超大规模客户关系管理策略研究以银行业为例
| 中文摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| ·研究背景、目的及意义 | 第9-10页 |
| ·研究背景 | 第9页 |
| ·研究目的及意义 | 第9-10页 |
| ·国内外相关研究现状 | 第10-14页 |
| ·客户关系管理策略 | 第10-12页 |
| ·大数据管理 | 第12-13页 |
| ·知识发现相关研究综述 | 第13-14页 |
| ·研究内容 | 第14-15页 |
| ·研究方法及技术路线 | 第15-16页 |
| 第2章 相关理论基础 | 第16-31页 |
| ·超大规模客户环境的特点 | 第16-18页 |
| ·传统数据库与大数据的区别 | 第16-17页 |
| ·大数据的含义与特征 | 第17-18页 |
| ·传统客户关系管理理论框架 | 第18-23页 |
| ·客户关系管理理论发展过程 | 第18-19页 |
| ·客户关系管理理论的内涵阐释 | 第19-20页 |
| ·传统客户关系管理的相关理论 | 第20-23页 |
| ·超大规模客户环境对企业进行客户关系管理的影响 | 第23-26页 |
| ·企业提高客户管理能力需要超大规模客户数据的支持 | 第23-24页 |
| ·超大规模客户给企业进行数据处理带来的问题 | 第24-25页 |
| ·数据分析方法亟待创新 | 第25-26页 |
| ·知识发现 | 第26-31页 |
| ·知识发现的定义 | 第26-27页 |
| ·知识发现的相关概念 | 第27-28页 |
| ·基于关联数据的知识发现 | 第28-31页 |
| 第3章 加权大规模数据子空间聚类算法 | 第31-45页 |
| ·问题的提出 | 第31页 |
| ·K 均值算法 | 第31-33页 |
| ·优化初始聚类中心选择策略 | 第33-39页 |
| ·K 均值算法与遗传算法的映射 | 第33-35页 |
| ·改进算法中的相关定义 | 第35-37页 |
| ·选择计算过程 | 第37-38页 |
| ·变异操作过程 | 第38-39页 |
| ·数据稀疏问题 | 第39-43页 |
| ·变量加权分析 | 第40-41页 |
| ·子空间聚类算法 | 第41-43页 |
| ·高维大规模数据聚类算法 | 第43-45页 |
| ·确定流数据聚类中心权重 | 第43-44页 |
| ·加权大规模数据子空间聚类算法 | 第44-45页 |
| 第4章 实证分析 | 第45-60页 |
| ·知识发现运用于银行业的特征分析 | 第45-47页 |
| ·知识发现的研究内容 | 第45-46页 |
| ·银行数据组织与应用 | 第46-47页 |
| ·算法准确性测试 | 第47-49页 |
| ·算法聚类有效性测试 | 第49-50页 |
| ·改进算法的实证分析 | 第50-58页 |
| ·数据准备 | 第50-51页 |
| ·数据初步分析 | 第51-55页 |
| ·通过改进的 K 聚类算法对数据进行聚类 | 第55-57页 |
| ·结论分析 | 第57-58页 |
| ·本章小结 | 第58-60页 |
| 第5章 全文总结和研究展望 | 第60-62页 |
| ·全文总结 | 第60-61页 |
| ·研究展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |
