| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题的背景 | 第9页 |
| 1.2 研究的目的和意义 | 第9-10页 |
| 1.3 国内外研究及应用综述 | 第10-12页 |
| 1.3.1 客户分类方法的研究综述 | 第10-11页 |
| 1.3.2 聚类分析在客户分类中的应用综述 | 第11-12页 |
| 1.4 研究内容与框架 | 第12-14页 |
| 第2章 相关理论研究综述 | 第14-21页 |
| 2.1 客户分类概述 | 第14-15页 |
| 2.2 客户分类的方法 | 第15-18页 |
| 2.2.1 传统分类方法 | 第15-17页 |
| 2.2.2 基于数据挖掘的分类方法 | 第17-18页 |
| 2.3 客户分类的原则 | 第18-19页 |
| 2.4 客户分类的步骤 | 第19-21页 |
| 第3章 基于聚类分析的客户分类 | 第21-25页 |
| 3.1 聚类分析相关概念 | 第21页 |
| 3.2 聚类分析的主要方法 | 第21-24页 |
| 3.2.1 K-means聚类法 | 第21-22页 |
| 3.2.2 Two-step聚类法 | 第22页 |
| 3.2.3 Kohonen神经网络 | 第22-23页 |
| 3.2.4 不同方法的比较 | 第23-24页 |
| 3.3 客户分类效果的评价 | 第24-25页 |
| 第4章 互联网企业的客户分类 | 第25-35页 |
| 4.1 数据预处理 | 第25-26页 |
| 4.1.1 数据清洗 | 第25页 |
| 4.1.2 数据整合 | 第25页 |
| 4.1.3 描述性分析 | 第25-26页 |
| 4.2 客户分类模型构建 | 第26-27页 |
| 4.3 客户分类效果 | 第27-33页 |
| 4.3.1 基于K-means聚类的客户分类结果 | 第27-29页 |
| 4.3.2 基于Two-step聚类的客户分类结果 | 第29-30页 |
| 4.3.3 基于Kohonen聚类的客户分类结果 | 第30-31页 |
| 4.3.4 客户分类结果的比较 | 第31-33页 |
| 4.4 研究结论及建议 | 第33-35页 |
| 第5章 结语 | 第35-36页 |
| 参考文献 | 第36-38页 |
| 致谢 | 第38页 |