌入式數據庫挖掘的前景如何
第三部分 商業(yè)價值
第九章 客戶盈利能力分析
9. 1 介紹
9. 2 為什么要計算客戶盈利能力
9. 3 忠誠度在客戶盈利能力上的作用
9. 4 客戶忠誠度和復合效應法則
9. 5 什么是客戶關系管理
9. 6 通過數據挖掘技術使客戶盈利能力最大化
9. 7 預測未來的盈利能力
9. 8 預測客戶盈利能力的變化
9. 9 以客戶盈利能力為導向的市場策略
9. 10 為什么只計算營業(yè)收入是不夠的
9. 11 增量客戶盈利能力
9. 12 什么是增量客戶盈利能力
9. 13 讓銷售人員停止推銷
9. 14 如何系統地開始應用
9. 15 用替代品通常比什么都不用更糟
9. 16 圣杯
9. 17 如何評估數據挖掘技術的價值
第十章 客戶的獲取
10. 1 介紹
10. 2 數據挖掘和統計模型如何發(fā)揮作用
10. 3 一些關鍵概念的定義
10. 4 一切從數字開始
10. 5 試驗活動
10. 6 評估試驗活動
10. 7 用反應行為模式建立數據挖掘模型
第十一章 交又營銷
11. 1 介紹
11. 2 如何進行交叉營銷
11. 3 處理步驟
11. 4 開始分析
11. 4. 1 建模階段
11. 4. 2 評分階段
11. 4. 3 優(yōu)化階段
11. 5 多種服務
第十二章 客戶的保持
12. 1 介紹
12. 2 移動電話業(yè)的客戶流失
12. 3 用到的數據挖掘技術
12. 4 案例分析—移動通信業(yè)的客戶保持
12. 4. 1 數據
12. 4. 2 定義預測目標
12. 4. 3 實施數據挖掘
12. 4. 4 數據挖掘模型
12. 5 商業(yè)實施
12. 6 結果
12. 7 經驗教訓
12. 7. 1 令人驚訝的結果
12. 7. 2 改變預測模式的目標
12. 7. 3 其它的數據源亦能提供幫助
12. 7. 4 考慮客戶價值
12. 7. 5 關于保留團隊和其他市場努力
12. 8 其他行業(yè)中的客戶保持
第十三章 客戶的細分
13. 1 介紹
13. 2 什么是細分
13. 3 細分的意義是什么
13. 4 與“一對一”市場的區(qū)別
13. 5 什么是數據驅動的細分
13. 6 如何完成數據驅動細分
13. 7 細分的不同用途
13. 7. 1 了解你的業(yè)務并執(zhí)行一個策略
13. 7. 2 人口統計學細分
13. 7. 3 心理學細分
13. 7. 4 目的性細分
13. 8 細分完成的方法
13. 9 數據挖掘如何運用到細分上來
13. 10 用集成數據驅動細分
13. 11 引入和去除細分模式
13. 11. 1 市場細分是公司的共用語言
13. 11. 2 正確使用它們
13. 11. 3 改變市場細分
13. 12 案例分析
13. 13 參考文獻
第四部分 建立解決方案的關鍵
第十四章 建立商業(yè)案例
14. 1 介紹
14. 1. 1 數據挖掘很復雜
14. 1. 2 你如何知道已經取得了成功
14. 1. 3 商業(yè)戰(zhàn)略的根本轉變
14. 2 發(fā)現公司對數據挖掘的需要
14. 2. 1 執(zhí)行得不好的CRM或者簡單的促銷活動管理
14. 2. 2 不相稱的客戶投資和客戶價值
14. 2. 3 缺乏將客戶轉移到高價值群體的能力
14. 3 定義商業(yè)價值
14. 3. 1 收益的增長
14. 3. 2 利潤
14. 3. 3 降低成本
14. 3. 4 投資回報率(ROI)
14. 3. 5 競爭優(yōu)勢
14. 3. 6 成為早的采納者
14. 4 成本
14. 4. 1 數據
14. 4. 2 基礎設施的成本
14. 4. 3 人力成本
14. 4. 4 維護成本
14. 4. 5 控制成本：利用已有的投資
14. 5 創(chuàng)建商業(yè)案例
第十五章 在CRM中應用數據挖掘系統
15. 1 介紹
15. 2 啟動一個數據挖掘應用的10個步驟
15. 3 問題定義
15. 3. 1 找到關鍵環(huán)節(jié)
15. 3. 2 定義可交付系統的標準
15. 3. 3 選擇明確的小問題
15. 3. 4 理解已有的CRM流程
15. 4 用戶定義
15. 4. 1 為每一個用戶建立個人資料
15. 4. 2 利用快速啟動程序培訓未來的用戶并了解用戶的需求和愿望
15. 5 數據定義
15. 5. 1 定位數據字典
15. 5. 2 找到數據情報員
15. 5. 3 指標定義
15.6 真正地定義數據
15. 6. 1 評估數據完整性的符合程度
15. 6. 2 驗證數據源
15. 7 控制項目的范圍
15. 7. 1 用文檔來控制項目范圍的平穩(wěn)擴大
15. 7. 2 控制數據清洗的范圍
15. 7. 3 控制數據轉移. 建模和存儲的范圍
15. 7. 4 控制數據挖掘的范圍
15. 7. 5 控制試驗性設計和評價的成本
15. 8 試驗
15. 8. 1 不要等待太久
15. 8. 2 從小的系統開始但要完成全過程
15. 9 質量保證
15. 9. 1 使質量保證成為一個程序
15. 9. 2 驗證和傳達模型的結果
15. 10 教育培訓
15. 11 發(fā)布
15. 11. 1 選擇第一批用戶
15. 11. 2 在得到全部結果前保守秘密
15. 11. 3 協助用戶解釋所得結果
15. 12 持續(xù)的過程
15. 13 結論——使數據挖掘成為業(yè)務流程的一部分
第十六章 收集客戶數據
16. 1 介紹
16. 2 三種類型客戶數據
16. 2. 1 描述性數據
16. 2. 2 市場促銷活動的數據
16. 2. 3 客戶交易數據
16. 3 收集客戶數據
16. 3. 1 內部數據源
16. 3. 2 Web數據
16. 4 連接客戶數據
16. 4. 1 數據倉庫和數據集市
16. 4. 2 數據泵和連接器
16. 4, 3 遠距離連結
16. 5 客戶數據和隱私
16. 6 隱私和數據挖掘技術
16. 7 處理隱私問題的方針
16. 7. 1 匿名和身份信息
16. 7. 2 具體數據與匯總數據
16. 7. 3 信息用于市場定位或評估
16. 7. 4 合并數據源
16. 7. 5 匿名系統結構
16. 8 與數據挖掘有關的法律問題
第十七章 為客戶評分
17. 1 介紹
17. 2 評分過程
17. 3 評分系統結構和配置
17. 4 準備數據
17. 4. 1 直接映射
17. 4. 2 偏移映射
17. 5 將評分過程與其他應用集成
17. 5. 1 創(chuàng)建模型
17. 5. 2 動態(tài)地給數據評分
第十八章 優(yōu)化CBM過程
18. 1 介紹
18. 2 通過優(yōu)化提高客戶收益率
18. 3 為什么不優(yōu)化客戶關系
18. 4 控制要優(yōu)化的對象
18. 5 為什么現在可以
18. 6 優(yōu)化了的CRM
18. 7 完整的過程
18. 8 最佳的CRM過程：評價. 預測和行動
18. 9 促銷優(yōu)化不是什么
18. 10 使用數據挖掘技術來優(yōu)化CRM客戶關系管理系統
18. 11 優(yōu)化技術
第十九章 對數據挖掘和CRM工具市場的看法
19. 1 介紹
19. 2 數據挖掘市場
19. 3 數據挖掘工具的分類
19. 4 工具評估：屬性和方法學
19. 5 工具評估
19. 5. 1 Clementine(SPSS)
19. 5. 2 4Thought和Scenario(Cognos)
19. 5. 3 Darwin(Oracle)
19. 5. 4 Database Mining Workstation(HNC)
19. 5. 5 Decision Series(Neo Vista)
19. 5. 6 Enterprise Miner(SAS)
19. 5. 7 Entelligent Miner(IBM)
19. 5. 8 KnowledgeSEEKER and Knowledge Studio(Angoss)
19. 5. 9 Model 1 and Pattern Recognition Workbench(Unica)
19. 6 別的數據挖掘工具
19. 7 客戶關系管理工具
19. 7. 1 個性化工具
19. 7. 2 市場活動管理/行銷工具
19. 7. 3 銷售自動化和客戶服務工具
第二十章 有效進行客戶關系管理的下一代信息挖掘和知識發(fā)現技術
20. 1 商業(yè)智能和信息挖掘
20. 2 文本挖掘和知識管理
20, 3 文本挖掘的好處
20. 4 文本挖掘技術
20. 4. 1 互聯網搜索
20. 4. 2 文本分析
20. 4. 3 語義網絡和其他技術
20. 5 文本挖掘產品
20. 6 使用人腦的力量
20. 7 結論
20. 7. 1 知識管理
20. 7. 2 電子商務世界中的客戶關系管理
20. 7. 3 應用服務提供商
附錄 術語表
鄂公網安備 42010302001612號 