基于神经网络的CRM系统的研究
| 第一章 绪论 | 第1-10页 |
| §1-1 本文的研究背景及意义 | 第8页 |
| 1-1-1 研究背景 | 第8页 |
| 1-1-2 研究意义 | 第8页 |
| §1-2 CRM研究的现状 | 第8-9页 |
| §1-3 本文的主要内容 | 第9-10页 |
| 第二章 CRM中的数据挖掘技术分析 | 第10-24页 |
| §2-1 CRM的定义 | 第10-11页 |
| §2-2 CRM的产生背景分析 | 第11-12页 |
| §2-3 数据挖掘的含义分析 | 第12-13页 |
| §2-4 用数据挖掘提升电信CRM能力 | 第13-15页 |
| 2-4-1 CRM在需求下变动 | 第13-14页 |
| 2-4-2 换位的缺陷 | 第14页 |
| 2-4-3 引入数据挖掘 | 第14页 |
| 2-4-4 数据挖掘在CRM中的应用 | 第14-15页 |
| §2-5 数据挖掘的困难分析 | 第15-17页 |
| 2-5-1 数据挖掘环境 | 第15-16页 |
| 2-5-2 数据挖掘过程图 | 第16页 |
| 2-5-3 数据挖掘过程工作量 | 第16页 |
| 2-5-4 数据挖掘过程简介 | 第16-17页 |
| 2-5-5 数据挖掘需要的人员 | 第17页 |
| §2-6 常用数据挖掘工具和知识分析 | 第17-20页 |
| 2-6-1 数据挖掘工具分类 | 第17-18页 |
| 2-6-2 数据挖掘工具选择 | 第18页 |
| 2-6-3 数据存取能力 | 第18-19页 |
| 2-6-4 与其他产品的接口 | 第19页 |
| 2-6-5 噪声数据处理 | 第19页 |
| 2-6-6 数据挖掘中的知识 | 第19-20页 |
| §2-7 数据挖据的发展动力分析 | 第20-21页 |
| 2-7-1 从过去的失误中学习 | 第20页 |
| 2-7-2 数据挖掘与统计工具的区别 | 第20页 |
| 2-7-3 发现和预测 | 第20-21页 |
| §2-8 数据挖掘过程模型分析 | 第21-24页 |
| 2-8-1 SAS的SEMMA模型 | 第21-22页 |
| 2-8-2 CRISP-DM模型 | 第22页 |
| 2-8-3 Two Crows的模型 | 第22-24页 |
| 第三章 人工神经网络技术用于CRM中的优势分析 | 第24-31页 |
| §3-1 人工神经网络的基本原理 | 第24-26页 |
| 3-1-1 神经元的生物学解剖 | 第24-25页 |
| 3-1-2 神经元的信息处理与传递 | 第25-26页 |
| §3-2 几种神经网络模型及其用于CRM的可能性 | 第26-30页 |
| 3-2-1 误差逆传播神经网络 | 第26-27页 |
| 3-2-2 Hopfield神经网络 | 第27页 |
| 3-2-3 随机型神经网络 | 第27页 |
| 3-2-4 竞争型神经网络 | 第27-28页 |
| 3-2-5 自组织特征映射神经网络 | 第28-30页 |
| §3-3 SOM算法与其他聚类方法的比较 | 第30-31页 |
| 3-3-1 基于划分的方法 | 第30页 |
| 3-3-2 层次聚类方法 | 第30页 |
| 3-3-3 基于密度的方法 | 第30-31页 |
| 第四章 SOM算法在电信宽带CRM中的应用研究 | 第31-43页 |
| §4-1 问题的理解和定义 | 第31-34页 |
| 4-1-1 引言 | 第31页 |
| 4-1-2 电信宽带客户聚类分析要求 | 第31-32页 |
| 4-1-3 电信宽带客户聚类分析系统分析 | 第32页 |
| 4-1-4 数据集成 | 第32-33页 |
| 4-1-5 原始数据规范化 | 第33-34页 |
| §4-2 客户聚类模型建立 | 第34-40页 |
| 4-2-1 样本集的产生 | 第34-35页 |
| 4-2-2 聚类算法简述 | 第35页 |
| 4-2-3 SOM聚类神经网络具体训练过程 | 第35-40页 |
| §4-3 SOM聚类神经网络训练 | 第40-41页 |
| §4-4 客户聚类 | 第41-42页 |
| §4-5 小结 | 第42-43页 |
| 第五章 结论 | 第43-44页 |
| 参考文献 | 第44-46页 |
| 致谢 | 第46-47页 |
| 攻读学位期间所取得的相关科研成果 | 第47页 |
