| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 目录 | 第7-11页 |
| 插图和附表清单 | 第11-13页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 引言 | 第13-15页 |
| 1.1.1 问题的提出 | 第13-14页 |
| 1.1.2 客户价值研究的目的及意义 | 第14-15页 |
| 1.1.3 客户价值理论在电子商务中的地位 | 第15页 |
| 1.2 国内外相关研究综述 | 第15-20页 |
| 1.2.1 管理学客户价值研究 | 第16-18页 |
| 1.2.1.1 几种有代表性的客户价值定义 | 第16-17页 |
| 1.2.1.2 客户终身价值研究综述 | 第17-18页 |
| 1.2.2 基于粗糙集的客户价值研究现状 | 第18-19页 |
| 1.2.3 基于神经网络的客户价值研究现状 | 第19页 |
| 1.2.4 粗糙集-神经网络分类技术研究现状 | 第19-20页 |
| 1.2.5 研究现状小结 | 第20页 |
| 1.3 本文的研究内容 | 第20-21页 |
| 1.4 本文研究方法 | 第21页 |
| 1.5 本文层次结构 | 第21-22页 |
| 1.6 课题研究工作要点 | 第22-23页 |
| 第二章 相关基础理论综述 | 第23-41页 |
| 2.1 客户价值的概念综述 | 第23-27页 |
| 2.1.1 客户的含义和范畴 | 第23页 |
| 2.1.2 客户生命周期 | 第23-25页 |
| 2.1.3 客户价值 | 第25-27页 |
| 2.1.3.1 客户角度的价值 | 第25-26页 |
| 2.1.3.2 企业角度的价值 | 第26页 |
| 2.1.3.3 本文客户价值界定 | 第26-27页 |
| 2.2 粗糙集理论基本概念 | 第27-30页 |
| 2.2.1 等价关系和等价类 | 第28页 |
| 2.2.2 知识与知识库 | 第28-29页 |
| 2.2.3 集合近似与粗糙集 | 第29-30页 |
| 2.3 人工神经网络技术 | 第30-39页 |
| 2.3.1 人工神经网络的定义 | 第30页 |
| 2.3.2 人工神经元 M-P 模型 | 第30-34页 |
| 2.3.2.1 基本构成 | 第31页 |
| 2.3.2.2 激活函数 | 第31-33页 |
| 2.3.2.3 M-P 模型 | 第33-34页 |
| 2.3.3 人工神经网络的拓扑特性 | 第34-36页 |
| 2.3.3.1 联接模式 | 第34页 |
| 2.3.3.2 网络的层次结构 | 第34-36页 |
| 2.3.4 人工神经网络的训练 | 第36-38页 |
| 2.3.4.1 无导师学习（训练） | 第36-37页 |
| 2.3.4.2 有导师学习（训练） | 第37-38页 |
| 2.3.5 误差反向传播算法（BP 算法）概述 | 第38-39页 |
| 2.3.5.1 概述 | 第38页 |
| 2.3.5.2 BP 网络基本构成 | 第38-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第三章 客户价值分类评价体系的分析与建模 | 第41-59页 |
| 3.1 客户分类问题 | 第41-45页 |
| 3.1.1 客户分类问题的特点 | 第41-42页 |
| 3.1.2 传统的客户分类方法的用途和不足 | 第42-45页 |
| 3.1.2.1 基于统计学数据的方法 | 第42-43页 |
| 3.1.2.2 基于客户购买行为的方法 | 第43-44页 |
| 3.1.2.3 基于客户份额的方法 | 第44-45页 |
| 3.1.2.4 对传统客户分类方法的总结 | 第45页 |
| 3.1.3 基于客户价值的方法 | 第45页 |
| 3.2 客户价值的评价标准 | 第45-46页 |
| 3.3 常用的客户价值评价方法的优势和不足 | 第46-50页 |
| 3.3.1 RFM 模型 | 第46页 |
| 3.3.2 CLV（Customer Lifetime Value）模型 | 第46-48页 |
| 3.3.3 净现值（NPV）评价体系 | 第48页 |
| 3.3.4 ABC 法 | 第48-49页 |
| 3.3.5 评价体系总评 | 第49-50页 |
| 3.4 综合的客户价值分类评价体系 | 第50-57页 |
| 3.4.1 总体设计思路 | 第50页 |
| 3.4.2 基本模型构建过程 | 第50-53页 |
| 3.4.2.1 当前价值设计过程 | 第51-52页 |
| 3.4.2.2 潜在价值设计思路 | 第52-53页 |
| 3.4.2.3 客户价值评价指标体系 | 第53页 |
| 3.4.3 指标描述 | 第53-56页 |
| 3.4.4 适用性与扩展性 | 第56-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 基于粗糙集-神经网络技术的客户价值分类模型 | 第59-79页 |
| 4.1 基于粗糙集理论的属性约简 | 第59-68页 |
| 4.1.1 信息系统 | 第59-60页 |
| 4.1.2 知识约简的一般理论 | 第60-63页 |
| 4.1.2.1 核（Core）与约简（Reduct） | 第61页 |
| 4.1.2.2 相对核（Relative Core）和相对约简（Relative Reduct） | 第61-62页 |
| 4.1.2.3 属性重要度 | 第62-63页 |
| 4.1.3 常见的粗糙集属性约简算法 | 第63-64页 |
| 4.1.4 分辨矩阵法 | 第64-67页 |
| 4.1.4.1 分辨矩阵法的优缺点 | 第64-65页 |
| 4.1.4.2 简化的属性约简的分辨矩阵法 | 第65-67页 |
| 4.1.5 数据预处理（离散化） | 第67-68页 |
| 4.2 神经网络分类模型的设计 | 第68-74页 |
| 4.2.1 神经网络分类器概述 | 第68-69页 |
| 4.2.2 样本集的选取 | 第69页 |
| 4.2.3 网络结构设计 | 第69-71页 |
| 4.2.3.1 网络输入输出层的设计 | 第69-70页 |
| 4.2.3.2 网络层数的选择 | 第70-71页 |
| 4.2.3.3 隐含层结点数的确定 | 第71页 |
| 4.2.4 网络初始权值的设定 | 第71-72页 |
| 4.2.5 网络的训练 | 第72-74页 |
| 4.2.5.1 网络训练的基本步骤 | 第72-73页 |
| 4.2.5.2 误差传播与权值调整 | 第73-74页 |
| 4.2.5.3 基于动态阈值函数的输出规范化 | 第74页 |
| 4.3 粗糙集-神经网络分类器 | 第74-77页 |
| 4.3.1 基本框架 | 第74-76页 |
| 4.3.2 实现流程与子模块功能分析 | 第76-77页 |
| 4.3.2.1 预处理模块 | 第76页 |
| 4.3.2.2 粗糙集约简模块 | 第76页 |
| 4.3.2.3 神经网络模块 | 第76页 |
| 4.3.2.4 流程分析 | 第76-77页 |
| 4.4 本章小结 | 第77-79页 |
| 第五章 实例验证 | 第79-85页 |
| 5.1 移动通信公司客户价值指标体系 | 第79-80页 |
| 5.2 样本采集与数据预处理 | 第80-82页 |
| 5.3 粗糙集属性约简 | 第82页 |
| 5.4 BP 神经网络模型建立与性能比较 | 第82-85页 |
| 第六章 结论 | 第85-87页 |
| 6.1 研究成果与不足总结 | 第85-86页 |
| 6.2 下一步工作计划 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-92页 |
