第1部分 数据挖掘和商业决策
  第1章 数据挖掘引论
   1.1 概述
   1.2 数据挖掘的定义
   1.3 进行数据挖掘的必要性
   1.4 数据挖掘的过程
    1.4.1 定义业务目标
    1.4.2 甄别数据源
    1.4.3 收集数据
    1.4.4 选择数据
    1.4.5 数据质量检查
    1.4.6 数据转换
    1.4.7 数据挖掘
    1.4.8 结果解释
   1.5 数据挖掘的功能和方法
    1.5.1 预估模型
    1.5.2 聚类
    1.5.3 链接分析
    1.5.4 时间序列分析
   1.6 数据挖掘项目成功的要素
    1.6.1 好的数据源
    1.6.2 好的解决方案
    1.6.3 好的算法
    1.6.4 好的系统支持
    1.6.5 好的团队合作
   1.7 小结
 第2部分 数据挖掘技术
  第2章 聚类分析与统计基础
   2.1 聚类分析
    2.1.1 聚类的定义
    2.1.2 与聚类有关的常见问题
    2.1.3 聚类方法分析
   2.2 统计基础
    2.2.1 统计描述
    2.2.2 参数估计和假设检验
    2.2.3 回归分析
    2.2.4 属性数据分析
    2.2.5 主成分与因子分析
    2.2.6 相关分析与典型相关分析
    2.2.7 抽样方法
  第3章 预估与分类模型
   3.1 预估问题
   3.2 判别分析
   3.3 径向基函数RBF
   3.4 支持向量机
    3.4.1 线性可分的情形
    3.4.2 非线性可分的情形
   3.5 Bayes分类
    3.5.1 概述
    3.5.2 Bayes决策原理
    3.5.3 判别函数和决策面
    3.5.4 基于概率分布的Bayes分类
    3.5.5 小结
   3.6 决策树
    3.6.1 决策树的概念及基本算法
    3.6.2 基于信息熵的决策树归纳方法
    3.6.3 决策树修剪
    3.6.4 提取决策规则
    3.6.5 决策树的改进
    3.6.6 决策树实例
   3.7 神经网络
    3.7.1 概述
    3.7.2 感知器
    3.7.3 神经网络的结构
    3.7.4 激活函数
    3.7.5 多层前馈神经网络
    3.7.6 其他神经网络
    3.7.7 神经网络实例
   3.8 分类评价和性能的提高方法
    3.8.1 分类准确率的评价方法
    3.8.2 分类性能的提高方法
    3.8.3 分类的图形化评价方法
    3.8.4 小结
  第4章 链接分析
   4.1 关联分析
    4.1.1 概述
    4.1.2 Apriori算法
    4.1.3 Apriori算法的改进方法
    4.1.4 FP－Growth算法
    4.1.5 挖掘多维和多层关联规则
    4.1.6 关联规则分类
    4.1.7 小结
    4.1.8 关联规则实例
   4.2 序列模式分析
    4.2.1 概述
    4.2.2 定义与术语
    4.2.3 主要算法
    4.2.4 小结
    4.2.5 序列模式实例
   4.3 时间序列分析
    4.3.1 概述
    4.3.2 时间序列模型
    4.3.3 建模求解过程
    4.3.4 非平稳时间序列模型
    4.3.5 小结
 第3部分 数据挖掘应用
  第5章 客户细分
   5.1 银行的客户细分
   5.2 进行客户细分的原因
   5.3 客户细分的过程
    5.3.1 细分需要明确的问题
    5.3.2 客户细分过程
   5.4 银行客户细分的应用
   5.5 实例
  第6章 预筛选和目标模型
   6.1 预筛选模型
   6.2 目标模型
    6.2.1 目标模型的建立过程
    6.2.2 目标模型举例
  第7章 承销模型
   7.1 进行承销建模的目的
   7.2 承销模型的应用
   7.3 承销模型的建立过程
   7.4 承销模型举例
    7.4.1 证券承销风险的差异
    7.4.2 证券承销费的定价模型
    7.4.3 证券承销模型的关键指标
  第8章 不良行为和破产模型
   8.1 不良行为和破产模型简介
   8.2 破产模型的应用
   8.3 模型建立过程
    8.3.1 单一贷款额度的破产模型
    8.3.2 不同贷款额度的组合破产模型
    8.3.3 Z－Score破产模型
  第9章 欺诈侦测
   9.1 欺诈侦测的类型
    9.1.1 金融欺诈的类型
    9.1.2 欺诈侦测的类型
   9.2 欺诈侦测模型的建立
    9.2.1 概述
    9.2.2 欺诈侦测模型建立步骤
   9.3 建立欺诈侦测模型示例
   9.4 欺诈侦测模型的应用
  第10章 流失模型
   10.1 建立流失模型的过程
   10.2 流失模型举例
    10.2.1 概述
    10.2.2 业务目标
    10.2.3 数据处理
    10.2.4 结果展现和推荐措施
    10.2.5 建模方法
    10.2.6 客户流失模型的结果
    10.2.7 几点告诫和建议
  第11章 托收业务分析
   11.1 概述
   11.2 托收的方法和流程
   11.3 使用水平营销的方法增进托收策略
   11.4 举例
  第12章 赢利能力分析
   12.1 进行赢利能力分析的目的
   12.2 赢利能力分析过程
   12.3 赢利能力分析举例
    12.3.1 分析目标
    12.3.2 项目方法和流程
    12.3.3 分析数据
    12.3.4 数据挖掘过程
    12.3.5 赢利能力聚类模型
    12.3.6 聚类结果
  第13章 交叉销售和促销
   13.1 进行交叉销售的意义
   13.2 有效地完成交叉销售
   13.3 交叉销售建模过程
   13.4 交叉销售模型举例
    13.4.1 商业目标
    13.4.2 业务问题
    13.4.3 技术问题
    13.4.4 可用数据
    13.4.5 建模过程
    13.4.6 分析结果
    13.4.7 客户描述
    13.4.8 潜在利益
 第4部分 专题分析
  第14章 分销网络决策
   14.1 每种产品和服务的正确渠道
   14.2 分配渠道之术
    14.2.1 分销渠道的定位
    14.2.2 制定分销策略
    14.2.3 空间分析
    14.2.4 把空间分析和数据挖掘关联起来
    14.2.5 小结
  第15章 采用数据挖掘的定价策略
   15.1 进行产品定价的目标与原因
   15.2 影响定价的因素
   15.3 定价模式和定价策略
    15.3.1 竞争对手分析
    15.3.2 利润最大化
   15.4 小结
  第16章 文本挖掘
   16.1 文本挖掘概述
   16.2 文本挖掘的过程
    16.2.1 文本数据预处理
    16.2.2 文本挖掘分析
    16.2.3 可视化技术
   16.3 应用举例
    16.3.1 简介
    16.3.2 预测技术
    16.3.3 预测的评价
  第17章 客户关系管理
   17.1 金融业的客户关系管理
   17.2 CRM的关键策略
    17.2.1 市场营销
    17.2.2 客户招徕
    17.2.3 风险管理
    17.2.4 客户保持
   17.3 案例研究———保险市场的客户流失分析
    17.3.1 抽样
    17.3.2 数据探索
    17.3.3 数据调整
    17.3.4 数据变换
    17.3.5 变量筛选
    17.3.6 客户流失分析流程
    17.3.7 数据挖掘模型
   17.4 小结
  第18章 财务指标预警分析
   18.1 概述
    18.1.1 项目背景
    18.1.2 业务目标
   18.2 数据挖掘方案
    18.2.1 抽样与数据分割
    18.2.2 数据探索
    18.2.3 数据调整
    18.2.4 数据变换
    18.2.5 变量筛选
    18.2.6 预测模型
    18.2.7 结果评估
    18.2.8 模型流程图
  第19章 可视化技术
   19.1 概述
   19.2 可视化技术
    19.2.1 信息可视化
    19.2.2 一些可视化方法
   19.3 小结
  第20章 数据挖掘工具
   20.1 数据挖掘提供商
    20.1.1 国外数据挖掘提供商
    20.1.2 国内数据挖掘提供商
   20.2 有用的Web资源
 参考文献