| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景、意义 | 第10-11页 |
| 1.2 现状研究 | 第11-14页 |
| 1.2.1 大数据研究现状 | 第11-12页 |
| 1.2.2 大数据的应用 | 第12-13页 |
| 1.2.3 大数据环境下终端营销 | 第13-14页 |
| 1.4 研究内容 | 第14页 |
| 1.5 本文组织结构 | 第14-16页 |
| 第二章 基于Hadoop全国零售订单数据的分布式存储 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 HDFS体系及数据存储 | 第16-20页 |
| 2.2.1 分布式存储的体系结构研究 | 第16-18页 |
| 2.2.2 文件的数据存储 | 第18-20页 |
| 2.3 集群DataNode计算性能及其响应时间 | 第20-27页 |
| 2.3.1 集群性质分析 | 第20-21页 |
| 2.3.2 计算DataNode性能的算法研究 | 第21-23页 |
| 2.3.3 实验结果分析 | 第23-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 数据同步加工处理 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 数据同步加工 | 第28-32页 |
| 3.2.1 数据采集模式 | 第28-30页 |
| 3.2.2 数据同步要解决的问题 | 第30-31页 |
| 3.2.3 分布式数据同步建模 | 第31-32页 |
| 3.3 数据预处理 | 第32-36页 |
| 3.3.1 数据质量 | 第32-33页 |
| 3.3.2 数据清洗 | 第33-36页 |
| 3.4 基于分布式的数据加工 | 第36-38页 |
| 3.4.1 运用Hive的数据加工 | 第36-37页 |
| 3.4.2 基于Hbase的结果数据处理 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于零售订单数据的智能市场感知 | 第40-55页 |
| 4.1 引言 | 第40页 |
| 4.2 企业营销中市场预测模型 | 第40-41页 |
| 4.3 市场销售预测模型 | 第41-46页 |
| 4.3.1 时间序列分析 | 第41页 |
| 4.3.2 ARIMA预测模型原理 | 第41-42页 |
| 4.3.3 ARIMA销售预测模型构建 | 第42-46页 |
| 4.4 市场预测与营销协作模式 | 第46-50页 |
| 4.4.1 固有的企业营销模式 | 第46-47页 |
| 4.4.2 影响投放策略的因素 | 第47-49页 |
| 4.4.3 预测需求量模型制定 | 第49-50页 |
| 4.5 零售户画像模型构建 | 第50-54页 |
| 4.5.1 零售户终身价值计算 | 第51页 |
| 4.5.2 零售户忠诚度预警模型 | 第51-53页 |
| 4.5.3 零售户忠诚度提升策略 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 全国零售户订单数据分析系统设计 | 第55-67页 |
| 5.1 引言 | 第55页 |
| 5.2 系统总体框架与思路 | 第55-59页 |
| 5.2.1 系统体系架构 | 第55-58页 |
| 5.2.2 系统技术架构 | 第58-59页 |
| 5.3 基于Hadoop大数据平台建设 | 第59-63页 |
| 5.3.1 基于Hadoop的大数据平台架构 | 第59-60页 |
| 5.3.2 数据平台建设 | 第60-61页 |
| 5.3.3 软硬件准备 | 第61-62页 |
| 5.3.4 网络拓扑 | 第62-63页 |
| 5.4 系统展示 | 第63-66页 |
| 5.4.1 经营业态下的品牌分析 | 第63-64页 |
| 5.4.2 零售户筛选分析 | 第64-65页 |
| 5.4.4 零售忠诚度预警与提升 | 第65-66页 |
| 5.5 本章总结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 研究展望 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 附录 | 第71-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间的研究成果 | 第73页 |