第一部分 数据挖掘对CRM的影响
第一章 客户关系
1. 1 介绍
1. 2 什么是数据挖掘
1. 3 一个例子
1. 4 与商业过程的关联
1. 5 数据挖掘和客户关系管理
1. 5. 1 数据挖掘是如何辅助基于数据库的销售的
1. 5. 2 评分
1. 5. 3 活动管理软件的作用
1. 5. 4 增加客户在整个生命周期里的价值(Lifetime Value)
1. 5. 5 数据挖掘和活动管理的结合
1. 5. 6 评估数据挖掘模型带来的好处
第二章 用联系的观点看数据挖掘和数据仓库
2. 1 介绍
2. 2 数据挖掘和数据仓库——联系
2. 3 数据仓库综述
2. 3. 1 数据仓库ROI
2. 3. 2 操作和信息数据存
2. 3. 3 数据仓库的定义和特性
2. 3. 4 数据仓库的体系结构
2. 3. 5 数据仓库访问和客户／服务器体系结构
2. 4 数据挖掘
2. 4. 1 数据挖掘定义
2. 4. 2 数据挖掘的应用领域
2. 4. 3 数据挖掘的分类和研究重点
第三章 客户关系管理
3. 1 介绍
3. 2 最有利可图的客户
3. 3 客户关系管理
3. 3. 1 以客户为中心的数据库
3. 3. 2 管理活动
3. 4 推销活动的演变
3. 5 封闭循环的推销
3. 6 CRM体系结构
3. 7 下一代CRM
第二部分 基础——技术和工具
第四章 数据仓库部件
4. 1 介绍
4. 2 整体体系结构
4. 3 数据仓库型的数据库
4. 4 寻找. 获取. 清理和转换工具
4. 5 元数据
4. 6 访问工具
4. 6. 1 评估和可视化信息
4. 6. 2 工具分类
4. 6. 3 查询和报表工具
4. 6. 4 应用软件
4. 6. 5 OLAP工具
4. 6. 6 数据挖掘工具
4. 7 数据集市
4. 8 数据仓库的经营和管理
4. 9 Web的影响
4. 10 利用Web的方法
4. 11 设计选项和问题
第五章 数据挖掘
5. 1 什么是数据挖掘
5. 2 数据挖掘不是什么
5. 2.1 统计
5. 2. 2 OLAP
5. 2. 3 数据仓库
5. 3 数据挖掘已经成熟
5. 4 数据挖掘的潜力是巨大的
5. 5 从你过去的错误中学习
5. 6 我不需要数据挖掘——我已有了统计分析
5. 7 测量数据挖掘的效力——准确性. 速度和代价
5. 8 将数据挖掘嵌入到你的业务处理中
5. 9 改变的东西越多. 保留不变的也越多
5. 10 发掘与预测
5. 10. 1 塔尔沙漠中的黄金
5. 10. 2 发掘——发现你尚未寻找到的东西
5. 10. 3 预测
5. 11 过适应
5. 12 行业状态
5. 12. 1 目标解决方案
5. 12. 2 商业工具
5. 12. 3 商业分析家的工具
5. 12. 4 研究分析家的工具
5. 13 数据挖掘方法学
5. 13. 1 模式和模型各是什么
5. 13. 2 模式的可视化
5. 13. 3 术语说明
5. 13. 4 对知识和智慧的说明
5. 13. 5 取样
5. 13. 6 随机取样
5. 13. 7 验证模型
5. 13. 8 选择最好的模型
5. 14 数据挖掘应用的类型
第六章 经典技术：统计. 近邻. 聚类
6. 1 经典
6. 2 统计
6. 2. 1 统计和数据挖掘之间有什么不同之处
6, 2. 2 什么是统计
6. 2. 3 数据. 计算和概率
6. 2. 4 柱状图
6. 2. 5 为预测而做的统计
6. 2. 6 线性回归
6. 2. 7 如果数据中的模式看起来不像一条直线怎么办
6. 3 最近邻
6. 3. 1 一个聚类的简单例子
6. 3. 2 一个最近邻的简单例子
6. 3. 3 怎样应用最近邻来做预测
6. 3. 4 在商业中最近邻技术应用在何处
6. 3. 5 在股票市场上应用最近邻技术
6. 3. 6 为什么投票选举更好——K近邻
6. 3. 7 最近邻如何能告诉你对预测有多大的可信性
6. 4 聚类
6. 4. 1 聚类
6. 4. 2 发现不能匹配的例子——对局外点的聚类
6. 4. 3 聚类和最近邻怎样地相像
6. 4. 4 怎样用聚类和最近邻来作出预测
6. 4. 5 还有其他聚类的正确方法吗
6. 4. 6 如何权衡哪条记录该属于哪一簇
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
6. 4. 8 聚类和最近邻预测之间有什么不同之处
6. 4. 9 n维空间是什么
6. 4. 10 怎样定义聚类和最近邻的空间
6. 4. 11 分层聚类和不分层聚类
6. 4. 12 不分层聚类
6. 4. 13 分层聚类
6. 5 选择典型的技术
第七章 下一代技术：树. 网络和规则
7. 1 下一代
7. 2 决策树
7. 2. 1 什么是决策树
7. 2. 2 把决策树看作是有目的的分割
7. 2. 3 决策树在业务中的应用
7. 2. 4 决策树可以用在哪里
7. 2. 5 决策树用于勘测
7. 2 决策树用于数据预处理
7. 2. 7 决策树用于预测
7. 2. 8 第一步是产生树
7. 2. 9 好问题与坏问题之间的区别
7. 2. 10 树何时停止生长
7. 2. 11 数据不够时决策树算法为什么要停止生长树
7. 2. 12 建好树并不意味着决策树的完成
7. 2. 13 ID3及其改进——C4. 5
7. 2. 14 CART——生成森林和挑选最优树
7. 2. 15 CART自动验证树
7. 2. 16 用CART替代属性来处理缺少的数据
7. 2. 17 CHAID
7. 3 神经元网络
7. 3. 1 什么是神经元网络
7. 3. 2 神经元网络不是通过学习能得到更好的预测吗
7. 3. 3 神经元网络简单易用吗
7. 3. 4 神经元网络在业务中的应用
7. 3. 5 什么地方使用神经元网络
7. 3. 6 神经元网络用于聚类
7. 3. 7 神经元网络用于奇异分析
7. 3. 8 神经元网络用于特征抽取
7. 3. 9 神经元网络是什么样的
7. 3. 10 神经元网络如何进行预测
7. 3. 11 神经元网络模型是如何建立的
7. 3. 12 神经元网络模型有多复杂
7. 3. 13 对输出节点来说隐藏节点就像是值得信赖的顾问
7. 3. 14 隐藏节点中进行的学习
7. 3. 15 在组织中分享责备与荣耀
7. 3. 16 不同类型的神经元网络
7. 3. 17 Kohonen特征图
7. 3. 18 神经元网络与人脑有多相似
7. 3. 19 防止过适应——使模型应用范围更广
7. 3. 20 对网络进行解释
7. 4 规则归纳
7. 4. 1 规则归纳在业务中的应用
7. 4. 2 什么是规则
7. 4. 3 如何应用规则
7. 4. 4 规则并不表示因果关系
7. 4. 5 用于规则归纳的数据库类型
7. 4. 6 一般思想
7. 4. 7 正确率和覆盖率的商业重要性
7. 4. 8 正确率和覆盖率之间的权衡就像赌马
7. 4. 9 如何评价规则
7. 4. 10 定义“兴趣度”
7. 4. 11 有用度的其他定义
7. 4. 12 规则与决策树的比较
7. 4. 13 决策树与规则归纳系统的另一个共同特点
7. 4. 14 什么时候用哪种技术
7. 4. 15 权衡勘查与利用
第八章 什么时候使用数据挖掘
8. 1 介绍
8. 2 使用正确的技术
8. 2. 1 数据挖掘过程
8. 2. 2 决策树与最近邻方法有何相似之处
8. 2. 3 规则用于归纳什么地方与决策树相似
8. 2. 4 如何用神经元网络做连接分析
8. 3 业务处理中的数据挖掘
8. 3. 1 避免数据挖掘中的错误
8. 3. 2 理解数据
8. 4 嵌入式数据挖掘
8. 4. 1 分布式业务处理的代价
8. 4. 2 衡量数据挖掘工具的最佳方法
8. 4. 3 嵌入式数据挖掘
8. 5 如何衡量正确率. 可解释性和集成度
8. 5. 1 衡量正确率
8. 5. 2 衡量可解释性
8. 5. 3 衡量集成度
8. 6 嵌入式数据库挖掘的前景如何
第三部分 商业价值
第九章 客户盈利能力分析
9. 1 介绍
9. 2 为什么要计算客户盈利能力
9. 3 忠诚度在客户盈利能力上的作用
9. 4 客户忠诚度和复合效应法则
9. 5 什么是客户关系管理
9. 6 通过数据挖掘技术使客户盈利能力最大化
9. 7 预测未来的盈利能力
9. 8 预测客户盈利能力的变化
9. 9 以客户盈利能力为导向的市场策略
9. 10 为什么只计算营业收入是不够的
9. 11 增量客户盈利能力
9. 12 什么是增量客户盈利能力
9. 13 让销售人员停止推销
9. 14 如何系统地开始应用
9. 15 用替代品通常比什么都不用更糟
9. 16 圣杯
9. 17 如何评估数据挖掘技术的价值
第十章 客户的获取
10. 1 介绍
10. 2 数据挖掘和统计模型如何发挥作用
10. 3 一些关键概念的定义
10. 4 一切从数字开始
10. 5 试验活动
10. 6 评估试验活动
10. 7 用反应行为模式建立数据挖掘模型
第十一章 交又营销
11. 1 介绍
11. 2 如何进行交叉营销
11. 3 处理步骤
11. 4 开始分析
11. 4. 1 建模阶段
11. 4. 2 评分阶段
11. 4. 3 优化阶段
11. 5 多种服务
第十二章 客户的保持
12. 1 介绍
12. 2 移动电话业的客户流失
12. 3 用到的数据挖掘技术
12. 4 案例分析—移动通信业的客户保持
12. 4. 1 数据
12. 4. 2 定义预测目标
12. 4. 3 实施数据挖掘
12. 4. 4 数据挖掘模型
12. 5 商业实施
12. 6 结果
12. 7 经验教训
12. 7. 1 令人惊讶的结果
12. 7. 2 改变预测模式的目标
12. 7. 3 其它的数据源亦能提供帮助
12. 7. 4 考虑客户价值
12. 7. 5 关于保留团队和其他市场努力
12. 8 其他行业中的客户保持
第十三章 客户的细分
13. 1 介绍
13. 2 什么是细分
13. 3 细分的意义是什么
13. 4 与“一对一”市场的区别
13. 5 什么是数据驱动的细分
13. 6 如何完成数据驱动细分
13. 7 细分的不同用途
13. 7. 1 了解你的业务并执行一个策略
13. 7. 2 人口统计学细分
13. 7. 3 心理学细分
13. 7. 4 目的性细分
13. 8 细分完成的方法
13. 9 数据挖掘如何运用到细分上来
13. 10 用集成数据驱动细分
13. 11 引入和去除细分模式
13. 11. 1 市场细分是公司的共用语言
13. 11. 2 正确使用它们
13. 11. 3 改变市场细分
13. 12 案例分析
13. 13 参考文献
第四部分 建立解决方案的关键
第十四章 建立商业案例
14. 1 介绍
14. 1. 1 数据挖掘很复杂
14. 1. 2 你如何知道已经取得了成功
14. 1. 3 商业战略的根本转变
14. 2 发现公司对数据挖掘的需要
14. 2. 1 执行得不好的CRM或者简单的促销活动管理
14. 2. 2 不相称的客户投资和客户价值
14. 2. 3 缺乏将客户转移到高价值群体的能力
14. 3 定义商业价值
14. 3. 1 收益的增长
14. 3. 2 利润
14. 3. 3 降低成本
14. 3. 4 投资回报率(ROI)
14. 3. 5 竞争优势
14. 3. 6 成为早的采纳者
14. 4 成本
14. 4. 1 数据
14. 4. 2 基础设施的成本
14. 4. 3 人力成本
14. 4. 4 维护成本
14. 4. 5 控制成本：利用已有的投资
14. 5 创建商业案例
第十五章 在CRM中应用数据挖掘系统
15. 1 介绍
15. 2 启动一个数据挖掘应用的10个步骤
15. 3 问题定义
15. 3. 1 找到关键环节
15. 3. 2 定义可交付系统的标准
15. 3. 3 选择明确的小问题
15. 3. 4 理解已有的CRM流程
15. 4 用户定义
15. 4. 1 为每一个用户建立个人资料
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
15. 5 数据定义
15. 5. 1 定位数据字典
15. 5. 2 找到数据情报员
15. 5. 3 指标定义
15.6 真正地定义数据
15. 6. 1 评估数据完整性的符合程度
15. 6. 2 验证数据源
15. 7 控制项目的范围
15. 7. 1 用文档来控制项目范围的平稳扩大
15. 7. 2 控制数据清洗的范围
15. 7. 3 控制数据转移. 建模和存储的范围
15. 7. 4 控制数据挖掘的范围
15. 7. 5 控制试验性设计和评价的成本
15. 8 试验
15. 8. 1 不要等待太久
15. 8. 2 从小的系统开始但要完成全过程
15. 9 质量保证
15. 9. 1 使质量保证成为一个程序
15. 9. 2 验证和传达模型的结果
15. 10 教育培训
15. 11 发布
15. 11. 1 选择第一批用户
15. 11. 2 在得到全部结果前保守秘密
15. 11. 3 协助用户解释所得结果
15. 12 持续的过程
15. 13 结论——使数据挖掘成为业务流程的一部分
第十六章 收集客户数据
16. 1 介绍
16. 2 三种类型客户数据
16. 2. 1 描述性数据
16. 2. 2 市场促销活动的数据
16. 2. 3 客户交易数据
16. 3 收集客户数据
16. 3. 1 内部数据源
16. 3. 2 Web数据
16. 4 连接客户数据
16. 4. 1 数据仓库和数据集市
16. 4. 2 数据泵和连接器
16. 4, 3 远距离连结
16. 5 客户数据和隐私
16. 6 隐私和数据挖掘技术
16. 7 处理隐私问题的方针
16. 7. 1 匿名和身份信息
16. 7. 2 具体数据与汇总数据
16. 7. 3 信息用于市场定位或评估
16. 7. 4 合并数据源
16. 7. 5 匿名系统结构
16. 8 与数据挖掘有关的法律问题
第十七章 为客户评分
17. 1 介绍
17. 2 评分过程
17. 3 评分系统结构和配置
17. 4 准备数据
17. 4. 1 直接映射
17. 4. 2 偏移映射
17. 5 将评分过程与其他应用集成
17. 5. 1 创建模型
17. 5. 2 动态地给数据评分
第十八章 优化CBM过程
18. 1 介绍
18. 2 通过优化提高客户收益率
18. 3 为什么不优化客户关系
18. 4 控制要优化的对象
18. 5 为什么现在可以
18. 6 优化了的CRM
18. 7 完整的过程
18. 8 最佳的CRM过程：评价. 预测和行动
18. 9 促销优化不是什么
18. 10 使用数据挖掘技术来优化CRM客户关系管理系统
18. 11 优化技术
第十九章 对数据挖掘和CRM工具市场的看法
19. 1 介绍
19. 2 数据挖掘市场
19. 3 数据挖掘工具的分类
19. 4 工具评估：属性和方法学
19. 5 工具评估
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 别的数据挖掘工具
19. 7 客户关系管理工具
19. 7. 1 个性化工具
19. 7. 2 市场活动管理/行销工具
19. 7. 3 销售自动化和客户服务工具
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
20. 1 商业智能和信息挖掘
20. 2 文本挖掘和知识管理
20, 3 文本挖掘的好处
20. 4 文本挖掘技术
20. 4. 1 互联网搜索
20. 4. 2 文本分析
20. 4. 3 语义网络和其他技术
20. 5 文本挖掘产品
20. 6 使用人脑的力量
20. 7 结论
20. 7. 1 知识管理
20. 7. 2 电子商务世界中的客户关系管理
20. 7. 3 应用服务提供商
附录 术语表
鄂公网安备 42010302001612号 