|
|
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
