| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·概述 | 第10-11页 |
| ·移动虚拟网络运营商的产生 | 第10-11页 |
| ·移动虚拟网络运营商的影响力 | 第11页 |
| ·国内外发展状况 | 第11-12页 |
| ·课题背景 | 第12-14页 |
| ·建立客户细分模型的必要性 | 第12-14页 |
| ·本项目目标 | 第14页 |
| ·本文主要内容 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 相关理论及技术 | 第16-36页 |
| ·数据挖掘的概念 | 第16-17页 |
| ·数据挖掘的基本任务 | 第17-19页 |
| ·分类 | 第17-18页 |
| ·回归 | 第18页 |
| ·时间序列分析 | 第18页 |
| ·预测 | 第18页 |
| ·聚类 | 第18-19页 |
| ·汇总 | 第19页 |
| ·关联规则 | 第19页 |
| ·序列发现 | 第19页 |
| ·数据挖掘的GRISP-DM 实施过程 | 第19-21页 |
| ·商业理解（Business Understanding） | 第20页 |
| ·数据理解（Data Understanding） | 第20-21页 |
| ·数据准备（Data Preparation） | 第21页 |
| ·建立模型（Modeling） | 第21页 |
| ·模型评估（Evaluation） | 第21页 |
| ·部署（Deployment） | 第21页 |
| ·数据挖掘的主要算法 | 第21-34页 |
| ·统计分析 | 第22页 |
| ·相似度度量 | 第22页 |
| ·决策树 | 第22-23页 |
| ·神经网络 | 第23页 |
| ·遗传算法 | 第23页 |
| ·聚类算法 | 第23-34页 |
| ·数据挖掘的工具 | 第34-35页 |
| ·SPSS Clementine 软件简介 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 客户细分模型的构建 | 第36-50页 |
| ·需求分析 | 第36-37页 |
| ·数据理解 | 第37-42页 |
| ·收集原始数据 | 第37页 |
| ·描述数据 | 第37-41页 |
| ·探索数据 | 第41-42页 |
| ·检验数据质量 | 第42页 |
| ·数据准备 | 第42-48页 |
| ·选择数据 | 第42-45页 |
| ·清洗数据 | 第45页 |
| ·构造数据 | 第45-48页 |
| ·整合数据 | 第48页 |
| ·格式化数据 | 第48页 |
| ·算法选择 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 基于K-means算法的客户细分方法 | 第50-76页 |
| ·K-means 实现 | 第50页 |
| ·建模准备 | 第50页 |
| ·实验环境概述 | 第50-51页 |
| ·实验数据 | 第50页 |
| ·开发环境 | 第50-51页 |
| ·建立模型 | 第51-66页 |
| ·构建模型 | 第51-66页 |
| ·评估模型 | 第66页 |
| ·模型评估 | 第66-74页 |
| ·评价结果 | 第66-71页 |
| ·模型结果分析 | 第71-73页 |
| ·重审过程 | 第73-74页 |
| ·确定下一步 | 第74页 |
| ·部署 | 第74-75页 |
| ·规则部署 | 第74页 |
| ·规划监控 | 第74-75页 |
| ·产生最终报告 | 第75页 |
| ·回顾项目 | 第75页 |
| ·本章小结 | 第75-76页 |
| 第五章 基于K-medoids算法的客户细分方法 | 第76-84页 |
| ·问题的提出 | 第76-77页 |
| ·K-medoids 的实现 | 第77-79页 |
| ·基于K-medoids 的客户细分 | 第79-80页 |
| ·实验环境概述 | 第79-80页 |
| ·数据结构设计 | 第80页 |
| ·实验及结果分析 | 第80-83页 |
| ·不存在孤立点的情况 | 第80-81页 |
| ·存在孤立点的情况 | 第81-83页 |
| ·本章小结 | 第83-84页 |
| 结论 | 第84-86页 |
| 总结 | 第84-85页 |
| 展望和下一步的工作 | 第85页 |
| 本章小结 | 第85-86页 |
| 参考文献 | 第86-88页 |
| 致谢 | 第88页 |