本书由认识篇、技术篇和案例篇三部分组成，以商业领域中的问题为背景，主要讲解数据挖掘技术的应用。认识篇介绍数据挖掘的各种技术和数据挖掘建模方法，可使读者了解数据挖掘技术在商业领域中的应用概貌；技术篇介绍数据挖掘中的聚类分析、分类分析、关联规则分析、离群点检测、回归分析等方法；案例篇介绍实际领域应用较多的RFM分析、社会网络分析和文本挖掘，展示数据挖掘在不同领域中的应用案例，使读者理解如何应用数据挖掘技术解决商业领域中的问题。
本书可作为经济、管理类等相关专业学生学习数据挖掘技术的教材或参考书，也可作为计算机相关专业学生学习数据挖掘技术的参考书，还可作为企事业单位管理者、数据分析人员、市场营销人员、研究与开发人员的参考资料。

上篇 认识篇
第1章 绪论
1.1 引例
1.2 数据挖掘简介
1.2.1 数据挖掘技术的使用背景
1.2.2 数据挖掘的概念
1.2.3 数据挖掘任务
1.2.4 数据挖掘过程
1.2.5 数据挖掘技术的前景
1.2.6 数据挖掘十大经典算法
1.3 数据挖掘在商业领域中的应用
1.3.1 客户关系管理
1.3.2 市场营销
1.3.3 个性化推荐与个性化服务
1.3.4 信用评估与欺诈检测
1.3.5 供应链库存管理中的需求预测
1.3.6 人力资源管理
1.4 数据挖掘与隐私保护
1.5 数据挖掘工具及其选择
本章小结
习题1
案例分析：聚类城镇
第2章 数据挖掘建模方法
2.1 数据挖掘建模概述
2.2 业务理解
2.3 数据理解
2.4 数据准备
2.5 建模
2.5.1 成功建立预测模型的注意事项
2.5.2 如何建立有效的预测模型
2.6 评估
2.7 部署
2.8 辛普森悖论
本章小结
习题2
案例分析
中篇 技术篇
第3章 数据准备
3.1 数据探索
3.1.1 描述性统计分析
3.1.2 数据可视化
3.2 数据清理
3.3 数据集成
3.4 数据变换
3.5 数据归约
3.6 Clementine简介
3.6.1 Clementine数据流操作
3.6.2 输入、输出节点
3.6.3 数据可视化节点
3.6.4 数据预处理节点
3.7 综合案例：电信客户通话模式分析
本章小结
习题3
案例分析
第4章 聚类分析
4.1 聚类分析概述
4.2 相似性度量
4.2.1 数据及数据类型
4.2.2 属性之间的相似性度量
4.2.3 对象之间的相似性度量
4.3 k-Means算法及其改进
4.3.1 k-Means算法
4.3.2 k-Means算法的拓展
4.4 DBSCAN聚类算法
4.5 一趟聚类算法
4.5.1 算法描述
4.5.2 聚类阈值的选择策略
4.5.3 一趟聚类算法的应用
4.6 层次聚类算法
……
第5章 分类分析
第6章 关联规则分析
第7章 离群点检测
第8章 回归分析
下篇 案例篇
第9章 RFM分析
第10章 社会网络分析
第11章 文本挖掘
第12章 数据挖掘在客户关系管理中的应用
第13章 数据挖掘在金融领域的应用
第14章 数据挖掘在财务风险分析和预警中的应用
第15章 数据挖掘在电子商务中的应用
附录A 数据挖掘常用资源列表
参考文献