| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状与发展 | 第10-12页 |
| 1.2.1 大数据时代发展现状 | 第10-12页 |
| 1.2.2 数据挖掘的发展与过程 | 第12页 |
| 1.3 本文主要研究内容 | 第12-14页 |
| 第二章 数据库营销 | 第14-26页 |
| 2.1 数据库营销的发展和优势 | 第14-16页 |
| 2.1.1 数据库营销概念 | 第14页 |
| 2.1.2 数据库营销的发展 | 第14页 |
| 2.1.3 数据库营销优势 | 第14-15页 |
| 2.1.4 数据库营销模型分类 | 第15-16页 |
| 2.2 响应模型 | 第16-22页 |
| 2.2.1 Logistic回归方程 | 第16页 |
| 2.2.2 Logistic回归模型的参数估计与假设条件 | 第16-17页 |
| 2.2.3 Logistic回归模型评价 | 第17-18页 |
| 2.2.4 决策树 | 第18-20页 |
| 2.2.5 神经网络 | 第20-21页 |
| 2.2.6 遗传算法 | 第21页 |
| 2.2.7 方法比较及选择 | 第21-22页 |
| 2.3 客户细分模型 | 第22-26页 |
| 2.3.1 客户细分模型概述 | 第22-23页 |
| 2.3.2 Segmentation过程定义 | 第23页 |
| 2.3.3 K-平均算法 | 第23-24页 |
| 2.3.4 Segmentation过程操作步骤 | 第24-26页 |
| 第三章 逐步回归与分位数回归 | 第26-39页 |
| 3.1 逐步回归 | 第26-30页 |
| 3.1.1 多元线性回归的数学模型 | 第26-27页 |
| 3.1.2 参数的最小二乘估计 | 第27-29页 |
| 3.1.3 逐步回归建立最优回归模型 | 第29-30页 |
| 3.1.4 模型的检验 | 第30页 |
| 3.2 分位数回归 | 第30-38页 |
| 3.2.1 分位数回归基本思想 | 第30-32页 |
| 3.2.2 分位数回归的基本性质 | 第32-38页 |
| 3.3 逐步回归与分位数回归比较 | 第38-39页 |
| 第四章 数据库营销在A零售公司的实证应用 | 第39-59页 |
| 4.1 案例背景 | 第39页 |
| 4.2 数据介绍 | 第39页 |
| 4.3 数据准备 | 第39-43页 |
| 4.3.1 原始数据整合 | 第39-40页 |
| 4.3.2 过采样(Oversample)提高响应率 | 第40页 |
| 4.3.3 重新编码(recoding) | 第40-41页 |
| 4.3.4 全面性分析变量(Profiling) | 第41-42页 |
| 4.3.5 变量缩减 | 第42-43页 |
| 4.4 建立响应模型 | 第43-51页 |
| 4.4.1 拆分样本数据为训练集,验证集以及测试集 | 第43-44页 |
| 4.4.2 初步了解数据集特征 | 第44-47页 |
| 4.4.3 响应模型调试 | 第47-48页 |
| 4.4.4 响应模型结果分析 | 第48-51页 |
| 4.5 响应模型的检验 | 第51-54页 |
| 4.5.1 变量相关性 | 第51-52页 |
| 4.5.2 多重共线性检验 | 第52页 |
| 4.5.3 模型的有效性检验 | 第52页 |
| 4.5.4 模型的稳健性 | 第52-54页 |
| 4.6 建立客户细分模型 | 第54-58页 |
| 4.6.1 数据整理 | 第54页 |
| 4.6.2 Segmentation过程 | 第54-57页 |
| 4.6.3 细分模型结果分析 | 第57-58页 |
| 4.7 本章小结 | 第58-59页 |
| 第五章 逐步回归与分位数回归在A零售公司的实证应用 | 第59-63页 |
| 5.1 数据准备 | 第59页 |
| 5.2 建立逐步回归模型 | 第59-61页 |
| 5.2.1 逐步回归筛选变量 | 第59-60页 |
| 5.2.2 生成回归方程 | 第60页 |
| 5.2.3 逐步回归总结 | 第60-61页 |
| 5.3 分位数回归 | 第61-62页 |
| 5.3.1 选定变量 | 第61页 |
| 5.3.2 生成分位数回归 | 第61-62页 |
| 5.3.3 分位数回归总结 | 第62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66页 |
