数据挖掘技术在寿险代理人激励系统中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 选题背景与意义 | 第11-12页 |
| 1.1.1 选题背景 | 第11页 |
| 1.1.2 选题意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 寿险激励机制现状 | 第12-14页 |
| 1.2.2 数据挖掘技术发展现状 | 第14页 |
| 1.2.3 保险业中数据挖掘技术应用现状 | 第14-15页 |
| 1.3 研究思路及架构 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 数据仓库与数据挖掘相关理论和技术 | 第17-26页 |
| 2.1 数据仓库定义与体系结构 | 第17-18页 |
| 2.2 数据挖掘定义与常用技术 | 第18-20页 |
| 2.2.1 数据挖掘的过程 | 第18-19页 |
| 2.2.2 数据挖掘的作用 | 第19页 |
| 2.2.3 数据挖掘的常用方法 | 第19-20页 |
| 2.3 相关理论与技术 | 第20-25页 |
| 2.3.1 决策树算法及原理 | 第20-23页 |
| 2.3.2 聚类算法及原理 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于决策树的寿险代理人激励方式选择 | 第26-42页 |
| 3.1 决策树算法在 WEKA 中的实现 | 第26-29页 |
| 3.1.1 决策树算法 | 第26页 |
| 3.1.2 决策树算法生产过程 | 第26-27页 |
| 3.1.3 决策树方法的评价指标 | 第27-28页 |
| 3.1.4 WEKA 中决策树的建模流程 | 第28-29页 |
| 3.2 激励系统数据仓库的构建 | 第29-32页 |
| 3.2.1 寿险代理人原数据选取 | 第29-30页 |
| 3.2.2 寿险代理人数据预处理 | 第30-32页 |
| 3.3 寿险代理人激励方式决策模型 | 第32-38页 |
| 3.3.1 寿险代理人激励策略的主要方式 | 第32-33页 |
| 3.3.2 寿险代理人激励决策主要影响因子 | 第33-35页 |
| 3.3.3 激励事件提取方法 | 第35页 |
| 3.3.4 寿险代理人激励决策树构造 | 第35-38页 |
| 3.4 实证分析及结果 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于聚类的寿险代理人激励方式绩效评价 | 第42-56页 |
| 4.1 聚类算法在 WEKA 中的实现 | 第42-44页 |
| 4.2 指标体系构建 | 第44-49页 |
| 4.2.1 评价指标分析 | 第44-46页 |
| 4.2.3 评价指标的选取 | 第46-49页 |
| 4.3 激励收益信息数据预处理 | 第49-50页 |
| 4.4 寿险代理人激励方式绩效分析建模 | 第50-52页 |
| 4.4.1 K-Means 聚类 | 第50-51页 |
| 4.4.2 Hierarchical 聚类分析 | 第51-52页 |
| 4.5 实证分析及结果 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
