| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第1章 绪论 | 第6-15页 |
| 1.1 研究背景 | 第6-7页 |
| 1.1.1 零售业面临机遇和挑战 | 第6-7页 |
| 1.1.2 数据挖掘为零售业客户细分提供了新方法 | 第7页 |
| 1.2 研究的目的和意义 | 第7-8页 |
| 1.3 国内外相关研究现状 | 第8-12页 |
| 1.3.1 客户细分指标体系研究 | 第8-10页 |
| 1.3.2 客户细分方法研究 | 第10-12页 |
| 1.4 研究内容 | 第12-14页 |
| 1.5 研究方法 | 第14-15页 |
| 第2章 客户细分与数据挖掘概述 | 第15-27页 |
| 2.1 客户细分理论概述 | 第15-18页 |
| 2.1.1 客户细分的概念 | 第15页 |
| 2.1.2 客户细分的意义 | 第15-16页 |
| 2.1.3 客户细分方法 | 第16-18页 |
| 2.2 数据挖掘技术概述 | 第18-22页 |
| 2.2.1 数据挖掘的概念 | 第18页 |
| 2.2.2 数据挖掘的功能 | 第18-19页 |
| 2.2.3 数据挖掘的流程 | 第19-22页 |
| 2.2.4 数据挖掘常用工具 | 第22页 |
| 2.3 客户细分中常用的数据挖掘算法 | 第22-27页 |
| 2.3.1 聚类分析 | 第22-25页 |
| 2.3.2 K-Means算法介绍 | 第25-27页 |
| 第3章 零售业客户细分指标体系的构建 | 第27-32页 |
| 3.1 指标体系构建的步骤 | 第27页 |
| 3.2 客户细分的原则 | 第27页 |
| 3.3 传统零售业客户细分指标分析 | 第27-29页 |
| 3.4 零售业客户消费行为特征 | 第29-30页 |
| 3.5 零售业客户细分指标体系的构建 | 第30-32页 |
| 第4章 基于数据挖掘技术的零售业客户细分模型构建 | 第32-36页 |
| 4.1 零售业数据的特点 | 第32页 |
| 4.2 零售业客户细分算法的选择与改进 | 第32-35页 |
| 4.2.1 K-means算法的优缺点 | 第32-33页 |
| 4.2.2 基于属性加权的改进K-Means算法设计 | 第33-35页 |
| 4.3 基于指标体系和改进K-Means算法的客户细分模型 | 第35-36页 |
| 第5章 实证分析 | 第36-43页 |
| 5.1 业务理解 | 第36页 |
| 5.2 数据理解 | 第36-38页 |
| 5.3 数据准备 | 第38-39页 |
| 5.4 零售业客户细分模型的建立 | 第39-40页 |
| 5.5 结果解释与分析 | 第40-42页 |
| 5.6 与传统基于RFM的方法比较 | 第42-43页 |
| 第6章 结论与展望 | 第43-45页 |
| 6.1 结论 | 第43页 |
| 6.2 展望 | 第43-45页 |
| 参考文献 | 第45-49页 |
| 攻读学位期间的研究成果 | 第49-50页 |
| 致谢 | 第50-51页 |