| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 选题背景及意义 | 第9页 |
| 1.2 国内外研究现状与发展 | 第9-12页 |
| 1.2.1 大数据分析与挖掘的发展 | 第9-10页 |
| 1.2.2 数据库营销 | 第10-11页 |
| 1.2.3 统计分析在数据库营销中的应用 | 第11-12页 |
| 1.3 本文研究内容 | 第12-14页 |
| 第二章 理论基础 | 第14-24页 |
| 2.1 数据库营销模型概述 | 第14-15页 |
| 2.2 Logistic回归模型 | 第15-20页 |
| 2.2.1 客户响应模型与Loistic回归 | 第15页 |
| 2.2.2 Loistic回归模型介绍 | 第15-20页 |
| 2.3 变量筛选中的常用统计算法概述 | 第20-22页 |
| 2.3.1 聚类算法简介 | 第20-21页 |
| 2.3.2 主成分与因子分析简介 | 第21-22页 |
| 2.4 营销效果分析及假设检验方法 | 第22-24页 |
| 第三章 基于Logistic回归的生鲜电商客户响应模型实证分析 | 第24-42页 |
| 3.1 需求介绍 | 第24页 |
| 3.2 问题定义与方法选取 | 第24页 |
| 3.3 数据准备 | 第24-27页 |
| 3.3.1 数据采集与去重 | 第24-25页 |
| 3.3.2 数据抽样 | 第25-26页 |
| 3.3.3 探索性数据分析EDA | 第26页 |
| 3.3.4 缺失值与异常值处理 | 第26-27页 |
| 3.4 变量重构 | 第27-30页 |
| 3.4.1 名义变量的数值化 | 第27-28页 |
| 3.4.2 变量分布的改善 | 第28-29页 |
| 3.4.3 连续型变量的标准化 | 第29-30页 |
| 3.4.4 连续型变量的离散化 | 第30页 |
| 3.5 变量缩减 | 第30-32页 |
| 3.5.1 一元回归 | 第30页 |
| 3.5.2 相关系数 | 第30-31页 |
| 3.5.3 主成分与因子分析 | 第31页 |
| 3.5.4 变量聚类 | 第31页 |
| 3.5.5 Ⅳ(Information Value)值 | 第31-32页 |
| 3.5.6 正向与反向逐步选择(Forward and Backward) | 第32页 |
| 3.5.7 其他缩减变量的原则 | 第32页 |
| 3.6 模型选择与优化 | 第32-34页 |
| 3.6.1 初始模型的拟合 | 第33页 |
| 3.6.2 模型调优 | 第33-34页 |
| 3.7 模型诊断 | 第34-35页 |
| 3.7.1 完全分离(Complete Separation)的定义 | 第34页 |
| 3.7.2 完全分离的诊断 | 第34-35页 |
| 3.7.3 完全分离的解决措施 | 第35页 |
| 3.8 模型解释与评价 | 第35-41页 |
| 3.8.1 模型解释 | 第35-36页 |
| 3.8.2 模型评价 | 第36-41页 |
| 3.9 营销效果评估 | 第41-42页 |
| 第四章 研究结论与展望 | 第42-44页 |
| 4.1 研究工作总结 | 第42页 |
| 4.2 不足与展望 | 第42-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-46页 |
