| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 保险业目前大数据现状 | 第8-10页 |
| 1.1.1 大数据来临下的数据资源竞争 | 第8-9页 |
| 1.1.2 保险业大数据现状与影响展望 | 第9页 |
| 1.1.3 保险业数据挖掘技术应用情况 | 第9-10页 |
| 1.2 数据挖掘技术对保险业的重要意义 | 第10-12页 |
| 1.2.1 大数据时代促进金融业数据挖掘技术应用 | 第10页 |
| 1.2.2 保险业强大的用户信息资源是数据挖掘的基础 | 第10-11页 |
| 1.2.3 数据挖掘是促进保险业未来发展的必备手段 | 第11-12页 |
| 1.3 客户关系管理中的客户细分 | 第12-16页 |
| 1.3.1 基于数据仓库的客户关系管理系统设计 | 第12-13页 |
| 1.3.2 数据挖掘在客户关系管理中的应用 | 第13-15页 |
| 1.3.3 保险业的客户细分需求 | 第15-16页 |
| 第二章 数据挖掘在保险行业客户分析中的应用 | 第16-25页 |
| 2.1 数据挖掘概述 | 第16-18页 |
| 2.1.1 数据挖掘的概念 | 第16页 |
| 2.1.2 数据挖掘的一般步骤 | 第16-17页 |
| 2.1.3 数据挖掘的过程模型 | 第17-18页 |
| 2.2 数据挖掘工具 | 第18-19页 |
| 2.2.1 数据挖掘工具的现状 | 第18页 |
| 2.2.2 数据挖掘工具的选择 | 第18-19页 |
| 2.3 数据挖掘在数据分析中所运用的方法 | 第19-22页 |
| 2.3.1 分类和预测 | 第20页 |
| 2.3.2 回归分析 | 第20-21页 |
| 2.3.3 聚类分析 | 第21页 |
| 2.3.4 关联规则 | 第21-22页 |
| 2.4 数据挖掘在保险行业客户分析中的典型应用 | 第22-25页 |
| 2.4.1 数据挖掘技术在保险客户分析中的作用 | 第22-23页 |
| 2.4.2 数据挖掘技术在保险客户分析中的典型应用 | 第23-25页 |
| 第三章 应用数据挖掘工具对寿险客户进行细分 | 第25-48页 |
| 3.1 数据预处理 | 第25-26页 |
| 3.2 数据挖掘过程 | 第26页 |
| 3.3 根据决策树算法C5.0对客户细分进行建模 | 第26-34页 |
| 3.3.1 C5.0算法概述 | 第26-28页 |
| 3.3.2 运用决策树C5.0算法对样本进行分析 | 第28-34页 |
| 3.4 根据聚类分析的算法K-Means对客户细分进行建模 | 第34-38页 |
| 3.4.1 K-Means算法的概述 | 第34-35页 |
| 3.4.2 运用K-Means算法对样本进行聚类分析 | 第35-38页 |
| 3.5 根据回归性分析对客户细分进行建模 | 第38-42页 |
| 3.5.1 回归性分析概述 | 第38页 |
| 3.5.2 运用二项回归分析对样本进行分析 | 第38-42页 |
| 3.6 利用关联规则对客户进行细分 | 第42-45页 |
| 3.6.1 关联规则概述 | 第42-43页 |
| 3.6.2 运用Apriori算法对样本进行分析 | 第43-45页 |
| 3.7 对四种模型的综合评价 | 第45-48页 |
| 第四章 总结 | 第48-53页 |
| 4.1 本次研究的主要工作 | 第48-49页 |
| 4.1.1 寻找目标客户群体 | 第48页 |
| 4.1.2 从客户角度实现产品组合预测性挖掘 | 第48-49页 |
| 4.1.3 为决策者的决策提供支持 | 第49页 |
| 4.2 课题研究的局限性 | 第49-51页 |
| 4.2.1 本课题建模客户数据来源单一 | 第49-50页 |
| 4.2.2 本课题采集客户数据质量有待提高 | 第50页 |
| 4.2.3 本课题尚缺乏技术上的统一指标及建模标准 | 第50-51页 |
| 4.3 后续工作 | 第51-53页 |
| 4.3.1 加强理论研究,追踪数据挖掘的发展方向 | 第51页 |
| 4.3.2 利用数据挖掘技术,进一步做好客户细分研究 | 第51页 |
| 4.3.3 逐步构造智能型数据挖掘,实现全面数据管理 | 第51-52页 |
| 4.3.4 加强系统技术控制,提高数据源质量 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56页 |
