商業策略數據分析

目錄
第1 章　EDIT 模型概述. 1
1.1　探索階段 4
1.2　診斷階段 5
1.3　指導階段 8
1.4　工具支持 9
1.5　本章練習題 10

第2 章　數據處理 12
2.1　使用pandas 讀取結構化數據 .13
2.1.1　讀取數據 .14
2.1.2　寫出數據 .17
2.2　數據整合 17
2.2.1　行、列操作 .17
2.2.2　條件查詢 .21
2.2.3　橫向連接 .24
2.2.4　縱向合並 .27
2.2.5　排序 .30
2.2.6　分組匯總 .31
2.2.7　拆分列 .35
2.2.8　賦值與條件賦值 .36
2.3　數據清洗 39
2.3.1　重復值處理 .39
2.3.2　缺失值處理 .40
2.4　本章練習題 43

第3 章　指標體系與數據可視化. 45
3.1　Python 可視化 45
3.1.1　Matplotlib 繪圖庫 .45
3.1.2　Seaborn 繪圖庫.54
3.2　描述性統計分析與繪圖 60
3.2.1　描述性統計進行數據探索 .60
3.2.2　製作報表與統計制圖 .69
3.2.3　制圖的步驟 .76
3.3　指標體系 81
3.3.1　建立指標標準 .82
3.3.2　什麽是指標體系 .83
3.3.3　構建指標體系的意義 .85
3.3.4　構建指標庫 .86
3.3.5　搭建管理分析視圖和指標應用模式 .89
3.4　本章練習題 90

第4 章　數據採集與數據預處理. 92
4.1　數據採集方法 92
4.1.1　市場研究中的數據 .92
4.1.2　概率抽樣方法 .93
4.1.3　非概率抽樣方法 .99
4.1.4　概率抽樣和非概率抽樣的比較 .101
4.2　市場調研和數據錄入 101
4.2.1　市場調研流程 .101
4.2.2　市場調研目標設定 .102
4.2.3　市場調研前的準備工作 .102
4.2.4　實施調研 .109
4.3　數據預處理基礎 110
4.3.1　數據預處理基本步驟 .110
4.3.2　錯誤數據識別與處理 .111
4.3.3　連續型變量離群值識別與處理 .116
4.3.4　分類型變量概化處理 .117
4.3.5　缺失值處理 .118
4.3.6　連續型變量分佈形態轉換 .122
4.3.7　連續型變量中心標準化或歸一化 .122
4.3.8　變量降維 .123
4.3.9　WoE 轉換 124
4.4　本章練習題 125

第5 章　宏觀業務分析方法 129
5.1　矩陣分析法 129
5.2　連續型變量降維 134
5.2.1　方法概述 .135
5.2.2　變量篩選 .136
5.2.3　維度歸約 .136
5.3　主成分分析法 137
5.3.1　主成分分析簡介 .137
5.3.2　主成分分析原理 .138
5.3.3　主成分分析的運用 .141
5.3.4　實戰案例：在Python 中實現主成分分析 .142
5.3.5　基於主成分的冗餘變量篩選 .145
5.4　因子分析 146
5.4.1　因子分析模型 .146
5.4.2　因子分析算法 .148
5.4.3　實戰案例：在Python 中實現因子分析 .151
5.5　多維尺度分析 155
5.6　本章練習題 159

第6 章　用戶標簽體系與用戶畫像 165
6.1　標簽體系的整體框架 167
6.2　標簽的分類 168
6.2.1　從研究客體的數據類型角度分類 .168
6.2.2　從標簽的時態角度分類 .170
6.2.3　從標簽的加工角度分類 .171
6.2.4　業務指標與用戶標簽的關系 .175
6.3　用戶畫像 181
6.3.1　細分市場與STP 模型 182
6.3.2　快速入手用戶畫像 .182
6.3.3　用戶分群的發展歷程 .185
6.3.4　用戶的決策進程 .186
6.3.5　馬斯洛需求理論 .187
6.3.6　用戶消費的成本與收益 .187
6.3.7　用戶細分的方法 .188
6.3.8　基於用戶分群的精準營銷 .190
6.3.9　標簽與數據科學的過程 .191
6.4　實戰案例：用Python 實現用戶畫像 .192
6.4.1　使用Python 進行用戶畫像的基礎知識 .192
6.4.2　用戶畫像在診斷階段中的應用 .192
6.4.3　樣本數據集介紹 .193
6.4.4　使用SQL 語句進行數據處理 .195
6.4.5　使用Python 進行用戶畫像 .198
6.5　本章練習題 202

第7 章　使用統計學方法進行變量有效性測試 205
7.1　假設檢驗 205
7.1.1　假設檢驗的基本概念 .206
7.1.2　假設檢驗中的兩類錯誤 .207
7.1.3　假設檢驗與區間估計的聯系 .209
7.1.4　假設檢驗的基本步驟 .209
7.1.5　配對樣本t 檢驗211
7.2　方差分析 211
7.2.1　單因素方差分析 .212
7.2.2　多因素方差分析 .217
7.3　列聯表分析與卡方檢驗 220
7.3.1　列聯表 .220
7.3.2　卡方檢驗 .222
7.4　線性回歸 224
7.4.1 簡單線性回歸 .225
7.4.2　多元線性回歸 .227
7.4.3　多元線性回歸的變量篩選 .236
7.4.4　線性回歸模型的經典假設 .239
7.4.5　建立線性回歸模型的基本步驟 .248
7.5　Logistic 回歸 249
7.5.1　邏輯回歸的相關關系分析 .252
7.5.2　邏輯回歸模型及實現 .253
7.5.3　邏輯回歸的極大似然估計 .264
7.5.4　模型評估 .266
7.5.5　因果推斷模型 .274
7.6　本章練習題 278

第8 章　使用時間序列分析方法做預報. 294
8.1　認識時間序列 294
8.2　效應分解法 295
8.2.1　時間序列的效應分解 .296
8.2.2　時間序列3 種效應的組合方式 .296
8.3　平穩時間序列分析ARMA 模型 297
8.3.1　平穩時間序列 .297
8.3.2　ARMA 模型 298
8.3.3　在Python 中進行AR 建模 304
8.4　非平穩時間序列分析ARIMA 模型 .310
8.4.1　差分與ARIMA 模型 .310
8.4.2　在Python 中進行ARIMA 建模 313
8.5　ARIMA 建模方法總結 322
8.6　本章練習題 323

第9 章　用戶分群方法 327
9.1　用戶細分與聚類 327
9.1.1　用戶細分的重要意義 .327
9.1.2　用戶細分的不同商業主題 .328
9.2　聚類分析的基本概念 335
9.3　聚類模型的評估 336
9.3.1　輪廓系數 .336
9.3.2　平方根標準誤差 .337
9.3.3　R2 .337
9.3.4　ARI 338
9.4　層次聚類 338
9.4.1　層次聚類的算法描述 .338
9.4.2　層次聚類分群數量的確定 .342
9.4.3　層次聚類應用案例 .343
9.4.4　層次聚類的特點 .347
9.5　K-means 聚類算法 .347
9.5.1　K-means 聚類算法描述 .347
9.5.2　K-means 聚類算法的應用：用戶細分 .348
9.6　聚類事後分析：決策樹應用 356
9.6.1　決策樹的基本概念 .356
9.6.2　決策樹解讀用戶分群後的特徵 .357
9.7　本章練習題 359

第10 章　業務流程分析與流程優化 364
10.1　價值流程圖 364
10.2　對比測試 366
10.2.1　轉換漏鬥 .366
10.2.2　對比測試 .367
10.3　本章練習題 371

第11 章　運籌優化模型 373
11.1　線性規劃 373
11.2　整數規劃 380
11.3　二次規劃 386
11.4　本章練習題 .390

第12 章　數據治理 393
12.1　數據治理的驅動因素 393
12.2　數據治理體系 394
12.2.1　數據治理域 .395
12.2.2　數據管理域 .397
12.2.3　數據應用域 .401
12.3　如何開展數據治理 404
12.3.1　準確的定位數據治理 .404
12.3.2　明確數據應用方向 .405
12.3.3　多層級全方位進行治理 .406
12.4　本章練習題 406

第13 章　數據模型管理 408
13.1　數據分類 408
13.2　數據建模 411
13.2.1　數據架構的基本概念 .411
13.2.2　數據模型介紹 .413
13.2.3　數據建模基礎 .413
13.2.4　主題域分類 .414
13.2.5　概念模型 .414
13.2.6　邏輯模型 .415
13.2.7　物理模型 .416
13.3　數據建模案例 416
13.4　數據倉庫體系和ETL 419
13.5　本章練習題 423

第14 章　智能對話分析與預測 426
14.1　導入數據 430
14.2　數據探索 430
14.2.1　缺失值 .430
14.2.2　重復值 .431
14.2.3　異常值 .431
14.2.4　相關分析 .432
14.3　可視化展示 434
14.3.1　多變量圖 .434
14.3.2　回歸擬合圖 .434
14.3.3　聯合分佈圖 .436
14.4　邏輯回歸模型 436
14.4.1　劃分數據集 .436
14.4.2　初步建模 .437
14.4.3　模型優化 .438
14.4.4　模型預測與評估 .439