Marketing Analytics: Data-Driven Techniques with Microsoft Excel
营销分析：基于EXCEL的数据驱动技术
2014年出版，高清，非扫描

I Using Excel to Summarize Marketing Data . . . . . . . . . 1
1 Slicing and Dicing Marketing Data with PivotTables . . . . . . . . . . . . 3
2 Using Excel Charts to Summarize Marketing Data . . . . . . . . . . . . 29
3 Using Excel Functions to Summarize Marketing Data . . . . . . . . . . 59
II Pricing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4 Estimating Demand Curves and Using
Solver to Optimize Price . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5 Price Bundling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
6 Nonlinear Pricing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7 Price Skimming and Sales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
8 Revenue Management. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
III Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
9 Simple Linear Regression and Correlation . . . . . . . . . . . . . . . . . 161
10 Using Multiple Regression to Forecast Sales . . . . . . . . . . . . . . . . 177
11 Forecasting in the Presence of Special Events . . . . . . . . . . . . . . . 213
12 Modeling Trend and Seasonality . . . . . . . . . . . . . . . . . . . . . . . . 225
13 Ratio to Moving Average Forecasting Method . . . . . . . . . . . . . . 235
14 Winter’s Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
15 Using Neural Networks to Forecast Sales . . . . . . . . . . . . . . . . . . 249

IV What do Customers Want? . . . . . . . . . . . . . . . . . . 261
16 Conjoint Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
17 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
18 Discrete Choice Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
V Customer Value . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
19 Calculating Lifetime Customer Value . . . . . . . . . . . . . . . . . . . . . 327
20 Using Customer Value to Value a Business . . . . . . . . . . . . . . . . . 339
21 Customer Value, Monte Carlo Simulation, and
Marketing Decision Making . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
22 Allocating Marketing Resources between
Customer Acquisition and Retention . . . . . . . . . . . . . . . . . . . . . 365
VI Market Segmentation . . . . . . . . . . . . . . . . . . . . . . 375
23 Cluster Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 377
24 Collaborative Filtering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
25 Using Classification Trees for Segmentation . . . . . . . . . . . . . . . . 403
VII Forecasting New Product Sales . . . . . . . . . . . . . . 413
26 Using S Curves to Forecast Sales of a New Product . . . . . . . . . . 415
27 The Bass Diffusion Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 427
28 Using the Copernican Principle to Predict Duration
of Future Sales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 439
VIII Retailing. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443
29 Market Basket Analysis and Lift . . . . . . . . . . . . . . . . . . . . . . . . . 445

30 RFM Analysis and Optimizing Direct Mail Campaigns . . . . . . . . 459
31 Using the SCAN*PRO Model and Its Variants . . . . . . . . . . . . . . . 471
32 Allocating Retail Space and Sales Resources . . . . . . . . . . . . . . . . 483
33 Forecasting Sales from Few Data Points . . . . . . . . . . . . . . . . . . 495
IX Advertising . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503
34 Measuring the Effectiveness of Advertising . . . . . . . . . . . . . . . . 505
35 Media Selection Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 517
36 Pay per Click (PPC) Online Advertising . . . . . . . . . . . . . . . . . . . 529
X Marketing Research Tools . . . . . . . . . . . . . . . . . . . . 539
37 Principal Components Analysis (PCA) . . . . . . . . . . . . . . . . . . . . 541
38 Multidimensional Scaling (MDS) . . . . . . . . . . . . . . . . . . . . . . . . 559
39 Classification Algorithms: Naive Bayes
Classifier and Discriminant Analysis . . . . . . . . . . . . . . . . . . . . . . 577
40 Analysis of Variance: One-way ANOVA . . . . . . . . . . . . . . . . . . . . 595
41 Analysis of Variance: Two-way ANOVA . . . . . . . . . . . . . . . . . . . . 607
XIInternet and Social Marketing . . . . . . . . . . . . . . . . 619
42 Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 621
43 The Mathematics Behind The Tipping Point . . . . . . . . . . . . . . . . . 641
44 Viral Marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 653
45 Text Mining. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 663
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .