| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-24页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究的目的和意义 | 第12-13页 |
| 1.2.1 研究目的 | 第12页 |
| 1.2.2 研究意义 | 第12-13页 |
| 1.3 国内外相关研究现状 | 第13-20页 |
| 1.3.1 顾客细分指标体系研究 | 第13-16页 |
| 1.3.2 顾客细分方法的研究 | 第16-18页 |
| 1.3.3 电子商务环境下企业的顾客细分研究 | 第18-20页 |
| 1.4 研究内容与研究方法 | 第20-24页 |
| 1.4.1 研究内容 | 第20-22页 |
| 1.4.2 研究方法 | 第22-24页 |
| 2 顾客细分的相关理论与方法 | 第24-31页 |
| 2.1 顾客细分的概念与意义 | 第24-25页 |
| 2.1.1 顾客细分的概念 | 第24页 |
| 2.1.2 顾客细分的意义 | 第24-25页 |
| 2.2 顾客细分常用的方法 | 第25-29页 |
| 2.2.1 顾客细分的依据 | 第25-26页 |
| 2.2.2 顾客细分的RFM模型 | 第26-27页 |
| 2.2.3 顾客细分的聚类方法 | 第27-29页 |
| 2.3 信息熵相关概念与方法 | 第29-31页 |
| 2.3.1 信息熵与叉熵 | 第29页 |
| 2.3.2 熵权法 | 第29-31页 |
| 3 熵权法在RFM模型中的应用研究 | 第31-38页 |
| 3.1 B2C环境下在线零售企业的特征 | 第31-32页 |
| 3.2 RFM模型的适宜性与不足 | 第32-36页 |
| 3.2.1 RFM模型的适宜性 | 第32-33页 |
| 3.2.2 RFM模型计算的不足 | 第33-36页 |
| 3.3 基于熵权法的RFM模型改进 | 第36-38页 |
| 3.3.1 熵权法确定权重的过程 | 第36-37页 |
| 3.3.2 熵权法确定RFM指标的优势 | 第37-38页 |
| 4 基于叉熵的顾客聚类方法研究 | 第38-50页 |
| 4.1 K-Means聚类算法的优缺点分析 | 第38-39页 |
| 4.1.1 K-means算法的优点 | 第38页 |
| 4.1.2 K-means算法的缺点 | 第38-39页 |
| 4.2 基于叉熵的顾客细分方法 | 第39-45页 |
| 4.2.1 信息熵应用于顾客细分的思路 | 第39-40页 |
| 4.2.2 基于信息熵聚类方法的设计和验证 | 第40-45页 |
| 4.3 改进的顾客细分模型及聚类结果分析 | 第45-50页 |
| 4.3.1 基于改进的RFM和K-means的顾客细分模型 | 第45-47页 |
| 4.3.2 聚类结果解释与分析 | 第47-50页 |
| 5 实证分析 | 第50-66页 |
| 5.1 业务理解 | 第50-51页 |
| 5.2 数据理解 | 第51-52页 |
| 5.3 数据准备 | 第52-53页 |
| 5.4 在线零售企业顾客细分模型的建立 | 第53-61页 |
| 5.4.1 RFM价值计算 | 第53-55页 |
| 5.4.2 熵权计算 | 第55-57页 |
| 5.4.3 基于叉熵的K-means聚类 | 第57-59页 |
| 5.4.4 结果与解释 | 第59-61页 |
| 5.5 顾客细分结果与分析 | 第61-64页 |
| 5.5.1 数据处理 | 第61页 |
| 5.5.2 熵值计算 | 第61-62页 |
| 5.5.3 聚类结果及分析 | 第62-64页 |
| 5.6 小结 | 第64-66页 |
| 6 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 附录 | 第72页 |