基于Python的天津数字电视客户细分研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究的背景和动机 | 第8-10页 |
| 1.1.1 客户细分研究动态 | 第8-9页 |
| 1.1.2 数字电视产业研究动态 | 第9页 |
| 1.1.3 天津数字电视客户细分现状 | 第9-10页 |
| 1.1.4 天津数字电视客户细分存在的问题 | 第10页 |
| 1.2 研究的意义 | 第10-11页 |
| 1.3 研究的内容 | 第11-12页 |
| 1.4 技术路线与方法 | 第12页 |
| 1.5 论文组织 | 第12-14页 |
| 第2章 客户关系管理和客户行为细分 | 第14-30页 |
| 2.1 客户关系管理 | 第14-18页 |
| 2.1.1 客户关系管理 | 第14-16页 |
| 2.1.2 天津广电客户关系管理现状分析 | 第16-18页 |
| 2.2 客户知识管理 | 第18-21页 |
| 2.2.1 客户知识 | 第18页 |
| 2.2.2 客户知识管理过程 | 第18-20页 |
| 2.2.3 天津广电客户知识管理分析 | 第20-21页 |
| 2.3 客户消费行为研究和行为细分模型 | 第21-29页 |
| 2.3.1 西方消费者行为理论研究 | 第21-22页 |
| 2.3.2 客户行为的心理学研究 | 第22-23页 |
| 2.3.3 行为细分模型 | 第23-26页 |
| 2.3.4 RFM模型及客户价值矩阵 | 第26-28页 |
| 2.3.5 天津广电客户消费者行为研究现状分析 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 数据挖掘和聚类方法 | 第30-46页 |
| 3.1 数据挖掘与CRM的关系 | 第30-34页 |
| 3.1.1 数据挖掘与CRM的关系分析 | 第30-31页 |
| 3.1.2 数据挖掘的主要功能 | 第31-32页 |
| 3.1.3 天津广电数据挖掘过程 | 第32-34页 |
| 3.2 聚类方法和k-means算法分析 | 第34-37页 |
| 3.2.1 聚类方法 | 第34-35页 |
| 3.2.2 划分方法聚类k-means算法 | 第35-36页 |
| 3.2.3 k-means优缺点分析 | 第36-37页 |
| 3.3 聚类评价指标 | 第37-39页 |
| 3.3.1 聚类结果评价指标 | 第37-38页 |
| 3.3.2 参数优化 | 第38-39页 |
| 3.4 天津广电数据挖掘平台Python实现 | 第39-43页 |
| 3.4.1 数据仓库设计 | 第39-40页 |
| 3.4.2 统计信息、数据规范化Python实现 | 第40-42页 |
| 3.4.3 数据探索及分析 | 第42-43页 |
| 3.5 本章小结 | 第43-46页 |
| 第4章 天津广电客户细分结果和客户价值评价 | 第46-82页 |
| 4.1 天津广电运营支撑系统现状 | 第46-51页 |
| 4.1.1 运营支撑系统分析 | 第46-47页 |
| 4.1.2 天津广电地理网格客户细分 | 第47-50页 |
| 4.1.3 天津广电客户细分分析 | 第50-51页 |
| 4.2 基于RFM模型客户细分结果和客户价值评价 | 第51-81页 |
| 4.2.1 k的经验选值法聚类 | 第51-76页 |
| 4.2.2 基于DBI的k取值分析 | 第76页 |
| 4.2.3 聚类结果分析 | 第76-78页 |
| 4.2.4 基于RFM模型聚类结果的细分分析 | 第78-79页 |
| 4.2.5 客户价值评价 | 第79-81页 |
| 4.3 分析小结 | 第81-82页 |
| 第5章 总结和展望 | 第82-84页 |
| 5.1 总结 | 第82-83页 |
| 5.2 展望 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 附录A: 天津广电地理网格客户细分SQL编码 | 第88-94页 |
| 致谢 | 第94页 |
