| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 本课题的研究进展 | 第11-17页 |
| 1.2.1 客户画像研究现状 | 第12页 |
| 1.2.2 数据仓库研究现状 | 第12-14页 |
| 1.2.3 分类算法研究现状 | 第14-16页 |
| 1.2.4 聚类算法研究现状 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-21页 |
| 第二章 相关技术研究 | 第21-35页 |
| 2.1 客户画像技术 | 第21-22页 |
| 2.2 数据仓库技术 | 第22-25页 |
| 2.2.1 主题与面向主题 | 第23页 |
| 2.2.2 数据仓库是集成的 | 第23页 |
| 2.2.3 数据仓库是不可更新的 | 第23-24页 |
| 2.2.4 数据仓库是随时间变化的 | 第24页 |
| 2.2.5 数据挖掘技术 | 第24-25页 |
| 2.3 聚类分析 | 第25-33页 |
| 2.3.1 聚类分析及相关算法 | 第25-29页 |
| 2.3.2 聚类分析经典K-means算法 | 第29-31页 |
| 2.3.3 聚类分析二分K-means算法 | 第31-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第三章 基于金融电商客户画像数据挖掘技术的方案设计 | 第35-47页 |
| 3.1 构建客户画像指标体系 | 第35-40页 |
| 3.2 数据预处理 | 第40-41页 |
| 3.3 数据建模方法 | 第41-44页 |
| 3.3.1 客户交易数据建模 | 第41-42页 |
| 3.3.2 客户交易频次指标数据建模 | 第42页 |
| 3.3.3 客户盈利能力指标数据建模 | 第42-43页 |
| 3.3.4 客户贡献度指标数据建模 | 第43页 |
| 3.3.5 客户画像的更新 | 第43-44页 |
| 3.4 基于客户画像的数据挖掘技术方案 | 第44-46页 |
| 3.4.1 技术选型 | 第44-45页 |
| 3.4.2 数据挖掘技术方案 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于客户画像的二分K-means算法评估与应用 | 第47-61页 |
| 4.1 明确目标 | 第47页 |
| 4.2 数据预处理及准备 | 第47-50页 |
| 4.2.1 确定数据源以及目标表 | 第47-50页 |
| 4.3 生成客户画像 | 第50-52页 |
| 4.4 建立模型与模型评估 | 第52-53页 |
| 4.5 实验及结果分析 | 第53-58页 |
| 4.5.1 实验结果比对 | 第53-58页 |
| 4.5.2 实验结果解释 | 第58页 |
| 4.6 个性化服务与推荐方案设计 | 第58-60页 |
| 4.6.1 基于客户画像三大指标的二分K-means算法应用 | 第58-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 结论与展望 | 第61-63页 |
| 5.1 论文工作总结 | 第61-62页 |
| 5.2 未来工作展望 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 致谢 | 第65-67页 |
| 个人简历、在学期间发表的论文与研究成果 | 第67页 |
