数据挖掘在电信客户流失预测中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 引言 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-16页 |
| 1.2.1 国内研究现状 | 第12-13页 |
| 1.2.2 国外研究现状 | 第13-16页 |
| 1.3 研究目的和意义 | 第16页 |
| 1.4 研究内容和本文框架 | 第16-18页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 本文框架 | 第17-18页 |
| 第2章 客户流失和数据挖掘 | 第18-27页 |
| 2.1 客户流失 | 第18页 |
| 2.2 客户流失的原因 | 第18-19页 |
| 2.3 客户关系管理 | 第19-21页 |
| 2.3.1 入站式维系 | 第19-20页 |
| 2.3.2 维系营销 | 第20-21页 |
| 2.3.3 结构维系 | 第21页 |
| 2.4 商业智能 | 第21-22页 |
| 2.5 数据挖掘方法 | 第22-27页 |
| 2.5.1 商业理解 | 第23页 |
| 2.5.2 数据理解 | 第23页 |
| 2.5.3 数据准备 | 第23-24页 |
| 2.5.4 建模 | 第24-25页 |
| 2.5.5 评估 | 第25-26页 |
| 2.5.6 部署 | 第26-27页 |
| 第3章 WEKA和本文研究方法 | 第27-31页 |
| 3.1 WEKA | 第27页 |
| 3.2 本文研究方法 | 第27-31页 |
| 3.2.1 属性选择 | 第27-28页 |
| 3.2.2 可视化 | 第28-29页 |
| 3.2.3 分类预测模型 | 第29页 |
| 3.2.4 各分类器结果对比及分析 | 第29页 |
| 3.2.5 错误分类的数据 | 第29-31页 |
| 第4章 基于WEKA的客户流失预测的实证研究 | 第31-59页 |
| 4.1 商业理解 | 第31-33页 |
| 4.1.1 定义客户流失 | 第31-32页 |
| 4.1.2 选取预测对象和数据 | 第32-33页 |
| 4.1.3 制定预测目标 | 第33页 |
| 4.2 数据描述 | 第33页 |
| 4.3 数据预处理 | 第33-36页 |
| 4.4 属性选择 | 第36-38页 |
| 4.5 可视化 | 第38-43页 |
| 4.5.1 单独可视化所有属性 | 第38-39页 |
| 4.5.2 两种属性同时可视化 | 第39-43页 |
| 4.6 分类预测模型 | 第43-54页 |
| 4.6.1 决策树J48 | 第43-50页 |
| 4.6.2 决策树LMT | 第50-52页 |
| 4.6.3 朴素贝叶斯 | 第52-53页 |
| 4.6.4 神经网络 | 第53-54页 |
| 4.7 各分类器结果对比及分析 | 第54-55页 |
| 4.8 流失与非流失检验规则 | 第55-58页 |
| 4.9 小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
