| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景、意义 | 第10-11页 |
| 1.2 现状研究 | 第11-13页 |
| 1.2.1 大数据研究现状 | 第11-12页 |
| 1.2.2 客户关系研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第二章 相关技术研究与分析 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 HDFS体系及数据存储 | 第15-18页 |
| 2.2.1 HDFS文件系统架构 | 第15-17页 |
| 2.2.2 HDFS文件读取过程 | 第17-18页 |
| 2.3 MapReduce并行计算框架 | 第18-21页 |
| 2.3.1 MapReduce工作原理 | 第19-20页 |
| 2.3.2 Yarn模式的运行机制 | 第20-21页 |
| 2.4 数据挖掘和聚类算法的概念 | 第21-24页 |
| 2.4.1 数据挖掘 | 第21-22页 |
| 2.4.2 聚类算法 | 第22-24页 |
| 2.5 客户价值的研究与分析 | 第24-28页 |
| 2.5.1 客户价值的定义 | 第24页 |
| 2.5.2 客户的生命周期 | 第24-26页 |
| 2.5.3 现有的客户分类方法 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 海量数据的采集与处理 | 第29-37页 |
| 3.1 引言 | 第29页 |
| 3.2 海量数据的采集 | 第29-30页 |
| 3.2.1 数据来源 | 第29-30页 |
| 3.2.2 数据采集方式 | 第30页 |
| 3.3 海量数据的预处理 | 第30-34页 |
| 3.3.1 数据质量 | 第30-31页 |
| 3.3.2 数据清洗 | 第31-34页 |
| 3.4 海量数据的加工处理 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 客户价值模型的建立 | 第37-54页 |
| 4.1 引言 | 第37页 |
| 4.2 客户价值模型的提出 | 第37-38页 |
| 4.3 客户评分体系的建立 | 第38-40页 |
| 4.3.1 客户价值指标及评分细则 | 第38页 |
| 4.3.2 ANP确定指标权重 | 第38-40页 |
| 4.4 客户价值分类模型 | 第40-50页 |
| 4.4.1 FCM模糊聚类算法 | 第40-41页 |
| 4.4.2 灰狼优化算法(GWO)改进FCM | 第41-43页 |
| 4.4.3 粒子群优化算法(PSO)改进FCM | 第43-45页 |
| 4.4.4 PSO-FCM与GWO-FCM的实验对比 | 第45-46页 |
| 4.4.5 MapReduce并行GWO-FCM算法 | 第46-48页 |
| 4.4.6 MapReduce平台性能测试与分析 | 第48-49页 |
| 4.4.7 客户分类结果与分析 | 第49-50页 |
| 4.5 客户忠诚度预警模型 | 第50-53页 |
| 4.5.1 客户终身价值计算 | 第50-51页 |
| 4.5.2 客户忠诚度预警 | 第51-52页 |
| 4.5.3 客户忠诚度提升策略 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 客户价值模型的应用系统设计 | 第54-62页 |
| 5.1 引言 | 第54页 |
| 5.2 系统总体框架与思路 | 第54-56页 |
| 5.3 平台建设 | 第56-58页 |
| 5.3.1 数据采集模式 | 第56-57页 |
| 5.3.2 数据整合 | 第57页 |
| 5.3.3 环境配置 | 第57-58页 |
| 5.4 系统展示 | 第58-61页 |
| 5.4.1 数据采集模块 | 第58页 |
| 5.4.2 零售户拜访模块 | 第58-59页 |
| 5.4.3 高价值客户分析模块 | 第59-60页 |
| 5.4.4 客户忠诚度预警与提升模块 | 第60页 |
| 5.4.5 资源服务管理模块 | 第60-61页 |
| 5.4.6 客户流失趋势分析模块 | 第61页 |
| 5.5 本章总结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 全文总结 | 第62-63页 |
| 6.2 研究展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 附录 | 第68-69页 |
| 攻读学位期间的研究成果 | 第69页 |