| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-12页 |
| ·选题背景 | 第9-10页 |
| ·研究价值及意义 | 第10-11页 |
| ·本文的内容及结构 | 第11-12页 |
| 2 客户行为变化和数据挖掘 | 第12-22页 |
| ·客户关系管理概述 | 第12-15页 |
| ·CRM的概念和内涵 | 第12-13页 |
| ·CRM的功能和层次 | 第13-15页 |
| ·数据挖掘技术概述 | 第15-19页 |
| ·数据挖掘和知识发现 | 第15-17页 |
| ·数据挖掘的主要技术 | 第17-19页 |
| ·数据挖掘的应用 | 第19页 |
| ·客户行为变化 | 第19-22页 |
| ·CRM中客户行为分析的含义 | 第20页 |
| ·本文中客户行为变化的界定 | 第20-22页 |
| 3 关联规则挖掘理论与算法 | 第22-37页 |
| ·关联规则的基本概念和问题描述 | 第22-23页 |
| ·关联规则的分类 | 第23-26页 |
| ·根据所处理的变量类别分类 | 第23-24页 |
| ·根据规则中数据的抽象层次分类 | 第24-25页 |
| ·根据所涉及的数据维分类 | 第25-26页 |
| ·根据对关联规则的不同扩充分类 | 第26页 |
| ·关联规则挖掘的研究与发展概述 | 第26-28页 |
| ·关联规则算法的发展 | 第26-27页 |
| ·关联规则的应用和发展趋势 | 第27-28页 |
| ·经典频繁集算法——Apriori算法 | 第28-31页 |
| ·Apriori算法的理论依据 | 第28-29页 |
| ·Apriori算法的描述 | 第29-30页 |
| ·Apriori算法的性能瓶颈 | 第30-31页 |
| ·基于缩减事务集的Apriori改进算法 | 第31-37页 |
| ·算法示例说明 | 第31-33页 |
| ·算法的补充说明 | 第33-34页 |
| ·算法的效率验证 | 第34-37页 |
| 4 客户行为变化的度量 | 第37-45页 |
| ·客户行为变化的类型 | 第37-39页 |
| ·新兴模式(Emerging Pattern) | 第38页 |
| ·增加模式(Added Pattern) | 第38页 |
| ·消退模式(Perished Pattern) | 第38页 |
| ·意外模式(Unexpected Pattern) | 第38-39页 |
| ·客户行为变化的度量 | 第39-45页 |
| ·相似度 | 第40-42页 |
| ·意外度 | 第42-43页 |
| ·客户行为变化类型划分 | 第43页 |
| ·客户行为变化类型划分的步骤 | 第43-45页 |
| 5 关联规则挖掘在客户行为变化中的应用 | 第45-69页 |
| ·背景分析 | 第45-46页 |
| ·整体技术路线 | 第46-47页 |
| ·构建数据仓库模型 | 第47-49页 |
| ·数据ETL过程 | 第49-58页 |
| ·数据抽取 | 第50-52页 |
| ·数据转换 | 第52-56页 |
| ·数据加载 | 第56-58页 |
| ·挖掘两个时间段的关联规则 | 第58-63页 |
| ·系统设置部分 | 第58-59页 |
| ·规则展示部分 | 第59-60页 |
| ·功能实现按钮部分 | 第60-63页 |
| ·客户行为变化的度量结果 | 第63-69页 |
| ·度量算法的描述 | 第64-65页 |
| ·新兴模式实例 | 第65-66页 |
| ·增加模式实例 | 第66页 |
| ·消退模式实例 | 第66-67页 |
| ·意外结果变化模式实例 | 第67页 |
| ·意外条件变化模式实例 | 第67-69页 |
| 6 总结与展望 | 第69-71页 |
| ·本文小结 | 第69-70页 |
| ·研究展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间发表的学术论文目录 | 第78页 |