| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.3.1 数据挖掘研究现状 | 第10-11页 |
| 1.3.2 客户细分研究现状 | 第11-12页 |
| 1.4 研究方法 | 第12-15页 |
| 2 相关理论研究综述 | 第15-25页 |
| 2.1 数据挖掘有关理论研究 | 第15-20页 |
| 2.1.1 数据挖掘的概念及特点 | 第15页 |
| 2.1.2 数据挖掘模型 | 第15-18页 |
| 2.1.3 实现流程 | 第18-20页 |
| 2.2 聚类分析算法 | 第20-21页 |
| 2.3 K-means算法 | 第21-23页 |
| 2.3.1 K-means算法基本思想及步骤 | 第21-22页 |
| 2.3.2 K-means算法的特点 | 第22-23页 |
| 2.4 对K-means算法进行改进 | 第23-25页 |
| 3 电信行业的客户细分模型设计 | 第25-31页 |
| 3.1 客户细分相关理论研究 | 第25-28页 |
| 3.1.1 客户细分的概念 | 第25-26页 |
| 3.1.2 客户细分方法 | 第26-27页 |
| 3.1.3 传统细分方法与基于数据挖掘的客户细分的区别 | 第27页 |
| 3.1.4 客户细分的意义 | 第27-28页 |
| 3.2 客户细分分析模型 | 第28-29页 |
| 3.3 基于改进的K-means算法的客户细分模型设计 | 第29-31页 |
| 4 基于改进的K-means算法的客户细分模型实例分析 | 第31-55页 |
| 4.1 确定客户细分目标 | 第31页 |
| 4.2 数据理解 | 第31-32页 |
| 4.3 数据准备 | 第32-35页 |
| 4.3.1 数据的获取 | 第32-34页 |
| 4.3.2 数据的预处理 | 第34-35页 |
| 4.3.3 细分变量的选取 | 第35页 |
| 4.4 聚类数k值的确定 | 第35-49页 |
| 4.4.1 聚类分析过程 | 第36-43页 |
| 4.4.2 判别分析确定最佳聚类数 | 第43-49页 |
| 4.5 传统的K-means算法和改进的K-means算法的比较 | 第49-51页 |
| 4.6 聚类结果分析 | 第51-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 工作总结 | 第55页 |
| 5.2 不足之处与展望 | 第55-57页 |
| 攻读学位期间参加的科研项目及发表的学术论文 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-64页 |
