基于改进RFM模型的聚类算法在农村用户4G消费行为中研究与应用
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 研究现状与发展趋势 | 第8-13页 |
| 1.2.1 RFM模型研究现状及发展趋势 | 第8-10页 |
| 1.2.2 聚类算法的研究现状以及发展趋势 | 第10-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 章节安排 | 第14-15页 |
| 第二章 基础理论与相关技术介绍 | 第15-31页 |
| 2.1 RFM模型介绍以及相关应用说明 | 第15-18页 |
| 2.1.1 RFM模型介绍 | 第15页 |
| 2.1.2 最近一次消费 | 第15-16页 |
| 2.1.3 消费频率 | 第16页 |
| 2.1.4 消费金额 | 第16页 |
| 2.1.5 RFM模型的应用意义 | 第16-18页 |
| 2.2 电信行业RFM模型应用 | 第18-23页 |
| 2.2.1 RFM权重分析 | 第19-20页 |
| 2.2.2 客户分类 | 第20-23页 |
| 2.3 聚类算法介绍以及相关应用说明 | 第23-30页 |
| 2.4 四种聚类算法案例分析 | 第30-31页 |
| 第三章 改进的RFM模型和聚类算法分析 | 第31-34页 |
| 3.1 传统的RFM模型在电信客户细分中的缺陷 | 第31页 |
| 3.2 改进的ATM模型 | 第31-32页 |
| 3.3 经典K-均值算法不足之处 | 第32-33页 |
| 3.4 改进的K-均值聚类算法 | 第33-34页 |
| 第四章 对ATM模型数据的预处理 | 第34-38页 |
| 4.1 模型框架 | 第34-35页 |
| 4.1.1 模型数据采集 | 第34页 |
| 4.1.2 模型输入 | 第34页 |
| 4.1.3 数据类型设置 | 第34-35页 |
| 4.1.4 数据预处理框架模型 | 第35页 |
| 4.2 数据预处理分析 | 第35-38页 |
| 4.2.1 网龄小于60个月 | 第35-36页 |
| 4.2.2 网龄大于60个月 | 第36页 |
| 4.2.3 对模型数据进行聚类 | 第36-38页 |
| 第五章 系统实现和评价 | 第38-42页 |
| 5.1 整体设计方案 | 第38页 |
| 5.2 算法模型分析 | 第38页 |
| 5.3 通过K-均值聚类算法得出的结果 | 第38-41页 |
| 5.3.1 聚类情况 | 第38-39页 |
| 5.3.2 对聚类数据建模 | 第39-40页 |
| 5.3.3 建模结果分析 | 第40-41页 |
| 5.4 实际验证 | 第41-42页 |
| 5.4.1 目标确认 | 第41页 |
| 5.4.2 营销成果 | 第41页 |
| 5.4.3 三个月累计成果 | 第41页 |
| 5.4.4 全区推广效果 | 第41页 |
| 5.4.5 建模效果分析 | 第41-42页 |
| 第六章 总结及展望 | 第42-43页 |
| 6.1 总结 | 第42页 |
| 6.2 展望 | 第42-43页 |
| 参考文献 | 第43-45页 |
| 致谢 | 第45页 |
