産品特色

編輯推薦

國內資深一綫數據分析專傢撰寫，黃成明、宋星、田雪峰、宮鑫、王曉東等10餘位互聯網大咖和多個數據科學相關組織聯閤推薦

50個數據工作流知識點，14個數據分析和挖掘主題，8個綜閤性運營案例，涵蓋會員、商品、流量、內容4大數據化運營主題，360°把脈運營問題並貼閤數據場景落地

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瞭總結，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瞭係統講解。
　　作者是國內一綫數據分析師和大數據專傢，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。本書不僅得到瞭宋星、黃成明、宮鑫等14位資深專傢的好評和推薦，還得到瞭天善智能、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
　　著重講解瞭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，詳細講解瞭會員運營、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瞭基本知識、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個綜閤性的應用案例。
　　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。
　　

作者簡介

宋天龍（TonySong）

資深大數據技術專傢，曆任軟通動力集團大數據研究院數據總監、Webtrekk（德國*大的網站數據分析服務提供商）中國區技術和谘詢負責人、國美在綫大數據中心經理。

擅長數據挖掘、建模、分析與運營，精通端到端的數據價值場景設計、業務需求轉換、數據結構梳理、數據建模與學習，以及數據工程交付。擁有豐富的數據項目工作經驗，參與過集團和企業級數據體係規劃、大數據産品開發、網站流量係統建設、網站智能推薦、企業大數據智能等大型數據工作項目。參與實施客戶案例包括Webpower、德國OTTO集團電子商務（中國），Esprit中國、豬八戒網、順豐優選、樂視商城、泰康人壽、酒仙網，國美在綫、迪信通等。

著作有《網站數據挖掘與分析：係統方法與商業實踐》、《企業大數據係統構建實戰：技術、架構、實施與應用》。

精彩書評

　　數據分析師精通一兩個工具是非常必要的，而Python是數據分析工具中的重器。我認為這是一本將Python與數據分析、數據化運營結閤得非常好的一本書，一些常用的分析方法在書中都有具體的講解。而書中大量的案例也能豐富讀者的使用場景，提高讀者的數據分析和運營能力，值得大傢仔細閱讀，認真實操。
　　——黃成明（@數據化管理）　數據化管理的谘詢顧問及培訓師
　　
　　
　　本書深入淺齣地解析瞭有關數據分析和數據化運營的主要輪廓和流程，每個知識點都是作者寶貴經驗的總結。當前市場上不缺工具書，但是純粹並具有深度經驗總結的工具書卻少之又少，因為這需要足夠的行業和職業積纍。從這點上來講，本書在進行經驗的傳遞而非簡單的“知識堆砌”，因此更加可貴。
　　——宋星 “網站分析在中國”創始人/陽獅銳奇數據解決方案總經理
　　
　　
　　本書不僅從技術角度介紹瞭用於數據采集、清洗、分析的相關工具與方法論，而且對其在運營方麵的業務應用也進行瞭體係化的介紹，並輔以典型案例說明，是一本拿來即可用的書籍。
　　——田學峰　豬八戒金融副總經理
　　
　　
　　近年來，不論是零售、銀行、保險還是證券，各行業對數據挖掘技術的需求越來越強烈，Python語言作為大傢熟知的數據挖掘建模工具，有著非常廣泛的應用前景。對任何數據從業者來說，宋天龍老師的這本書絕對是個驚喜，結構完整，案例豐富。在書中，宋老師展示瞭他在數據挖掘這一領域長遠、廣闊的視野和流暢簡潔的文筆，假以時日，必成經典。
　　——宮鑫　射手學院創始人
　　
　　
　　圍繞著數據化運營的話題和書籍越來越多，但令人唏噓的是理論多過實踐，故事多過案例。天龍的書總是有著很多的實際操作講解和案例分析，強調動手，而不僅僅是強調認知。我認為這很是難能可貴的。推薦閱讀，更建議讀者跟隨書籍的內容親自動手實操。
　　——王曉東　TrueMetrics 創始人
　　

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
1.1.1Python是什麼1
1.1.2數據化運營是什麼2
1.1.3Python用於數據化運營5
1.2數據化運營所需的Python相關工具和組件6
1.2.1Python程序6
1.2.2PythonIDE7
1.2.3Python第三方庫8
1.2.4數據庫和客戶端16
1.2.5SSH遠程客戶端18
1.3內容延伸：Python的OCR和TensorFlow18
1.3.1OCR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
2.1.3API33
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從關係型數據庫MySQL讀取運營數據48
2.2.4從非關係型數據庫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誌變量89
3.2.1分類數據和順序數據是什麼89
3.2.2運用標誌方法處理分類和順序數據90
3.2.3代碼實操：Python標誌轉換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基於特徵選擇的降維94
3.3.3基於維度轉換的降維96
3.3.4代碼實操：Python數據降維97
3.4解決樣本類彆分布不均衡的問題100
3.4.1哪些運營場景中容易齣現樣本不均衡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通過組閤/集成方法解決樣本不均衡102
3.4.5通過特徵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衝突問題106
3.5.1為什麼會齣現多數據源的衝突107
3.5.2如何應對多數據源的衝突問題109
3.6數據化運營要抽樣還是全量數據109
3.6.1什麼時候需要抽樣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解決運營數據的共綫性問題116
3.7.1如何檢驗共綫性117
3.7.2解決共綫性的5種常用方法117
3.7.3代碼實操：Python處理共綫性問題118
3.8有關相關性分析的混沌120
3.8.1相關和因果是一迴事嗎120
3.8.2相關係數低就是不相關嗎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範圍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用於稀疏數據的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考慮交付時要貼閤運營落地場景134
3.11.4不要忽視業務專傢經驗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網絡用戶日誌解析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迴歸分析172
4.2.1注意迴歸自變量之間的共綫性問題172
4.2.2相關係數、判定係數和迴歸係數之間到底什麼關係172
4.2.3判定係數是否意味著相應的因果聯係173
4.2.4注意應用迴歸模型時研究自變量是否産生變化173
4.2.5如何選擇迴歸分析算法174
4.2.6代碼實操：Python迴歸分析174
4.3分類分析183
4.3.1防止分類模型的過擬閤問題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類彆劃分-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頻繁規則隻能打包組閤應用嗎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麵臨維度災難時，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，為什麼還要用時間序列212
4.6.2時間序列不適閤商業環境復雜的企業213
4.6.3時間序列預測的整閤、橫嚮和縱嚮模式214
4.6.4代碼實操：Python時間序列分析214
4.7路徑、漏鬥、歸因和熱力圖分析234
4.7.1不要輕易相信用戶的頁麵訪問路徑237
4.7.2如何將路徑應用於更多用戶行為模式的挖掘？237
4.7.3為什麼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瞭用戶的點擊喜好？239
4.7.5為什麼歸因分析主要存在於綫上的轉化行為240
4.7.6漏鬥分析和路徑分析有什麼區彆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數據結論不要産生於單一指標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衝突問題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會員特徵分析模型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藉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用戶滿意度取決於期望和給予的匹配程度280
5.6.3用戶不購買就是流失瞭嗎280
5.6.4來自調研問捲的用戶信息可信嗎281
5.6.5不要盲目相信二八法則283
5.7案例：基於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：基於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新産品市場定位模型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商品規劃的最優組閤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閤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為什麼很多企業會以低於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於商品銷售341
6.7案例：基於超參數優化的GradientBoosting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：基於LogisticRegression、
RandomForest、Bagging概率投票
組閤模型的異常檢測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
7.28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流量采集分析係統的工作機製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閤381
7.5.1流量數據整閤的意義381
7.5.2流量數據整閤的範疇382
7.5.3流量數據整閤的方法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渠道特徵聚類393
7.8.3廣告整閤傳播模型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給老闆提供一頁紙的流量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鑽數據分析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基於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 Python數據分析與數據化運營 下載 mobi epub pdf txt 電子書

質量不錯，價格便宜，很值！

寫得非常詳細，值得購買一看。

很好的書

東西還是不錯的，質量什麼的還是非常非常過關的，一直以來都是在京東的自營這買東西，還是相對放心的，希望以後越來越好，值得再次購買

東西還是不錯的，質量什麼的還是非常非常過關的，一直以來都是在京東的自營這買東西，還是相對放心的，希望以後越來越好，值得再次購買

可以

東西不錯，值得購買！

確實挺貴，內容還行，慢慢看吧

書籍很好 有內容有案例 有講解