数据挖掘在电商客户行为忠诚度预测研究中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 文献综述 | 第11-15页 |
| 1.2.1 客户忠诚度的国外研究现状 | 第11-12页 |
| 1.2.2 客户忠诚度的国内研究现状 | 第12-13页 |
| 1.2.3 电商客户忠诚度的研究现状 | 第13-14页 |
| 1.2.4 研究述评 | 第14-15页 |
| 1.3 研究方法与思路 | 第15页 |
| 1.4 本文的主要研究内容 | 第15-17页 |
| 2 相关理论知识概述 | 第17-21页 |
| 2.1 客户忠诚度理论概述 | 第17-19页 |
| 2.1.1 客户忠诚的概念 | 第17-18页 |
| 2.1.2 客户忠诚的分类 | 第18-19页 |
| 2.1.3 客户忠诚度的定义 | 第19页 |
| 2.2 电商客户忠诚度理论概述 | 第19-20页 |
| 2.2.1 电商客户忠诚度概念 | 第19-20页 |
| 2.2.2 电商客户行为忠诚度的特点 | 第20页 |
| 2.3 小结 | 第20-21页 |
| 3 客户忠诚度的预测方法 | 第21-29页 |
| 3.1 逻辑回归模型 | 第21-25页 |
| 3.1.1 逻辑回归理论概述 | 第21-24页 |
| 3.1.2 逻辑回归的适用性 | 第24-25页 |
| 3.2 基于CART算法的决策树 | 第25-27页 |
| 3.3 Boosting算法 | 第27-28页 |
| 3.4 模型的评价与选择 | 第28-29页 |
| 4 数据预处理及数据集 | 第29-37页 |
| 4.1 数据描述 | 第29-30页 |
| 4.2 数据清洗 | 第30-33页 |
| 4.2.1 数据清洗的方法 | 第30-31页 |
| 4.2.2 数据清洗的原理 | 第31页 |
| 4.2.3 数据清洗的应用 | 第31-33页 |
| 4.3 描述性统计分析 | 第33-37页 |
| 5 电商客户忠诚度预测模型的实证分析 | 第37-48页 |
| 5.1 分割样本并检验 | 第37-38页 |
| 5.2 基于逻辑回归算法的忠诚度模型 | 第38-42页 |
| 5.3 基于决策树的忠诚度模型 | 第42-45页 |
| 5.4 基于Boosting的忠诚度模型 | 第45-46页 |
| 5.5 模型评价 | 第46-48页 |
| 6 总结及展望 | 第48-50页 |
| 参考文献 | 第50-52页 |
| 后记 | 第52页 |
