| 中文摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题背景 | 第9-10页 |
| 1.1.1 大数据时代 | 第9-10页 |
| 1.1.2 社交网络 | 第10页 |
| 1.2 问题的提出 | 第10-11页 |
| 1.3 课题研究的意义 | 第11-12页 |
| 1.4 课题研究的内容和成果 | 第12页 |
| 1.5 本文的主要内容和组织结构 | 第12-14页 |
| 第二章 数据挖掘技术及工具介绍 | 第14-27页 |
| 2.1 数据库 | 第14页 |
| 2.2 数据挖掘工具（介绍Clementine 12.0） | 第14-16页 |
| 2.3 Python | 第16页 |
| 2.4 核心思想和算法 | 第16-22页 |
| 2.4.1 聚类 | 第16-19页 |
| 2.4.2 RFM模型 | 第19-22页 |
| 2.5 数据预处理 | 第22-27页 |
| 2.5.1 数据准备 | 第22-24页 |
| 2.5.2 数据审计 | 第24页 |
| 2.5.3 数据清洗与加工 | 第24-27页 |
| 第三章 聚类方法在客户评价中的作用 | 第27-45页 |
| 3.1 目的和意义 | 第27页 |
| 3.2 数据准备和预处理 | 第27-29页 |
| 3.2.1 数据准备 | 第27-28页 |
| 3.2.2 数据预处理 | 第28-29页 |
| 3.3 聚类分析 | 第29-43页 |
| 3.3.1 K-Means聚类说明 | 第29页 |
| 3.3.2 K-Means聚类过程 | 第29-39页 |
| 3.3.3 K-Means聚类结论 | 第39-40页 |
| 3.3.4 Two-Step聚类 | 第40-43页 |
| 3.3.5 两种聚类方式结果讨论 | 第43页 |
| 3.3.6 相关研究比较 | 第43页 |
| 3.4 相关建议 | 第43-45页 |
| 第四章 RFM模型与客户细分 | 第45-60页 |
| 4.1 目的和意义 | 第45页 |
| 4.2 数据准备和预处理 | 第45-49页 |
| 4.2.1 数据准备 | 第45-46页 |
| 4.2.2 数据RFM结构化 | 第46-49页 |
| 4.3 基于RFM模型的客户细分 | 第49-58页 |
| 4.3.1 K-Means聚类 | 第50-56页 |
| 4.3.2 Two-Step聚类 | 第56-57页 |
| 4.3.3 两种聚类方式结果讨论 | 第57-58页 |
| 4.4 相关建议 | 第58-60页 |
| 第五章 总结与展望 | 第60-61页 |
| 5.1 本文总结 | 第60页 |
| 5.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表（录用）的论文 | 第65-66页 |
| 致谢 | 第66-67页 |