| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 电信行业背景分析 | 第10-11页 |
| 1.1.2 电信运营商的客户消费行为研究与业务促进 | 第11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 研究现状 | 第12-16页 |
| 1.3.1 客户行为研究现状 | 第12-14页 |
| 1.3.2 客户行为研究方法现状 | 第14-16页 |
| 1.4 研究内容及技术路线 | 第16-18页 |
| 1.4.1 研究内容 | 第17页 |
| 1.4.2 研究思路 | 第17-18页 |
| 1.5 本文研究难点及创新点 | 第18-20页 |
| 1.5.1 难点分析 | 第18-19页 |
| 1.5.2 创新点分析 | 第19-20页 |
| 第2章 相关理论与方法 | 第20-28页 |
| 2.1 相关理论 | 第20-23页 |
| 2.1.1 大数据及特点 | 第20页 |
| 2.1.2 数据挖掘技术演进 | 第20-21页 |
| 2.1.3 客户群细分及方法 | 第21-23页 |
| 2.2 聚类算法 | 第23-26页 |
| 2.2.1 聚类算法原理 | 第23页 |
| 2.2.2 距离与相似度测量方法 | 第23-24页 |
| 2.2.3 聚类算法分类 | 第24-25页 |
| 2.2.4 K-means算法及其优缺点 | 第25-26页 |
| 2.3 关联规则算法 | 第26-28页 |
| 2.3.1 关联规则算法原理 | 第26-27页 |
| 2.3.2 关联规则分类 | 第27-28页 |
| 第3章 客户群消费行为模型构建 | 第28-39页 |
| 3.1 面向大数据采样与降维的划分聚类 | 第28-33页 |
| 3.1.1 基于大数据的样本抽样技术 | 第28-29页 |
| 3.1.2 高维数据维度下降方法 | 第29-32页 |
| 3.1.3 面向大数据采样与降维的聚类 | 第32-33页 |
| 3.2 关联规则挖掘多维数据方法 | 第33-36页 |
| 3.2.1 单维与多维关联规则挖掘异同分析 | 第33-34页 |
| 3.2.2 多维数据关联规则挖掘方法 | 第34-35页 |
| 3.2.3 关联规则挖掘客户群交叉行为 | 第35-36页 |
| 3.3 消费者行为分析组合模型 | 第36-39页 |
| 3.3.1 客户群消费行为研究理论 | 第36-37页 |
| 3.3.2 客户群消费行为组合模型 | 第37-39页 |
| 第4章 客户群消费行为实例分析 | 第39-59页 |
| 4.1 客户群细分步骤 | 第39-40页 |
| 4.2 X移动公司客户行为多维指标构建 | 第40-43页 |
| 4.2.1 客户消费行为指标构建 | 第40-42页 |
| 4.2.2 客户消费行为分析 | 第42-43页 |
| 4.3 X移动公司客户群市场细分 | 第43-50页 |
| 4.4 客户交叉消费行为特征分析 | 第50-54页 |
| 4.5 基于聚类与关联规则的营销策略与措施 | 第54-59页 |
| 4.5.1 针对客户群消费行为细分市场的营销措施 | 第55-57页 |
| 4.5.2 针对交叉消费行为市场的营销建议 | 第57-59页 |
| 总结与展望 | 第59-61页 |
| 总结 | 第59-60页 |
| 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 攻读学位期间取得学术成果 | 第64页 |