洞見數(shù)據(jù)價值：大數(shù)據(jù)挖掘要案紀實

目錄
第1章 大數(shù)據(jù)在各行各業(yè) // 001
1.1 什么是大數(shù)據(jù)？ // 002
1.1.1 非常流行的大數(shù)據(jù)概念 // 002
1.1.2 不那么流行的大數(shù)據(jù)概念 // 006
1.1.3 也許會帶給你靈感的大數(shù)據(jù)概念 // 007
1.2 大數(shù)據(jù)在銀行業(yè) // 029
1.2.1 業(yè)界展望：大數(shù)據(jù)，銀行業(yè)未來的核心動力 // 029
1.2.2 創(chuàng)新方向：大數(shù)據(jù)助力銀行網(wǎng)點實現(xiàn)轉(zhuǎn)型 // 036
1.3 大數(shù)據(jù)在征信業(yè) // 041
1.3.1 業(yè)界展望：FICO 評分與芝麻信用，傳統(tǒng)征信向大數(shù)據(jù)征信的轉(zhuǎn)變 // 042
1.3.2 創(chuàng)新方向一：從拒絕推斷看個人征信業(yè)的大有可為 // 046
1.3.3 創(chuàng)新方向二：論大中型客戶數(shù)字化授信的可行性 // 054
1.4 大數(shù)據(jù)在審計業(yè) // 057
1.4.1 業(yè)界展望：大數(shù)據(jù)分析如何支撐審計工作 // 057
1.4.2 創(chuàng)新方向：大數(shù)據(jù)能否代替?zhèn)鹘y(tǒng)審計？ // 061
1.5 大數(shù)據(jù)在傳統(tǒng)制造業(yè) // 065
業(yè)界展望：數(shù)字化企業(yè)進階指南 // 066
1.6 大數(shù)據(jù)在互聯(lián)網(wǎng)行業(yè) // 069
創(chuàng)新方向：從滴滴收購優(yōu)步看壟斷企業(yè)的馬太效應 // 069
1.7 大數(shù)據(jù)在輿情行業(yè) // 076
創(chuàng)新方向：數(shù)據(jù)分析幫你掌握話語權 // 077
1.8 大數(shù)據(jù)在汽車行業(yè) // 086
業(yè)界展望：征服汽車后市場，大數(shù)據(jù)與你同行 // 086
1.9 大數(shù)據(jù)在影視業(yè) // 089
創(chuàng)新方向：星期幾上映的電影最具有票房號召力 // 090
1.10 大數(shù)據(jù)在環(huán)保產(chǎn)業(yè) // 098
創(chuàng)新方向：北京治霾，能為你做點什么 // 098
1.11 大數(shù)據(jù)在體育產(chǎn)業(yè) // 104
創(chuàng)新方向：歐洲杯，跟著西班牙隊學數(shù)據(jù)挖掘！ // 105
小結 // 109
第2章 大數(shù)據(jù)在商業(yè)領域的應用 // 111
2.1 推薦算法在傳統(tǒng)銷售渠道中的應用模式 // 112
2.2 巧用運籌優(yōu)化，提升整合營銷管理水平 // 116
2.3 關聯(lián)規(guī)則的應用 // 121
2.3.1 小談關聯(lián)規(guī)則 // 121
2.3.2 購物籃分析：絕不只是“啤酒與尿布” // 124
2.3.3 創(chuàng)新方向：靠關聯(lián)規(guī)則重獲新生的東北小館 // 128
2.4 智能薦食模型：大數(shù)據(jù)告訴你今天吃什么 // 133
智能薦食模型 // 134
2.5 顧客時空模型：其實天下沒有免費的 WiFi // 138
2.5.1 無處不在的免費 WiFi // 138
2.5.2 顧客時空模型 // 139
2.5.3 進一步挖掘 // 141
2.6 社會網(wǎng)絡分析法，助力信貸反欺詐 // 142
2.7 數(shù)據(jù)可視化利器：SAS Visual Analytics // 145
2.7.1 為什么需要數(shù)據(jù)可視化？ // 145
2.7.2 數(shù)據(jù)可視化的幾個常見例子 // 146
2.8 文本挖掘，幫你識別網(wǎng)購評論是真是假 // 151
2.9 路徑優(yōu)化：如何改良快遞送貨路線？ // 156
第3章 數(shù)據(jù)前期準備 // 171
3.1 從抗日武裝的發(fā)展談到數(shù)據(jù)治理 // 172
3.1.1 數(shù)據(jù)質(zhì)量問題 // 173
3.1.2 數(shù)據(jù)應用問題 // 174
3.1.3 實施策略和路徑問題 // 176
3.2 如何生成你需要的基礎數(shù)據(jù)？ // 182
3.3 如何利用數(shù)據(jù)倉庫優(yōu)化數(shù)據(jù)分析？ // 189
3.4 二分類變量的數(shù)據(jù)缺失插補 // 193
3.5 數(shù)據(jù)離散化，如何避免丟失信息？ // 201
3.6 如何避免數(shù)據(jù)離散化影響自變量的重要性？ // 204
3.7 二分類模型中如何應對分類自變量取值過多？ // 206
第4章 技術案例 // 211
4.1 建模變量太多怎么辦？ // 212
4.2 信用評級模型怎么評估？ // 215
4.3 觀察窗口怎么選？ // 219
4.4 K折交叉驗證怎么做？ // 223
4.5 如何衡量變量之間的相關性？ // 230
4.6 決策樹算法真的越復雜越好嗎？ // 235
4.7 如何精選分類模型指標？ // 245
4.8 當數(shù)據(jù)分析遇上超級奶爸 // 250
4.9 深度挖掘，你的工資拖后腿了嗎？ // 253
4.10 用分位數(shù)回歸看你的工資水平 // 258
附錄A 一位數(shù)據(jù)工作者的成長之路 // 265
A.1 數(shù)據(jù)分析師入門攻略 // 266
A.2 如何做一名“稱職”的數(shù)據(jù)專家？ // 269
A.3 一個數(shù)據(jù)倉庫轉(zhuǎn)型者眼中的數(shù)據(jù)挖掘 // 271
A.4 預測科學：三點經(jīng)驗談實際應用 // 276
A.5 數(shù)據(jù)模型多了，應該怎么管？ // 277
A.6 手握數(shù)據(jù)挖掘模型，你一定要知道怎么用 // 281
A.7 淺談以史為鑒與數(shù)據(jù)分析 // 286
后記 // 297