 |
-- 會員 / 註冊 --
|
 |
|
|
|
Python數據分析與數據化運營 ( 簡體 字) |
| 作者：宋天龍 著 | 類別：1. -> 程式設計 -> Python |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 48061
詢問書籍請說出此書號！【缺書】
NT售價： 495 元 |
| 出版日：11/1/2017 |
| 頁數：524 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111584605 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：為什么要寫這本書
隨著商業競爭形式的日益嚴峻，企業需要不斷尋找提高利潤率、降低成本、提高產出價值的有效方法，而數據化運營恰好是滿足企業這一需求的關鍵武器。數據化運營包含了運營和數據兩種要素，前者需要較多的業務經驗，而后者對數據分析提出了更高的要求。只有把二者結合起來，在技能、經驗和技術的支持下，數據化運營才能在企業內部真正落地、生根、發芽。
對數據化運營而言，各企業普遍關注的結構化數據分析、挖掘的場景非常豐富，例如銷售預測、會員生命周期維護、商品結構分析等，這些普遍的共同認知為本書提供了接地氣的基礎；但除了這些“傳統內容”外，還有很多非結構化的數據主題，它們在數據化運營過程中的作用越來越重要，例如主題挖掘、圖片分析、文本挖掘、圖像識別、語音識別等，這些內容拓展了數據化運營發揮價值的場景基礎。
Python作為數據工作領域的關鍵武器之一，具有開源、多場景應用、快速上手、完善的生態和服務體系等特征，使其在數據分析與數據化運營中的任何場景都能游刃有余；即使是在為數不多的短板上，Python仍然可以基于其“膠水”的特征，引入對應的第三方工具、庫、程序等來實現全場景、全應用的覆蓋。在海量數據背景下，Python對超大數據規模的支持性能、數據分析處理能力、建模的專業程度及開發便捷性的綜合能力方面要遠遠高于其他工具。因此，Python幾乎是數據化運營工作的不二之選。
縱觀整個國內市場，有關Python的書籍不少，但普遍的思路都是基于工具層面的介紹，而且側重于工具本身的方法、參數、調用、實例，與真正實踐結合的較少；有關數據化運營的書籍，目前市場上還為數不多，現有的數據化運營方面的書籍大多是基于Excel等工具的入門級別的分析類書籍。本書結合了Python和數據化運營兩個方面，在結合了數據分析工作流程和數據化運營主題的基礎上，通過指標、模型、方法、案例配合工具的形式，詳細介紹了如何使用Python來支持數據化運營，尤其是傳統工具無法滿足的應用場景。
我希望能盡自己的微薄之力，將過往所學、所感、所知提煉出來供更多人了解。如果讀者能從本書中感悟一二，我將倍感欣慰；如果讀者能將其用于工作實踐，這將是本書以及數據工作之福！
讀者對象
本書定位于提供數據與運營結合的相關知識，雖然基礎工具是Python，但本書并沒有就Python基礎規則和語法做詳細介紹，因此要求讀者具有一定的Python基礎。相信我，只要你認真看Python教學視頻（網絡上很多），只需大概2個小時就能具備這種基礎。
本書對讀者的知識背景沒有特定要求，書中的內容都盡量言簡意賅、深入淺出。本書適合以下幾類讀者閱讀：
企業運營人員。本書的核心命題就是運營，其中涉及會員運營、商品運營、流量運營和內容運營四大主題，無論運營人員希望獲得運營知識，還是希望獲得數據分析和挖掘方法，都可以從書中獲益。
數據分析師。毫無疑問，數據分析師是本書的核心受眾群體之一，本書中介紹的數據抽取、預處理和分析挖掘經驗一定能為數據分析師帶來很多“不一樣”的收獲，每個運營主題下的小技巧、模型和案例更能激發數據分析師的靈感—原來數據工作還能這樣做。
Python工程師。坦白講，本書不是一本專門介紹Python語法、規則的書籍。但Python作為一種“萬能”工具，在數據分析和挖掘領域具有舉足輕重的地位，任何一個Python工程師如果工作領域中涉及數據（或大數據），那么本書的價值會成倍增長。本書中對Python數據處理、計算和挖掘庫的應用介紹，以及對有關工具庫的用法、注意點和小知識的介紹一定會使Python工程師的工作和認知更上一層樓。
數據挖掘工程師。數據分析與挖掘在實際運營中是不分家的，本書沒有冠以“挖掘”之名但并不意味著沒有挖掘（或機器學習）算法。本書第4章基本都是圍繞常用算法展開的，其中各個算法類的“大坑”都是筆者多年經驗的總結；在運營主題中提到的基于超參數優化的Gradient Boosting的預測，基于LogisticRegression、RandomForest、Bagging概率投票組合模型的異常檢測，基于自動K值的KMeans聚類分析，基于潛在狄利克雷分配（LDA）的內容主題挖掘，基于多項式貝葉斯的增量學習的文本分類等都是與“挖掘算法”相關的應用。算法是數據工作的核心部分，其介紹必不可少。
如何閱讀本書
本書內容從邏輯上共分為兩大部分，第一部分是有關數據分析類的主題，第二部分是有關數據化運營的主題。
第一部分的內容包括第1∼4章和附錄，主要介紹了Python和數據化運營的基本知識、數據來源獲取、數據預處理，以及數據分析和挖掘的關鍵經驗。其中：
第2章對傳統的結構化和非結構化數據來源及獲取方法進行了介紹，包括數據文件、數據庫、API、流式數據、外部公開數據等，也提到了如何讀取網頁、文本、圖片、視頻、語音等類型的數據。
第3章總結了常用的11條結構化數據的預處理經驗，并介紹了有關網頁數據解析、日志解析、圖像預處理和自然語言預處理的內容。
第4章總結了數據分析、挖掘和網站分析方法的8個主題類，各個類別中都以關鍵經驗為基礎展開詳細介紹。
第二部分的內容包括第5∼9章，分別介紹了會員運營、商品運營、流量運營和內容運營四大主題，以及提升數據化運營價值度的方法。在每個數據化運營主題中都包含了基本知識、評估指標、應用場景、數據分析模型、數據分析小技巧、數據分析大實話及2個應用案例。
基本知識：有關運營主題的基本內涵、價值、用途等方面的介紹。
評估指標：運營主題的評估指標，按類別拆分和歸納。
應用場景：總結數據對于運營的價值落地在哪些場景中。
數據分析模型：“大型”的數據分析方法，包括統計分析、數據挖掘、網站分析、數學模型。
數據分析小技巧：“小型”的數據分析方法，看起來相對簡單但非常有效。
數據分析大實話：有關運營或數據分析的潛在規律的解釋及介紹。
應用案例：每個運營主題都包含2個應用案例，基本上每個案例的應用算法和技巧都不相同，目的是呈現不同算法在不同場景下的差異化應用。
除了以上內容外，以下信息是在本書中涉及特定內容的解釋和說明：
漸進式的內容：本書的Python代碼和實現部分，在不同章節可能會具有不同代碼風格的寫法，包括定義規則、注釋、功能實現等，這是因為筆者試圖遵循循序漸進的原則，先介紹功能實現，然后再介紹其他的備選方案，以及規范、原則等來輔助Python的實現。這種做法一方面是希望盡量多地展示解決同一類問題的不同方法，讓讀者能根據自身實際情況選擇最“合適”的用法示例；另一方面，可能有很多讀者不具備較強的Python基礎知識，因此筆者不希望一上來就讓這些讀者感覺到要用Python工作會受到各種“條條框框”的限制，從而打擊他們使用Python的信心，畢竟，能實現功能需求是第一要素。
內容延伸：本書第1∼4章都有內容延伸章節，其內容是有關非結構化主題的讀取、分析、處理，由于每個主題展開來寫都能成一本書，因此僅在內容延伸中拋磚引玉，有興趣的讀者可以了解和學習。
相關知識點：本書很多章節中都有“相關知識點”部分，其內容是關于特定工具、知識、算法、庫等方面的較為詳細的介紹，充當了本書的知識堡壘。
本章小結：每章的結尾都有“本章小結”，在小結中包含4部分內容：
內容小結：有關本章內容的總結
重點知識：本章需要讀者重點掌握的知識和內容
外部參考：本章提到但是無法詳細介紹的內容，都在外部參考中列出，有興趣的讀者可以基于外部參考構建自己的知識圖譜。
應用實踐：基于本章內容給出的讀者在實踐中落地的建議。
提示：對于知識點的重要提示和應用技巧，相對“相關知識點”而言，每條提示信息內容量較少，一般都是經驗類的總結。
注意：特定知識需要引起注意的方面，這些注意點是應用過程中需要避免的“大坑”。
特定名詞的混用：本書中提到了庫和包、模型和算法等詞，雖然含義有差異，但本書并沒有劃清它們的界限，因此在很多時候它們都是等價的。
致謝
在本書的撰寫過程中，得到了多方的指導、幫助和支持。
首先，感謝彭亮先生和史研先生。彭亮先生使我感受到什么是高度和專注，并促使我的數據工作真正意義上步入正途。史研先生對于大數據的廣博認知和敏銳洞察力，讓我有更多機會深入到不同的數據分支去探索未曾了解的領域。
其次，感謝的是機械工業出版社華章公司的總編輯楊福川老師，楊老師在我出版了兩本書之后鼓勵我繼續撰寫本書，并為此書的撰寫提供了方向和思路指導。另外，感謝全程參與審核、校驗等工作的孫海亮老師以及其他背后默默支持的出版工作者，他們的辛勤付出保證了本書的順利面世。
再次，感謝在各個數據項目和工作中提供支持的領導、朋友、伙伴，尤其是田學鋒，他是我的良師益友，他有著非比尋常的視野、胸懷和獨到的見解，在我的人生道路上給與了我非常多的指導和啟迪；其他還有很多一起工作的小伙伴（排名不分先后）：龐程程、徐子東、趙光娟、王成、呂兆星、鄭傳峰、楊曉鵬、陳駿、江濤、曹佳佳、麻建昕、史曉春、楊勇等。
最后，感謝我的父母、家人和朋友，尤其是我的夫人姜麗女士，是她在我寫書的這段期間里把家里的一切料理得井井有條，使得我有精力完成本書的全部撰寫工作。
謹以此書獻給熱愛數據工作并為之奮斗的朋友們，愿大家身體健康、生活美滿、事業有成！
宋天龍（Tony Song） |
內容簡介：這是一部從實戰角度講解如何利用Python進行數據分析、挖掘和數據化運營的著作，不僅對數據分析的關鍵技術和技巧進行了總結，更重要的是對會員、商品、流量、內容4個主題的數據化運營進行了系統講解。
作者是國內一線數據分析師和大數據專家，在數據分析和數據化運營領域有近10年的經驗，在業內頗具知名度和影響力。本書不僅得到了宋星、黃成明、宮鑫等14位資深專家的好評和推薦，還得到了天善智能、中國統計網等多個數據科學相關機構的支持和高度認可。
全書的內容在邏輯上共分為兩大部分：
第一部分（第1~4章）：Python數據分析與挖掘
著重講解了Python和數據化運營的基本知識，以及Python數據獲取（結構化和非結構化）、預處理、分析和挖掘的關鍵技術和經驗。包含11條數據預處理經驗、39個數據預處理知識點、14個數據分析和挖掘的建模主題。
第二部分（第5~9章）：Python數據化運營
這是本書的核心，詳細講解了會員運營、商品運營、流量運營和內容運營4大主題，以及提升數據化運營價值的方法。在每個運營主題中都包含了基本知識、評估指標、應用場景、數據分析模型、數據分析小技巧、數據分析大實話以及2個綜合性的應用案例。
本書提供案例數據和源代碼（中文注釋）下載，供讀者實操時使用。 |
目錄：贊譽
前言
第1章 Python和數據化運營1
1.1 用Python做數據化運營1
1.1.1 Python是什么1
1.1.2 數據化運營是什么2
1.1.3 Python用于數據化運營5
1.2 數據化運營所需的Python相關工具和組件6
1.2.1 Python程序6
1.2.2 Python IDE7
1.2.3 Python第三方庫8
1.2.4 數據庫和客戶端16
1.2.5 SSH遠程客戶端18
1.3 內容延伸：Python的OCR和TensorFlow18
1.3.1 OCR工具：Tesseract-OCR18
1.3.2 機器學習框架—TensorFlow19
1.4 第一個用Python實現的數據化運營分析實例—銷售預測20
1.4.1 案例概述20
1.4.2 案例過程20
1.4.3 案例小結28
1.5 本章小結28
第2章 數據化運營的數據來源31
2.1 數據化運營的數據來源類型31
2.1.1 數據文件31
2.1.2 數據庫32
2.1.3 API33
2.1.4 流式數據34
2.1.5 外部公開數據34
2.1.6 其他35
2.2 使用Python獲取運營數據35
2.2.1 從文本文件讀取運營數據35
2.2.2 從Excel獲取運營數據46
2.2.3 從關系型數據庫MySQL讀取運營數據48
2.2.4 從非關系型數據庫MongoDB讀取運營數據56
2.2.5 從API獲取運營數據59
2.3 內容延伸：讀取非結構化網頁、文本、圖像、視頻、語音64
2.3.1 從網頁中爬取運營數據64
2.3.2 讀取非結構化文本數據65
2.3.3 讀取圖像數據65
2.3.4 讀取視頻數據68
2.3.5 讀取語音數據70
2.4 本章小結75
第3章 11條數據化運營不得不知道的數據預處理經驗76
3.1 數據清洗：缺失值、異常值和重復值的處理76
3.1.1 數據列缺失的4種處理方法76
3.1.2 不要輕易拋棄異常數據78
3.1.3 數據重復就需要去重嗎79
3.1.4 代碼實操：Python數據清洗81
3.2 將分類數據和順序數據轉換為標志變量89
3.2.1 分類數據和順序數據是什么89
3.2.2 運用標志方法處理分類和順序數據90
3.2.3 代碼實操：Python標志轉換90
3.3 大數據時代的數據降維94
3.3.1 需要數據降維的情況94
3.3.2 基于特征選擇的降維94
3.3.3 基于維度轉換的降維96
3.3.4 代碼實操：Python數據降維97
3.4 解決樣本類別分布不均衡的問題100
3.4.1 哪些運營場景中容易出現樣本不均衡100
3.4.2 通過過抽樣和欠抽樣解決樣本不均衡101
3.4.3 通過正負樣本的懲罰權重解決樣本不均衡101
3.4.4 通過組合/集成方法解決樣本不均衡102
3.4.5 通過特征選擇解決樣本不均衡102
3.4.6 代碼實操：Python處理樣本不均衡102
3.5 如何解決運營數據源的沖突問題106
3.5.1 為什么會出現多數據源的沖突107
3.5.2 如何應對多數據源的沖突問題109
3.6 數據化運營要抽樣還是全量數據109
3.6.1 什么時候需要抽樣110
3.6.2 如何進行抽樣110
3.6.3 抽樣需要注意的幾個問題111
3.6.4 代碼實操：Python數據抽樣113
3.7 解決運營數據的共線性問題116
3.7.1 如何檢驗共線性117
3.7.2 解決共線性的5種常用方法117
3.7.3 代碼實操：Python處理共線性問題118
3.8 有關相關性分析的混沌120
3.8.1 相關和因果是一回事嗎120
3.8.2 相關系數低就是不相關嗎121
3.8.3 代碼實操：Python相關性分析121
3.9 標準化，讓運營數據落入相同的范圍122
3.9.1 實現中心化和正態分布的Z-Score122
3.9.2 實現歸一化的Max-Min123
3.9.3 用于稀疏數據的MaxAbs123
3.9.4 針對離群點的RobustScaler123
3.9.5 代碼實操：Python數據標準化處理123
3.10 離散化，對運營數據做邏輯分層126
3.10.1 針對時間數據的離散化127
3.10.2 針對多值離散數據的離散化127
3.10.3 針對連續數據的離散化127
3.10.4 針對連續數據的二值化128
3.10.5 代碼實操：Python數據離散化處理128
3.11 數據處理應該考慮哪些運營業務因素133
3.11.1 考慮固定和突發運營周期133
3.11.2 考慮運營需求的有效性134
3.11.3 考慮交付時要貼合運營落地場景134
3.11.4 不要忽視業務專家經驗135
3.11.5 考慮業務需求的變動因素136
3.12 內容延伸：非結構化數據的預處理137
3.12.1 網頁數據解析137
3.12.2 網絡用戶日志解析144
3.12.3 圖像的基本預處理148
3.12.4 自然語言文本預處理154
3.13 本章小結157
第4章 跳過運營數據分析和挖掘的“大坑”159
4.1 聚類分析159
4.1.1 當心數據異常對聚類結果的影響160
4.1.2 超大數據量時應該放棄K均值算法160
4.1.3 聚類不僅是建模的終點，更是重要的中間預處理過程162
4.1.4 高維數據上無法應用聚類嗎163
4.1.5 如何選擇聚類分析算法164
4.1.6 代碼實操：Python聚類分析164
4.2 回歸分析172
4.2.1 注意回歸自變量之間的共線性問題172
4.2.2 相關系數、判定系數和回歸系數之間到底什么關系172
4.2.3 判定系數是否意味著相應的因果聯系173
4.2.4 注意應用回歸模型時研究自變量是否產生變化173
4.2.5 如何選擇回歸分析算法174
4.2.6 代碼實操：Python回歸分析174
4.3 分類分析183
4.3.1 防止分類模型的過擬合問題183
4.3.2 使用關聯算法做分類分析183
4.3.3 用分類分析來提煉規則、提取變量、處理缺失值184
4.3.4 類別劃分-分類算法和聚類算法都是好手185
4.3.5 如何選擇分類分析算法186
4.3.6 代碼實操：Python分類分析187
4.4 關聯分析195
4.4.1 頻繁規則不一定是有效規則195
4.4.2 不要被啤酒尿布的故事緊固你的思維196
4.4.3 被忽略的“負相關”模式真的毫無用武之地嗎197
4.4.4 頻繁規則只能打包組合應用嗎198
4.4.5 關聯規則的序列模式199
4.4.6 代碼實操：Python關聯分析200
4.5 異常檢測分析206
4.5.1 異常檢測中的“新奇檢測”模式207
4.5.2 將數據異常與業務異常相分離207
4.5.3 面臨維度災難時，異常檢測可能會失效208
4.5.4 異常檢測的結果能說明異常嗎208
4.5.5 代碼實操：Python異常檢測分析208
4.6 時間序列分析212
4.6.1 如果有自變量，為什么還要用時間序列212
4.6.2 時間序列不適合商業環境復雜的企業213
4.6.3 時間序列預測的整合、橫向和縱向模式214
4.6.4 代碼實操：Python時間序列分析214
4.7 路徑、漏斗、歸因和熱力圖分析234
4.7.1 不要輕易相信用戶的頁面訪問路徑237
4.7.2 如何將路徑應用于更多用戶行為模式的挖掘？237
4.7.3 為什么很多數據都顯示多渠道路徑的價值很小？238
4.7.4 點擊熱力圖真的反映了用戶的點擊喜好？239
4.7.5 為什么歸因分析主要存在于線上的轉化行為240
4.7.6 漏斗分析和路徑分析有什么區別240
4.8 其他數據分析和挖掘的忠告241
4.8.1 不要忘記數據質量的驗證241
4.8.2 不要忽視數據的落地性242
4.8.3 不要把數據陳列當作數據結論242
4.8.4 數據結論不要產生于單一指標244
4.8.5 數據分析不要預設價值立場244
4.8.6 不要忽視數據與業務的需求沖突問題245
4.9 內容延伸：非結構化數據的分析與挖掘246
4.9.1 詞頻統計246
4.9.2 詞性標注249
4.9.3 關鍵字提取253
4.9.4 文本聚類255
4.10 本章小結258
第5章 會員數據化運營260
5.1 會員數據化運營概述260
5.2 會員數據化運營關鍵指標261
5.2.1 會員整體指標261
5.2.2 會員營銷指標261
5.2.3 會員活躍度指標263
5.2.4 會員價值度指標265
5.2.5 會員終生價值指標266
5.2.6 會員異動指標266
5.3 會員數據化運營應用場景267
5.3.1 會員營銷267
5.3.2 會員關懷267
5.4 會員數據化運營分析模型268
5.4.1 會員細分模型268
5.4.2 會員價值度模型269
5.4.3 會員活躍度模型270
5.4.4 會員流失預測模型271
5.4.5 會員特征分析模型272
5.4.6 營銷響應預測模型273
5.5 會員數據化運營分析小技巧274
5.5.1 使用留存分析新用戶質量274
5.5.2 使用AARRR做APP用戶生命周期分析275
5.5.3 借助動態數據流關注會員狀態的輪轉276
5.5.4 使用協同過濾算法為新會員分析推送個性化信息277
5.6 會員數據化運營分析的“大實話”279
5.6.1 企業“不差錢”，還有必要做會員精準營銷嗎279
5.6.2 用戶滿意度取決于期望和給予的匹配程度280
5.6.3 用戶不購買就是流失了嗎280
5.6.4 來自調研問卷的用戶信息可信嗎281
5.6.5 不要盲目相信二八法則283
5.7 案例：基于RFM的用戶價值度分析283
5.7.1 案例背景283
5.7.2 案例主要應用技術284
5.7.3 案例數據284
5.7.4 案例過程284
5.7.5 案例數據結論294
5.7.6 案例應用和部署295
5.7.7 案例注意點295
5.7.8 案例引申思考296
5.8 案例：基于AdaBoost的營銷響應預測297
5.8.1 案例背景297
5.8.2 案例主要應用技術297
5.8.3 案例數據298
5.8.4 案例過程298
5.8.5 案例數據結論313
5.8.6 案例應用和部署313
5.8.7 案例注意點314
5.8.8 案例引申思考315
5.9 本章小結315
第6章 商品數據化運營317
6.1 商品數據化運營概述317
6.2 商品數據化運營關鍵指標317
6.2.1 銷售類指標317
6.2.2 促銷活動指標320
6.2.3 供應鏈指標321
6.3 商品數據化運營應用場景323
6.3.1 銷售預測323
6.3.2 庫存分析323
6.3.3 市場分析324
6.3.4 促銷分析324
6.4 商品數據化運營分析模型325
6.4.1 商品價格敏感度模型325
6.4.2 新產品市場定位模型326
6.4.3 銷售預測模型327
6.4.4 商品關聯銷售模型327
6.4.5 異常訂單檢測328
6.4.6 商品規劃的最優組合328
6.5 商品數據化運營分析小技巧330
6.5.1 使用層次分析法將定量與定性分析結合331
6.5.2 通過假設檢驗做促銷拉動分析333
6.5.3 使用BCG矩陣做商品結構分析334
6.5.4 巧用4P分析建立完善的商品運營分析結構336
6.6 商品數據化運營分析的“大實話”337
6.6.1 為什么很多企業會以低于進價的價格大量銷售商品337
6.6.2 促銷活動真的是在促進商品銷售嗎339
6.6.3 用戶關注的商品就是要買的商品嗎340
6.6.4 提供的選擇過多其實不利于商品銷售341
6.7 案例：基于超參數優化的Gradient Boosting的銷售預測341
6.7.1 案例背景341
6.7.2 案例主要應用技術341
6.7.3 案例數據342
6.7.4 案例過程343
6.7.5 案例數據結論351
6.7.6 案例應用和部署351
6.7.7 案例注意點351
6.7.8 案例引申思考351
6.8 案例：基于LogisticRegression、
RandomForest、Bagging概率投票
組合模型的異常檢測352
6.8.1 案例背景352
6.8.2 案例主要應用技術352
6.8.3 案例數據353
6.8.4 案例過程353
6.8.5 案例數據結論364
6.8.6 案例應用和部署364
6.8.7 案例注意點365
6.8.8 案例引申思考365
6.9 本章小結367
第7章 流量數據化運營369
7.1 流量數據化運營概述369
7.2 8大流量分析工具369
7.3 如何選擇第三方流量分析工具372
7.4 流量采集分析系統的工作機制375
7.4.1 流量數據采集376
7.4.2 流量數據處理379
7.4.3 流量數據應用380
7.5 流量數據與企業數據的整合381
7.5.1 流量數據整合的意義381
7.5.2 流量數據整合的范疇382
7.5.3 流量數據整合的方法382
7.6 流量數據化運營指標383
7.6.1 站外營銷推廣指標383
7.6.2 網站流量數量指標385
7.6.3 網站流量質量指標386
7.7 流量數據化運營應用場景389
7.7.1 流量采購389
7.7.2 流量分發391
7.8 流量數據化運營分析模型391
7.8.1 流量波動檢測392
7.8.2 渠道特征聚類393
7.8.3 廣告整合傳播模型393
7.8.4 流量預測模型397
7.9 流量數據化運營分析小技巧398
7.9.1 給老板提供一頁紙的流量dashboard398
7.9.2 關注趨勢、重要事件和潛在因素是日常報告的核心400
7.9.3 使用從細分到多層下鉆數據分析400
7.9.4 通過跨屏追蹤解決用戶跨設備和瀏覽器的訪問行為401
7.9.5 基于時間序列的用戶群體過濾403
7.10 流量數據化運營分析的“大實話”406
7.10.1 流量數據分析的價值其實沒那么大406
7.10.2 如何將流量的實時分析價值最大化406
7.10.3 營銷流量的質量評估是難點工作407
7.10.4 個性化的媒體投放仍然面臨很多問題408
7.10.5 傳統的網站分析方法到底缺少了什么409
7.11 案例：基于自動節點樹的數據異常原因下探分析413
7.11.1 案例背景413
7.11.2 案例主要應用技術414
7.11.3 案例數據415
7.11.4 案例過程416
7.11.5 案例數據結論430
7.11.6 案例應用和部署431
7.11.7 案例注意點432
7.11.8 案例引申思考432
7.12 案例：基于自動K值的KMeans廣告效果聚類分析433
7.12.1 案例背景433
7.12.2 案例主要應用技術433
7.12.3 案例數據434
7.12.4 案例過程434
7.12.5 案例數據結論446
7.12.6 案例應用和部署447
7.12.7 案例注意點448
7.12.8 案例引申思考448
7.13 本章小結449
第8章 內容數據化運營451
8.1 內容數據化運營概述451
8.2 內容數據化運營指標452
8.3 內容數據化運營應用場景455
8.4 內容數據化運營分析模型456
8.4.1 情感分析模型456
8.4.2 搜索優化模型 457
8.4.3 文章關鍵字模型457
8.4.4 主題模型458
8.4.5 垃圾信息檢測模型459
8.5 內容數據化運營分析小技巧460
8.5.1 通過AB測試和多變量測試找到最佳內容版本460
8.5.2 通過屏幕瀏覽占比了解用戶到底看了頁面多少內容461
8.5.3 通過數據分析系統與CMS打通實現個性化內容運營462
8.5.4 將個性化推薦從網站應用到APP端466
8.6 內容數據化運營分析的“大實話”467
8.6.1 個性化內容運營不僅是整合CMS和數據系統467
8.6.2 用戶在著陸頁上不只有跳出和繼續兩種狀態467
8.6.3 “人工組合”的內容運營價值最大化并非不能實現468
8.6.4 影響內容點擊率的因素不僅有位置469
8.7 案例：基于潛在狄利克雷分配（LDA）的內容主題挖掘470
8.7.1 案例背景470
8.7.2 案例主要應用技術470
8.7.3 案例數據471
8.7.4 案例過程471
8.7.5 案例數據結論480
8.7.6 案例應用和部署481
8.7.7 案例注意點481
8.7.8 案例引申思考481
8.8 案例：基于多項式貝葉斯的增量學習的文本分類482
8.8.1 案例背景482
8.8.2 案例主要應用技術482
8.8.3 案例數據482
8.8.4 案例過程483
8.8.5 案例數據結論491
8.8.6 案例應用和部署491
8.8.7 案例注意點491
8.8.8 案例引申思考492
8.9 本章小結492
第9章 數據化運營分析的終極秘籍495
9.1 撰寫出彩的數據分析報告的5個建議495
9.1.1 完整的報告結構495
9.1.2 精致的頁面版式496
9.1.3 漂亮的可視化圖形498
9.1.4 突出報告的關鍵信息500
9.1.5 用報告對象習慣的方式撰寫報告501
9.2 數據化運營支持的4種擴展方式502
9.2.1 數據API502
9.2.2 數據模型503
9.2.3 數據產品503
9.2.4 運營產品504
9.3 提升數據化運營價值度的5種途徑504
9.3.1 數據源：不只有結構化的數據，還有文本、圖片、視頻、語音504
9.3.2 自動化：建立自動任務，解除重復勞動505
9.3.3 未卜先知：建立智能預警模型，不要讓運營先找你505
9.3.4 智能化：向BI-AI的方向走507
9.3.5 場景化：將數據嵌入運營環節之中507
9.4 本章小結508
附錄509
附錄A 公開數據集509
附錄B Python數據工具箱516 |
| 序： |
|
