商務(wù)數(shù)據(jù)分析

第1章 大數(shù)據(jù)時代
1．1 大數(shù)據(jù)時代到來
1．1．1 什么是大數(shù)據(jù)
1．1．2 商務(wù)行為電子化
1．1．3 個性化營銷與精準營銷
1．2 數(shù)據(jù)的模式——用戶行為
1．2．1 行為主體的特征數(shù)據(jù)
1．2．2 主體間的關(guān)系數(shù)據(jù)
1．3 數(shù)據(jù)的存儲與收集
1．3．1 傳統(tǒng)的數(shù)據(jù)倉庫
1．3．2 大數(shù)據(jù)時代的存儲——hadoop
1．3．3 數(shù)據(jù)收集的方法
課后習題
第2章 商務(wù)數(shù)據(jù)分析的思路
2．1 市場分析
2．1．1 理解市場
2．1．2 細分市場
2．1．3 了解公司在市場中的地位
2．2 行業(yè)競爭分析
2．2．1 了解行業(yè)數(shù)據(jù)
2．2．2 深入使用對手產(chǎn)品
2．2．3 定時更新競業(yè)數(shù)據(jù)
2．3 產(chǎn)品形態(tài)
2．3．1 數(shù)據(jù)的定性
2．3．2 數(shù)據(jù)的定量
2．3．3 流量統(tǒng)計
2．3．4 系統(tǒng)日志分析
課后習題
第3章 電子商務(wù)系統(tǒng)的指標體系
3．1 網(wǎng)站運營指標
3．1．1 流量指標
3．1．2 商品類目指標
3．1．3 供應(yīng)鏈指標
3．2 經(jīng)營環(huán)境指標
3．2．1 外部競爭指標
3．2．2 內(nèi)部購物指標
3．3 銷售業(yè)績指標
3．3．1 網(wǎng)站銷售業(yè)績指標
3．3．2 訂單指標
3．4 營銷活動指標
3．5 客戶價值指標
3．5．1 客戶指標
3．5．2 新客戶指標
3．5．3 老客戶指標
課后習題
第4章 相關(guān)和回歸分析
4．1 相關(guān)分析
4．1．1 相關(guān)分析概念
4．1．2 相關(guān)分析的種類
4．1．3 相關(guān)系數(shù)
4．2 一元線性回歸
4．2．1 一元線性回歸模型
4．2．2 參數(shù)的最小二乘估計
4．2．3 回歸直線的擬合優(yōu)度
4．2．4 顯著性檢驗
4．2．5 回歸方程預(yù)測問題
4．3 多元線性回歸
4．3．1 多元線性回歸模型和回歸方程
4．3．2 估計的多元回歸方程
4．3．3 參數(shù)的最小二乘估計
4．3．4 回歸方程的擬合優(yōu)度
4．3．5 顯著性檢驗
4．4 變量選擇與逐步回歸
4．4．1 向前選擇
4．4．2 向后剔除
4．4．3 逐步回歸
4．4．4 最優(yōu)子集法
課后習題
第5章 時間序列分析和應(yīng)用
5．1 什么是時間序列
5．2 時間序列分析方法
5．2．1 平均預(yù)測法
5．2．2 指數(shù)平滑法
5．2．3 趨勢外推預(yù)測方法
5．3 時間序列分析軟件
5．3．1 常用軟件
5．3．2 推薦軟件——SPSS
5．4 利用SPSS和Matlab進行時間序列預(yù)測
5．4．1 移動平均和滑動平均計算
5．4．2 季節(jié)性預(yù)測
課后習題
第6章 用戶行為分析
6．1 基礎(chǔ)知識：冪律分布及其性質(zhì)
6．2 用戶行為的統(tǒng)計特性的實證分析
6．2．1 用戶行為的時間統(tǒng)計特性
6．2．2 用戶行為空間統(tǒng)計特性
6．3 用戶行為模型
課后習題
第7章 推薦系統(tǒng)
7．1 推薦系統(tǒng)的概念
7．1．1 什么是推薦系統(tǒng)
7．1．2 個性化推薦的意義
7．1．3 推薦系統(tǒng)的組成
7．1．4 推薦系統(tǒng)評價指標
7．2 基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)
7．3 協(xié)同過濾的推薦系統(tǒng)
7．4 基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦系統(tǒng)
7．4．1 圖和二部分圖
7．4．2 基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法
7．5 推薦系統(tǒng)應(yīng)用
7．5．1 亞馬遜：電子商務(wù)
7．5．2 豆瓣：社交網(wǎng)絡(luò)
7．5．3 未來個性化推薦發(fā)展的可能方向
課后習題
第8章 商務(wù)數(shù)據(jù)的社會網(wǎng)絡(luò)化分析
8．1 點、線和數(shù)據(jù)
8．2 強關(guān)系與弱關(guān)系
8．3 社群的劃分
8．4 尋找意見領(lǐng)袖
課后習題
參考文獻