基于数据挖掘的客户智能研究
摘要 | 第1-9页 |
Abstract | 第9-20页 |
引言 | 第20-31页 |
·写作的背景和意义 | 第20-23页 |
·问题的提出 | 第20-22页 |
·写作的目的和意义 | 第22-23页 |
·国内外相关研究现状分析 | 第23-29页 |
·客户智能的研究现状 | 第23-27页 |
·数据挖掘的研究现状 | 第27-28页 |
·数据挖掘与客户智能的结合 | 第28-29页 |
·研究的方法和内容 | 第29-31页 |
·研究方法和思路 | 第29-30页 |
·论文的主要内容和结构 | 第30-31页 |
1 客户智能基本理论 | 第31-60页 |
·客户智能产生的背景 | 第31-33页 |
·市场竞争环境的变化 | 第31-32页 |
·“知识=资产”新观念的建立 | 第32-33页 |
·信息技术发展带来的挑战和机遇 | 第33页 |
·客户智能的定义 | 第33-35页 |
·客户智能的本质 | 第35-41页 |
·客户知识 | 第36-38页 |
·客户价值 | 第38-41页 |
·客户智能的理论基础 | 第41-49页 |
·客户理论 | 第41-42页 |
·知识管理理论 | 第42-44页 |
·商务智能理论 | 第44-47页 |
·客户智能与CRM、CKM 的关系 | 第47-49页 |
·客户智能的支撑技术 | 第49-57页 |
·数据挖掘技术 | 第49-52页 |
·数据仓库和OLAP 技术 | 第52-56页 |
·人工智能技术 | 第56-57页 |
·客户智能的功能和优势 | 第57-60页 |
·客户智能的功能 | 第57-58页 |
·客户智能的优势 | 第58-60页 |
2 基于数据挖掘的客户智能体系 | 第60-122页 |
·基于数据挖掘的客户智能体系结构 | 第60-61页 |
·客户分析理论与方法 | 第61-81页 |
·客户生命周期分析 | 第62-68页 |
·客户价值分析 | 第68-73页 |
·客户满意度分析 | 第73-76页 |
·客户忠诚度分析 | 第76-81页 |
·客户数据源 | 第81-85页 |
·企业内部客户数据源 | 第81-84页 |
·企业外部客户数据源 | 第84-85页 |
·客户信息的多维组织 | 第85-96页 |
·客户信息视图 | 第85-89页 |
·客户数据仓库系统 | 第89-93页 |
·客户信息的整合 | 第93-96页 |
·客户知识发现的基本方法 | 第96-120页 |
·统计回归 | 第96-98页 |
·聚类 | 第98-108页 |
·决策树 | 第108-113页 |
·神经网络 | 第113-115页 |
·关联规则挖掘 | 第115-118页 |
·遗传算法 | 第118-120页 |
·客户管理决策 | 第120-122页 |
·战略决策 | 第120页 |
·战术决策 | 第120-122页 |
3 基于数据挖掘的客户智能方法论 | 第122-173页 |
·基于数据挖掘的客户智能流程 | 第122-126页 |
·客户智能中的挖掘目标分析 | 第126-136页 |
·识别业务相关者 | 第127-129页 |
·识别业务需求 | 第129-131页 |
·设定业务分析目标 | 第131-132页 |
·分析数据挖掘环境 | 第132-134页 |
·确定数据挖掘目标 | 第134-135页 |
·制定客户智能项目计划 | 第135-136页 |
·客户智能中的数据准备 | 第136-152页 |
·客户数据的选择 | 第136-137页 |
·客户数据的检验 | 第137-140页 |
·客户数据的修复 | 第140-143页 |
·客户数据的转换 | 第143-148页 |
·准备建模数据集 | 第148-152页 |
·客户智能中的数据挖掘建模 | 第152-173页 |
·建立初始数据挖掘模型 | 第152-157页 |
·检测初始数据挖掘模型 | 第157-173页 |
4 基于数据挖掘的客户知识获取与预测 | 第173-191页 |
·贯穿客户生命周期的数据挖掘 | 第173-175页 |
·基于生命周期的客户类型 | 第173-174页 |
·围绕生命周期的客户业务活动 | 第174-175页 |
·数据挖掘对生命周期各阶段的支持 | 第175页 |
·客户盈利能力分析 | 第175-178页 |
·评价客户盈利能力 | 第176页 |
·预测潜在客户的未来盈利能力 | 第176-177页 |
·预测客户盈利能力的变化 | 第177页 |
·以客户盈利能力为导向的市场策略 | 第177-178页 |
·客户响应预测 | 第178-182页 |
·客户响应行为模式 | 第179-180页 |
·潜在客户的数据 | 第180-181页 |
·建立响应预测模型 | 第181-182页 |
·客户细分 | 第182-185页 |
·客户细分的意义 | 第183页 |
·数据驱动的细分 | 第183-184页 |
·数据挖掘在客户细分中的应用 | 第184-185页 |
·客户细分的应用策略 | 第185页 |
·客户增值消费预测 | 第185-188页 |
·客户消费习惯数据 | 第186页 |
·建立交叉销售预测模型 | 第186-188页 |
·客户流失预测 | 第188-191页 |
·客户流失数据 | 第188-189页 |
·建立流失预测模型 | 第189-191页 |
5 基于数据挖掘的客户智能应用实例 | 第191-210页 |
·实例说明 | 第191-193页 |
·业务目标和数据说明 | 第191-192页 |
·工具软件说明 | 第192-193页 |
·分析过程 | 第193-210页 |
·创建工程 | 第193-194页 |
·定义数据源 | 第194-195页 |
·探察数据 | 第195-197页 |
·准备建模数据集 | 第197-203页 |
·建立数据挖掘模型 | 第203-206页 |
·评估模型 | 第206-207页 |
·应用模型 | 第207-210页 |
6 结束语 | 第210-212页 |
·总结 | 第210-211页 |
·展望 | 第211-212页 |
参考文献 | 第212-222页 |
读博期间相关科研成果 | 第222页 |