基于数据挖掘方法的汽车客户画像分析及流失客户预测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景 | 第12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国外研究现状 | 第13-14页 |
| 1.4 国内研究现状 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-16页 |
| 第二章 客户分类的数据挖掘方法介绍 | 第16-21页 |
| 2.1 客户的分类方法概述 | 第16-17页 |
| 2.2 K-means聚类法 | 第17页 |
| 2.3 KNN分类法 | 第17-18页 |
| 2.4 基于关联规则Apriori算法 | 第18-19页 |
| 2.5 决策树 | 第19-20页 |
| 2.5.1 决策树基本理论 | 第19页 |
| 2.5.2 主流三种决策树算法 | 第19-20页 |
| 2.5.3 IBMSPSS中决策树应用 | 第20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 客户数据的预处理 | 第21-27页 |
| 3.1 数据处理工具R语言介绍 | 第21页 |
| 3.2 数据处理工具IBMSPSS介绍 | 第21-22页 |
| 3.3 新购车客户数据的预处理 | 第22-26页 |
| 3.3.1 数据来源 | 第22页 |
| 3.3.2 数据整理 | 第22-23页 |
| 3.3.3 数据标准化 | 第23-24页 |
| 3.3.4 R语言的实践过程 | 第24-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第四章 基于聚类和关联分析的用户画像研究 | 第27-55页 |
| 4.1 客户基本情况统计 | 第27-43页 |
| 4.1.1 单一字段的统计分析 | 第27-35页 |
| 4.1.2 不同年份的交叉分析 | 第35-43页 |
| 4.2 K-means聚类分析 | 第43-48页 |
| 4.3 基于关联规则的Apriori算法 | 第48-51页 |
| 4.4 客户画像的构建结果 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 客户流失预测研究 | 第55-69页 |
| 5.1 汽车客户的流失定义 | 第55-56页 |
| 5.2 客户流失数据的预处理 | 第56-57页 |
| 5.3 客户流失模型构建 | 第57-64页 |
| 5.3.1 ID3算法 | 第57-58页 |
| 5.3.2 .CART算法 | 第58-59页 |
| 5.3.3 CHAID算法 | 第59-61页 |
| 5.3.4 CRT算法 | 第61-62页 |
| 5.3.5 QUEST算法 | 第62-64页 |
| 5.4 模型评价 | 第64-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69页 |
| 6.2 研究展望 | 第69-71页 |
| 参考文献 | 第71-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附件 | 第75页 |
