预购商品
书目分类
特别推荐
本書基於IBM客戶預測性智能平台，以物流與公共交通、零售、互聯網搜索、電信、網路輿情、媒體APP應用這6個實際行業數據為例，為讀者展示了如何利用PCI平台行商業情境下的大數據應用分析，並分析結果指導商業決策。
第一章 ＩＢＭ 預測性客戶智能簡介 / １ 第一節 基於預測性客戶分析的大數據時代到來 / １ 第二節 ＩＢＭ 預測性客戶智能平臺方案簡述 / ２ 第三節 ＩＢＭ 預測性客戶智能方案的價值 / ３ 第四節 ＩＢＭ 預測性客戶智能的業務優勢 / ３ 第二章 大數據預測性客戶智能平臺系統介紹 / ５ 第一節預測性客戶智能框架介紹 / ５ 第二節ＤＢ２ 數據庫 / ６ 一、ＤＢ２ 介紹 / ６ 二、Ｄａｔａ Ｓｔｕｄｉｏ 工具介紹 / ６ 第三節 ＳＰＳＳ Ｍｏｄｅｌｅｒ 簡介 / ７ 一、ＳＰＳＳ Ｍｏｄｅｌｅｒ 概述 / ７ 二、ＳＰＳＳ Ｍｏｄｅｌｅｒ 節點介紹 / １１ 第四節 Ｃｏｇｎｏｓ 系列簡介 / ２９ 一、Ｃｏｇｎｏｓ ＢＩ 概述 / ２９ 二、Ｃｏｇｎｏｓ Ｆｒａｍｅｗｏｒｋ Ｍａｎａｇｅｍｅｎｔ 簡介/３１ 第三章 預測模型 / ３３ 第一節數據源 / ３３ 第二節 電信呼叫中心案例的預測模型 / ３４ 一、客戶流失率模型 / ３５ 二、客戶滿意度模型 / ３６ 三、客戶關聯模型 / ３７ 四、客戶回覆傾向模型 / ３７ 五、分析決策管理中的電信模型 / ３８ 第三節 電信移動端的預測模型 / ３８ 一、用於移動端案例的聚合模型 / ３８ 大數據分析與應用———基於ＩＢＭ 客戶預測性智能平臺 二、預測流失模型 / ３９ 三、呼叫中心預測模型 / ３９ 四、建議接受傾向預測模型 / ３９ 第四節 零售案例的預測模型 / ３９ 一、數據準備為零售提供解決方案 / ４０ 二、客戶細分模型 / ４１ 三、購物籃分析模型 / ４２ 四、客戶親和模型 / ４３ 五、響應日誌分析模型 / ４３ 六、庫存建議模型 / ４４ 七、零售案例中的部署模型 / ４５ 八、使用零售案例模型分析ＩＢＭ 決策管理 / ４５ 第五節 保險案例的預測模型 / ４６ 一、保險案例中使用的數據 / ４７ 二、客戶分割模型 / ４７ 三、客戶流失預測模型 / ４８ 四、客戶終身價值模型(ＣＬＴＶ)
/ ４８ 五、活動反饋模型 / ５０ 六、人生階段模型 / ５０ 七、購買傾向模型 / ５０ 八、保單推薦模型 / ５０ 九、數據處理模型 / ５０ 十、社群媒體分析模型 / ５１ 十一、情緒評分模型 / ５１ 十二、保險數據模型 / ５１ 第六節 銀行案例的預測模型 / ５３ 一、親和力分類模型 / ５４ 二、客戶流失率模型 / ５４ 三、拖欠信用卡模型 / ５４ 四、客戶分類模型 / ５４ 五、序列分析模型 / ５４ 六、訓練預測模型 / ５５ 七、評估模型 / ５５ 八、商務規則模型 / ５５ 九、部署 / ５５ 第四章 預測性客戶智能平臺系統的基礎操作 / ５６ 第一節數據庫連接操作 / ５６ 一、實驗目的 / ５６ 二、實驗原理 / ５６ 三、實驗內容 / ５８ 四、實驗步驟 / ５９ 第二節 ＳＰＳＳ Ｍｏｄｅｌｅｒ 中模型的建立 / ７３ 一、實驗目的 / ７３ 二、實驗原理 / ７３ 三、實驗內容 / ７３ 四、實驗步驟 / ７４ 第三節 Ｃｏｇｎｏｓ Ｆｒａｍｅｗｏｒｋ Ｍａｎａｇｅｍｅｎｔ 創建元數據模型 / ９４ 一、實驗目的 / ９４ 二、實驗原理 / ９４ 三、實驗內容 / ９４ 四、實驗步驟 / ９４ 第四節 Ｃｏｇｎｏｓ ＢＩ 製作可視化報表 / １１２ 一、實驗目的 / １１２ 二、實驗原理 / １１２ 三、實驗內容 / １１３ 四、實驗步驟 / １１３ 大數據分析與應用———基於ＩＢＭ 客戶預測性智能平臺 第五章 預測性客戶智能平臺系統的應用 / １１８ 第一節電信行業案例 / １１８ 一、實驗目的 / １１８ 二、實驗原理 / １１８ 三、實驗內容 / １１８ 四、實驗步驟 / １１８ 第二節 保險行業案例 / １３５ 一、實驗目的 / １３５ 二、實驗原理 / １３５ 三、實驗內容 / １３５ 四、實驗步驟 / １３５ 第三節 零售行業案例 / １６７ 一、實驗目的 / １６７ 二、實驗原理 / １６７ 三、實驗內容 / １６７ 四、實驗步驟 / １６７ 第四節 銀行行業案例 / １８６ 一、實驗目的 / １８６ 二、實驗原理 / １８６ 三、實驗內容 / １８６ 四、實驗步驟 / １８６ 附錄Ａ 使用報表的配置 / ２１５ 附錄Ｂ 故障排除問題 / ２２２ 附錄Ｃ 術語解釋 / ２２４ 附錄Ｄ 資料來源 / ２２７
客服公告
热门活动
订阅电子报
