| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究目的 | 第12-13页 |
| 1.3 论文创新之处和贡献 | 第13-14页 |
| 1.4 本文的研究基本思路及论文框架 | 第14-16页 |
| 1.4.1 研究基本思路 | 第14页 |
| 1.4.2 论文框架 | 第14-16页 |
| 第二章 数据挖掘概述与WEKA聚类分析简介 | 第16-26页 |
| 2.1 数据挖掘概述 | 第16-21页 |
| 2.1.1 数据挖掘的定义 | 第16-17页 |
| 2.1.2 数据挖掘和数据仓库 | 第17页 |
| 2.1.3 数据挖掘常用方法 | 第17-19页 |
| 2.1.4 数据挖掘在金融行业中的应用 | 第19-21页 |
| 2.2 WEKA数据挖掘平台 | 第21-23页 |
| 2.2.1 Weka简介和安装 | 第21页 |
| 2.2.2 Weka数据格式 | 第21-22页 |
| 2.2.3 Weka数据预处理 | 第22-23页 |
| 2.3 WEKA聚类分析简介 | 第23-25页 |
| 2.3.1 K-means算法 | 第24-25页 |
| 2.3.2 EM算法 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 财富派平台的发展及用户细分 | 第26-32页 |
| 3.1 互联网金融及财富派平台的发展 | 第26-29页 |
| 3.1.1 国内外互联网金融的发展 | 第26-27页 |
| 3.1.2 诺亚易捷公司及财富派平台 | 第27-29页 |
| 3.2 互联网客户关系管理与用户细分 | 第29-31页 |
| 3.2.1 互联网客户关系管理 | 第29-30页 |
| 3.2.2 财富派的用户细分 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 基于聚类分析的财富派用户细分 | 第32-41页 |
| 4.1 财富派数据挖掘流程 | 第32-37页 |
| 4.1.1 数据准备 | 第32-34页 |
| 4.1.2 基于K-means算法的用户细分 | 第34-37页 |
| 4.1.3 基于EM算法的用户细分 | 第37页 |
| 4.2 两种算法在财富派用户细分中优缺点 | 第37-38页 |
| 4.2.1 K-means算法优缺点 | 第37页 |
| 4.2.2 EM算法优缺点 | 第37-38页 |
| 4.3 财富派用户细分结果 | 第38-40页 |
| 4.3.1 财富派用户定位 | 第38页 |
| 4.3.2 财富派的用户细分 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 基于用户细分的财富派营销策略及会员体系的制定 | 第41-51页 |
| 5.1 财富派 4P营销策略的制定 | 第41-44页 |
| 5.1.1 互联网的 4P营销策略 | 第41-43页 |
| 5.1.2 基于用户细分的财富派 4P营销策略 | 第43-44页 |
| 5.2 财富派品牌营销策略的制定 | 第44-46页 |
| 5.2.1 财富派品牌营销现状 | 第44-45页 |
| 5.2.2 基于用户细分的财富派品牌营销策略 | 第45-46页 |
| 5.3 财富派会员体系的制定 | 第46-50页 |
| 5.3.1 互联网会员体系简介 | 第46-48页 |
| 5.3.2 基于用户细分的财富派会员体系 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 结论 | 第51-53页 |
| 6.1 本文的贡献 | 第51页 |
| 6.2 不足和展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-56页 |