數據挖掘理論與實例（簡體書）

《數據挖掘理論與實例》是一種技術，它將傳統的數據分析方法與處理大量數據的複雜算法相結合。《數據挖掘理論與實例》的主要目標是，通過不同領域的應用案例來說明數據挖掘在實際應用中的具體操作方法。將數據庫管理系統MySQL和統計軟件R結合，利用數據挖掘技術幫助陷入海量數據中的組織和個人提取有用的信息。《數據挖掘理論與實例》的主要內容包括理論和實例兩部分：第一、第二章介紹數據挖掘、數據倉庫和數據挖掘的常用技術等基本理論；實例部分是以作者的兩個研究課題為基礎，第三、第四章介紹呼叫中心數據倉庫的構建和數據挖掘模型與實現（MSSQLServer2000、決策樹）；第五、第六章介紹數據挖掘在QFII投資理念與持股偏好研究中的應用（Rsoft-ware、MySQL、多元逐步線性回歸、因子分析、聚類分析等）。．

王敬峰，1972年生於江蘇省沛縣。1993年于中國礦業大學信電學院獲工學學士學位，2004年于上海財經大學公共經濟與管理學院獲經濟學碩士學位，2007年于中國人民大學財政與金融學院獲經濟學博士學位，中國社會科學院財政與貿易經濟研究所博士後。長期從事稅收經濟效應分析、稅源專業化管理和稅收信息化建設等實踐工作，主要研究稅收經濟效應、稅收經濟建模、稅源管理現代化和稅收信息化等理論和實踐。．

《數據挖掘理論與實例》是一種技術，它將傳統的數據分析方法與處理大量數據的復雜算法相結合。《數據挖掘理論與實例》的主要目標是通過不同領域的應用案例來說明數據挖掘在實際應用中的具體操作方法。將數據庫管理系統MySQL和統計軟件R結合，利用數據挖掘技術幫助陷入海量數據中的組織和個人提取有用的信息。

第一章 緒論第一節 什麼是數據挖掘第二節 基本數據挖掘任務第三節 數據挖掘的過程第四節 數據倉庫與OLAP技術概述第五節 數據挖掘技術的發展第二章 數據挖掘工具第一節 數據挖掘的統計方法第二節 聚類分析第三節 決策樹第四節 相關軟件第三章 呼叫中心中數據倉庫的構建第一節 數據倉庫構建的實施方法及步驟第二節 呼叫中心數據倉庫模型設計第三節 數據倉庫生成第四章 呼叫中心中的數據挖掘模型與實現第一節 問題鑒別第二節 解決方案第三節 基於決策樹的分類算法模型第四節 C4．5算法構造信息需求分類和客戶細分決策樹實例第五節 功能模塊的實現第六節 系統應用示例第五章 QFII投資理念與持股偏好研究中數據收集與整理第一節 外國機構投資者投資理念及持股偏好概述第二節 QFII重倉股數據來源第三節 因變量的選取第四節 自變量的選取第六章 QFII投資理念與持股偏好研究中數據挖掘模型與實現第一節 重倉股家數變化趨勢和行業分佈第二節 重倉股持有時間特徵第三節 描述性統計分析第四節 相關性分析第五節 持股偏好多元線性逐步回歸分析參考文獻附表附表1 12家QFII基本情況及最新額度附表2 瑞士銀行的名稱附表3 12家QFII持有股票家數和行業情況匯總附表4 各季度因變量和自變量的均值及樣本個數附表5 各季度因變量和自變量的方差及樣本個數附表6 2008年12月31日Y對上一個季度所有自變量線性相關係數附表7Y對上一個季度、本季度及未來一個季度的所有自變量X逐步回歸模型係數情況附表8　兩種方式回歸結果對比附錄附錄一 數據倉庫中的數據表架構附錄二 數據倉庫關係圖附錄三 QFII重倉股數據的獲取過程附錄四 自變量數據的獲得及缺失值處理附錄五 模型建立一數據分析過程．

一、信息需求分類
毫無疑問，任何信息系統都不可能滿足所有客戶的需求，因此，為客戶提供最需要的信息成為信息系統的必然目標，而選擇目標信息的基礎是信息分類。通常分類變量有地域、客戶職業等。另外，判斷一個人將來需求行為的最好指標是他過去的需求行為，這是進行客戶需求歷史分析的真正意義所在。這樣我們就可以找出信息需求對哪些因素敏感，如地區差異、不同客戶職業等因素。
信息需求分類挖掘所要解決的問題是，根據實際情況找出客戶職業、地理區域等因素與信息需求量之間的關系并建立模式，以便決策者通過調整服務對策，給予客戶更多的幫助，并對急需的信息做出預測。
二、客戶細分
客戶細分是指將一個大的客戶群劃分成為不同的細分群的動作，每個細分群的客戶擁有相似的屬性，屬于不同細分群的客戶被視為不同的客戶群。這種相似可以是地理區域的相似、收入上的相似或其他方式的相似。細分可以讓用戶從比較高的層次上來看整個數據庫的數據，從而使人們可以用不同的方式來對待處于不同細分群的客戶，從而提高客戶的滿意度。
在農業呼叫中心中，可以通過對特定客戶背景信息的分析，預測該客戶所屬的客戶類別。而且分析客戶的組成情況（地區差異，接人方式的差異），能更好地了解客戶，從而采取相應的服務策略，這樣可以有效地提高服務質量，達到最佳的效果。這樣既能夠提高信息機構的服務水平，開發客戶資源，避免客戶流失，又能夠節約資源，利用最小的投入得到較大的社會效益。
值得一提是，利用數據挖掘技術進行信息需求分類和客戶細分與OLAP的根本區別在于，前者能夠以更全面的視角洞察信息需求和客戶，同時發現一些隱藏在數據背后的規律；而后者則是根據人的主觀意圖，通過向數據庫發出指令，從數據庫中得到一個結果。
第二節 解決方案
處理大量、混亂又復雜的數據的一個很好方法是分類，分類可以讓決策者從比較高的層次上來看整個數據庫的數據。在分類技術發展過程中，流行的幾種分類技術方法包括貝葉斯分類、神經網絡、遺傳算法、統計學方法、粗略集合方法、最近鄰居方法和決策樹算法等。