| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-13页 |
| 1.2 研究方法与架构 | 第13-14页 |
| 1.2.1 研究内容 | 第13页 |
| 1.2.2 论文结构 | 第13-14页 |
| 1.3 论文创新点 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 研究与应用综述 | 第16-29页 |
| 2.1 精准营销研究综述 | 第16-22页 |
| 2.1.1 精准营销概念综述 | 第16-17页 |
| 2.1.2 银行常用精准营销策略综述 | 第17-22页 |
| 2.2 新零售的研究与应用综述 | 第22-27页 |
| 2.2.1 “新零售”模式产生背景 | 第22-23页 |
| 2.2.2 “新零售”模式的基础定义 | 第23-24页 |
| 2.2.3 “新零售”模式国内外应用综述 | 第24-26页 |
| 2.2.4 “新零售”模式特点 | 第26-27页 |
| 2.3 商业银行精准营销业务问题 | 第27-28页 |
| 2.3.1 实体网点精准营销存在的问题 | 第27页 |
| 2.3.2 手机银行精准营销存在的问题 | 第27-28页 |
| 2.3.3 新零售理念下银行的精准营销存在的问题 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 商业银行客户画像设计及其标签生成实例 | 第29-48页 |
| 3.1 Z银行精准营销业务问题 | 第29-30页 |
| 3.2 客户画像体系体系设计 | 第30-33页 |
| 3.2.1 客户画像构建原则 | 第30页 |
| 3.2.2 客户画像的数据来源与基础分类 | 第30-31页 |
| 3.2.3 客户画像唯一标识设计 | 第31页 |
| 3.2.4 客户画像标签层级设计 | 第31-32页 |
| 3.2.5 客户画像计算引擎 | 第32-33页 |
| 3.3 商业银行客户画像标签全景图 | 第33-36页 |
| 3.4 基于BP神经网络的客户画像标签 | 第36-46页 |
| 3.4.1 商业目标与商业理解 | 第36-37页 |
| 3.4.2 BP神经网络背景知识介绍 | 第37-40页 |
| 3.4.3 数据准备 | 第40页 |
| 3.4.4 数据预处理 | 第40-41页 |
| 3.4.5 模型构建与参数解释 | 第41-43页 |
| 3.4.6 模型评价 | 第43-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于新零售模式的商业银行精准营销系统设计 | 第48-60页 |
| 4.1 基于新零售模式的精准营销系统总体架构 | 第48-50页 |
| 4.2 全渠道数据采集系统构建 | 第50-52页 |
| 4.2.1 网点数据采集流程 | 第50-51页 |
| 4.2.2 个人渠道数据采集流程 | 第51-52页 |
| 4.3 全渠道数据共享系统构建 | 第52-55页 |
| 4.4 全渠道营销系统构建 | 第55-58页 |
| 4.4.1 营销渠道设计 | 第55-57页 |
| 4.4.2 营销内容设计 | 第57页 |
| 4.4.3 个性化推荐栏位设计 | 第57-58页 |
| 4.5 本章小结 | 第58-60页 |
| 第五章 基于客户聚类的协同过滤算法设计与实验 | 第60-71页 |
| 5.1 个性化推荐算法背景知识介绍 | 第60-64页 |
| 5.1.1 协同过滤推荐 | 第60-64页 |
| 5.1.2 混合推荐 | 第64页 |
| 5.2 基于客户基础属性聚类的协同过滤推荐算法设计 | 第64-67页 |
| 5.2.1 商业目标与算法流程改进方向 | 第64-65页 |
| 5.2.2 数据准备 | 第65页 |
| 5.2.3 数据预处理 | 第65页 |
| 5.2.4 算法流程 | 第65-67页 |
| 5.3 算法对比实验及评价 | 第67-70页 |
| 5.3.1 算法评价标准 | 第67-68页 |
| 5.3.2 算法对比实验 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 附录 | 第76-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |