作者簡介
謝邦昌 教授
學歷：
國立台灣大學生物統計學博士
現任：
台北醫學大學管理學院副院長、大數據研究中心主任、中華資料採礦協會榮譽理事長
主要經歷：
九十三年特種考試地方政府公務人員考試典試委員
中國統計學社民意測驗召集委員、國際統計委員、統計教育委員
統計服務委員、財務委員、統計獎學金委員(第三十一屆)
輔仁大學統計資訊學系教授
中國統計學社理事、民意測驗委員會召集人(1994～迄今)
中華民國民意測驗協會理事(1995～迄今)
內政部統計委員會委員(1995～迄今)
國家科學委員會企劃考核處統計顧問(1996～迄今)
行政院主計處統計委員會兼任研究員(1997～迄今)
全國意向顧問研究中心榮譽顧問(1998～迄今)
東森電視台顧問
中華民國全國商業總會諮詢委員
榮民總醫院 名譽顧問
國家政策研究基金會 財政金融組顧問
中國大陸國家統計局教材編審委員
中國人民大學統計學系客座教授
中國人民大學統計學系Data Mining中心客座教授
中國人民大學應用統計研究中心教授
中國人民大學統計調查研究中心顧問兼客座教授
廈門大學計劃統計學系客座教授
上海財經大學統計學系客座教授
西安統計學院特聘研究員
Journal Of Data Science 執行編輯
經歷：
輔仁大學統計系教授兼系主任(1995～2000)
輔仁大學管理學院院務發展委員(1996～1997)
輔仁大學中西文化中心兼任研究員(1994～1996)
輔仁管理評論編輯委員(1994～1997)
TVBS民意調查中心榮譽顧問(1996～1998)
東森電視台民意調查中心榮譽顧問(1999～2000)
東森電視台市場及民意調查中心榮譽顧問(1999～2003)
臺灣大學生物統計研究室兼任教授(1992～2003)
輔仁大學總務長 (2003～2005)
輔仁大學進修成長學院院長(2004～2005)
鄭宇庭
學歷：
美國明尼蘇達大學 統計學 博士
現職：
國立政治大學統計學系 副教授
主要經歷：
國立政治大學統計學系副教授 (2002－迄今)
國立政治大學資料採礦中心主任 (2007－迄今)
國立政治大學統計學系助理教授 (1997－2002)
國立政治大學商學院民意與市場調查中心主任 (2014－迄今)
美國精算學會副精算師 (1995－迄今)
國立政治大學選舉研究中心兼任委員 (1998－迄今)
尼爾森電視收視率調查監督委員 (1998－2001)
基隆市政府民意調查審議小組委員 (1998－1999)
中國統計學社民意測驗及統計教育委員 (1999－2003)
中華資料採礦協會常務理事 (2001－迄今)
司法院資料採礦研討會委員 (2003－2004)
中華市場研究協會常務理事 (2008－2012)
中華市場研究協會副理事長 (2013－迄今)
| FindBook |
有 5 項符合
零售業資料採礦：R及Excel運用的圖書 |
 |
零售業資料採礦：R及Excel運用 作者：謝邦昌,鄭宇庭 出版社：新陸書局 出版日期：2016-01-18 語言：繁體中文 規格：平裝 / 504頁 / 16k/ 19 x 26 cm / 普通級/ 單色印刷 / 初版 |
| 圖書選購 |
| 型式 | 價格 | 供應商 | 所屬目錄 | $ 551 |
 博客來 |
資料處理/大數據 |
$ 551 |
 三民網路書店 |
財經企管 |
$ 551 |
 台灣金融研訓院網路書店 |
教科書-行銷管理 |
$ 551 |
 五南文化廣場網路書店 |
財經／企管／經濟 |
$ 580 |
台灣金融研訓院網路書店 |
教科書-行銷管理 |
|---|
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：零售業資料採礦：R及Excel運用
目錄
chapter1 資料採礦簡介
1.1 資料採礦定義
1.2 資料採礦重要性
1.3 資料採礦功能
1.4 資料採礦步驟
1.5 資料採礦建模的標準CRISP-DM
chapter2 商業智慧簡介
2.1 商業智慧
2.2 商業智慧之定義
2.3 商業智慧之架構
2.4 商業智慧之實施流程
chapter3 資料採礦與其他相關領域的關係
3.1 統計分析與資料採礦的不同
3.2 資料倉儲與資料採礦的關係
3.3 KDD 與資料採礦的關係
3.4 OLAP 與資料採礦的關係
3.5 機器學習與資料採礦的關係
3.6 Web Mining 和資料採礦有什麼不同？
chapter4 資料採礦於顧客關係管理之應用
4.1 顧客關係管理（CRM）
4.2 顧客關係管理指標
4.3 資料採礦應用於各行業
4.4 顧客市場區隔
4.5 交叉銷售
4.6 顧客關係管理四大循環過程
4.7 資料庫行銷
chapter5 資料倉儲定義
5.1 資料倉儲特性
5.2 資料倉儲架構
5.3 建置資料倉儲的原因
5.4 建置資料倉儲的主要目的
5.5 資料倉儲的應用
5.6 資料倉儲的管理
chapter6 資料採礦工具分類
6.1 資料採礦工具
6.2 各工具的簡介
chapter7 SQL 簡介與基本操作
7.1 SQL 簡介及資料變數來源說明
7.2 資料匯入
7.3 SQL 基本語法介紹
7.4 會員基本資料整理
chapter8 零售業資料預處理
8.1 會員基本變項
8.2 會員購買行為
8.3 產品組合
8.4 會員流失率
8.5 會員貢獻度
chapter9 Microsoft 資料採礦模型（I）
9.1 資料採礦「Microsoft 決策樹」
9.2 資料採礦「Microsoft 羅吉斯迴歸」
9.3 資料採礦「Microsoft 類神經網路」
9.4 資料採礦「Microsoft 貝氏機率分類」
chapter10 潛在顧客預測模型
10.1 潛在顧客預測流程圖
10.2 交易頻率趨勢圖
10.3 交易頻率語法
10.4 模型建構
chapter11 Microsoft 資料採礦模型（II）
11.1 資料採礦「Microsoft 時間序列」
11.2 資料採礦「Microsoft 群集分析」
11.3 資料採礦「Microsoft 線性迴歸」
11.4 資料採礦「Microsoft 關聯規則」
11.5 資料採礦「Microsoft 時序群集」
chapter12 資料倉儲與實例操作
12.1 資料倉儲
12.2 實例操作
chapter13 維度設計
13.1 維度與量值
13.2 多維度模型的資料表
13.3 維度建構實例操作
chapter14 建置Cube
14.1 對企業的價值
14.2 資料儲存的選擇性
14.3 實例操作
chapter15 資料採礦增益集（Excel Add-In）
15.1 資料採礦增益集安裝與設定
15.2 Excel 2013 資料採礦工具列介紹
15.3 DMX 介紹
15.4 DMX 函數介紹
15.5 DMX 資料採礦語法
chapter16 R 軟體資料採礦模型
16.1 R 軟體
16.2 資料採礦「R 時間序列」
16.3 資料採礦「R 集群分析」
16.4 資料採礦「R 迴歸分析」
16.5 資料採礦「R 關聯分析」
1.1 資料採礦定義
1.2 資料採礦重要性
1.3 資料採礦功能
1.4 資料採礦步驟
1.5 資料採礦建模的標準CRISP-DM
chapter2 商業智慧簡介
2.1 商業智慧
2.2 商業智慧之定義
2.3 商業智慧之架構
2.4 商業智慧之實施流程
chapter3 資料採礦與其他相關領域的關係
3.1 統計分析與資料採礦的不同
3.2 資料倉儲與資料採礦的關係
3.3 KDD 與資料採礦的關係
3.4 OLAP 與資料採礦的關係
3.5 機器學習與資料採礦的關係
3.6 Web Mining 和資料採礦有什麼不同？
chapter4 資料採礦於顧客關係管理之應用
4.1 顧客關係管理（CRM）
4.2 顧客關係管理指標
4.3 資料採礦應用於各行業
4.4 顧客市場區隔
4.5 交叉銷售
4.6 顧客關係管理四大循環過程
4.7 資料庫行銷
chapter5 資料倉儲定義
5.1 資料倉儲特性
5.2 資料倉儲架構
5.3 建置資料倉儲的原因
5.4 建置資料倉儲的主要目的
5.5 資料倉儲的應用
5.6 資料倉儲的管理
chapter6 資料採礦工具分類
6.1 資料採礦工具
6.2 各工具的簡介
chapter7 SQL 簡介與基本操作
7.1 SQL 簡介及資料變數來源說明
7.2 資料匯入
7.3 SQL 基本語法介紹
7.4 會員基本資料整理
chapter8 零售業資料預處理
8.1 會員基本變項
8.2 會員購買行為
8.3 產品組合
8.4 會員流失率
8.5 會員貢獻度
chapter9 Microsoft 資料採礦模型（I）
9.1 資料採礦「Microsoft 決策樹」
9.2 資料採礦「Microsoft 羅吉斯迴歸」
9.3 資料採礦「Microsoft 類神經網路」
9.4 資料採礦「Microsoft 貝氏機率分類」
chapter10 潛在顧客預測模型
10.1 潛在顧客預測流程圖
10.2 交易頻率趨勢圖
10.3 交易頻率語法
10.4 模型建構
chapter11 Microsoft 資料採礦模型（II）
11.1 資料採礦「Microsoft 時間序列」
11.2 資料採礦「Microsoft 群集分析」
11.3 資料採礦「Microsoft 線性迴歸」
11.4 資料採礦「Microsoft 關聯規則」
11.5 資料採礦「Microsoft 時序群集」
chapter12 資料倉儲與實例操作
12.1 資料倉儲
12.2 實例操作
chapter13 維度設計
13.1 維度與量值
13.2 多維度模型的資料表
13.3 維度建構實例操作
chapter14 建置Cube
14.1 對企業的價值
14.2 資料儲存的選擇性
14.3 實例操作
chapter15 資料採礦增益集（Excel Add-In）
15.1 資料採礦增益集安裝與設定
15.2 Excel 2013 資料採礦工具列介紹
15.3 DMX 介紹
15.4 DMX 函數介紹
15.5 DMX 資料採礦語法
chapter16 R 軟體資料採礦模型
16.1 R 軟體
16.2 資料採礦「R 時間序列」
16.3 資料採礦「R 集群分析」
16.4 資料採礦「R 迴歸分析」
16.5 資料採礦「R 關聯分析」
序
序
淘寶網的雙十一從2012 年的190億人民幣營業額到2015年912億單日營業額，創造了店商的奇蹟，更開啟了知識經濟的大數據營銷時代，有別於過去企業間以壓低成本及價格的競爭方式，如今是以創新為核心競爭力，不管用哪一種策略，都離不開技術研發、行銷販售、客戶服務及精準營銷等營運的相關問題上，尋求問題發生的原因，並試著找出解決方案。
從前，要抓住消費者靠平面廣告就已經足夠了；而現今網路發達，各種社群網站的崛起，購物型態的改變，這些都再次改變了店家與消費者之間的關係：消費者可以利用網路貨比三家，對店家的評論也可以透過網路快速的散發出去；而店家亦可以利用網路將自己推銷出去，或是搜集銷量、消費者評價等，分析出最受民眾歡迎的
商品。
然而鑑往知來，根據傳統資料分析瞭解過去的銷售行為是後知後覺；而現今大數據分析則能幫助我們從許多數據的整合，迅速瞭解客戶的消費行為，創造先知先覺的精準行銷，消費者過去的購物紀錄、購物商品、瀏覽紀錄，甚至是從社群媒體資料（Facebook、Line、微信按讚、評論），從這些資料中，我們能夠更深入瞭解客戶，並可協助業務的開發，以及增加在顧客管理上的有效性。
相對於其他資料庫系統或資料採礦軟體，微軟的資料庫系統— Microsoft SQL Server 可為使用者的關鍵任務應用程式提供突破性的效能、可用性及管理性。SQL Server 亦針對線上交易處理（OLTP）和資料倉儲提供了內建於核心資料庫的記憶體中（In-Memory）新功能，填補現有記憶體中資料倉儲和商業智慧的功能，尤其在大數據分析及應用方面，借助這些功能，更能提升企業在處理商業智慧方案的性能與效率。然而要如何充分發揮Microsoft SQL Server 及應用在現實案例中，則需要一定的消費零售專業知識和學習過程。針對零售業界實務上的需求，我們編寫了這本書，以期在消費零售實務應用和理論方法之間搭建一座橋梁，讓讀者快速瞭解商業智慧及大數據的分析技巧及其主要應用內容。
淘寶網的雙十一從2012 年的190億人民幣營業額到2015年912億單日營業額，創造了店商的奇蹟，更開啟了知識經濟的大數據營銷時代，有別於過去企業間以壓低成本及價格的競爭方式，如今是以創新為核心競爭力，不管用哪一種策略，都離不開技術研發、行銷販售、客戶服務及精準營銷等營運的相關問題上，尋求問題發生的原因，並試著找出解決方案。
從前，要抓住消費者靠平面廣告就已經足夠了；而現今網路發達，各種社群網站的崛起，購物型態的改變，這些都再次改變了店家與消費者之間的關係：消費者可以利用網路貨比三家，對店家的評論也可以透過網路快速的散發出去；而店家亦可以利用網路將自己推銷出去，或是搜集銷量、消費者評價等，分析出最受民眾歡迎的
商品。
然而鑑往知來，根據傳統資料分析瞭解過去的銷售行為是後知後覺；而現今大數據分析則能幫助我們從許多數據的整合，迅速瞭解客戶的消費行為，創造先知先覺的精準行銷，消費者過去的購物紀錄、購物商品、瀏覽紀錄，甚至是從社群媒體資料（Facebook、Line、微信按讚、評論），從這些資料中，我們能夠更深入瞭解客戶，並可協助業務的開發，以及增加在顧客管理上的有效性。
相對於其他資料庫系統或資料採礦軟體，微軟的資料庫系統— Microsoft SQL Server 可為使用者的關鍵任務應用程式提供突破性的效能、可用性及管理性。SQL Server 亦針對線上交易處理（OLTP）和資料倉儲提供了內建於核心資料庫的記憶體中（In-Memory）新功能，填補現有記憶體中資料倉儲和商業智慧的功能，尤其在大數據分析及應用方面，借助這些功能，更能提升企業在處理商業智慧方案的性能與效率。然而要如何充分發揮Microsoft SQL Server 及應用在現實案例中，則需要一定的消費零售專業知識和學習過程。針對零售業界實務上的需求，我們編寫了這本書，以期在消費零售實務應用和理論方法之間搭建一座橋梁，讓讀者快速瞭解商業智慧及大數據的分析技巧及其主要應用內容。
|
