基于数据挖掘的银行CRM系统研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究的背景 | 第9-10页 |
| 1.2 研究的所义除目所 | 第10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.3.1 国外研究现状 | 第10-11页 |
| 1.3.2 国内研究现状 | 第11-12页 |
| 1.4 研究思路及方法 | 第12-14页 |
| 1.4.1 研究的内容 | 第12页 |
| 1.4.2 本文的创新点 | 第12-13页 |
| 1.4.3 论文的结构安排 | 第13-14页 |
| 第二章 银独CRM系统与数据挖掘 | 第14-20页 |
| 2.1 银行CRM的概述 | 第14-16页 |
| 2.1.1 银行CRM系统的主要内容 | 第14-15页 |
| 2.1.2 银行CRM系统的结构 | 第15-16页 |
| 2.2 数据挖掘技术所概述 | 第16页 |
| 2.3 数据挖掘技术的常用方法 | 第16-17页 |
| 2.3.1 决策树方法 | 第16-17页 |
| 2.3.2 统计分析方本 | 第17页 |
| 2.3.3 粗糙集方法 | 第17页 |
| 2.3.4 贝叶斯网络 | 第17页 |
| 2.3.5 人工神经网络 | 第17页 |
| 2.3.6 遗传算法 | 第17页 |
| 2.4 数据挖掘技术在银行CRM系统中应用的价值 | 第17-20页 |
| 2.4.1 客户获得 | 第18页 |
| 2.4.2 客户保持 | 第18-19页 |
| 2.4.3 交叉销售 | 第19页 |
| 2.4.4 销售分析及销售预签 | 第19页 |
| 2.4.5 风险评估 | 第19-20页 |
| 第三章 BP神经网络算法 | 第20-26页 |
| 3.1 神经网络的相关概念 | 第20-21页 |
| 3.2 BP神经网络 | 第21-22页 |
| 3.3 BP神经网络的数据挖掘过程 | 第22-23页 |
| 3.4 动量-自适应学习速率优化所BP神其网络 | 第23-26页 |
| 3.4.1 传统BP神经网络的缺点 | 第23-24页 |
| 3.4.2 改进的BP神经网络算法 | 第24-25页 |
| 3.4.3 改进的BP神经网络算法的优点 | 第25-26页 |
| 第四章 BP神经网络在银行CRM系统中应用 | 第26-37页 |
| 4.1 数理统计软件 | 第26-27页 |
| 4.1.1 Python软件所简介 | 第26-27页 |
| 4.1.2 Python软件所应用 | 第27页 |
| 4.2 实验数据的采集 | 第27-29页 |
| 4.3 BP神经网络算法的应用 | 第29-32页 |
| 4.4 BP神经网络算法优化前后的误差对比 | 第32-36页 |
| 4.5 商业银行进行客户分层准确率比较 | 第36-37页 |
| 第五章 银行CRM系统的设计与实现 | 第37-44页 |
| 5.1 银行CRM系统设计目的 | 第37页 |
| 5.2 银行CRM系统 | 第37-41页 |
| 5.2.1 用户管理模块所设计 | 第38-39页 |
| 5.2.2 客户信息管理模块所设计 | 第39-40页 |
| 5.2.3 客户服务管理设计 | 第40-41页 |
| 5.3 CRM系统的实现 | 第41-44页 |
| 第六章 结论 | 第44-45页 |
| 6.1 总结 | 第44页 |
| 6.2 本文的不足之处 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 作者简介 | 第49-50页 |
| 致谢 | 第50页 |
