数据挖掘在银行顾客关系管理中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第13-23页 |
| 1.1 研究背景 | 第13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-20页 |
| 1.3.1 数据挖掘 | 第14-16页 |
| 1.3.2 银行客户生命周期理论 | 第16-17页 |
| 1.3.3 数据挖掘在客户关系管理中的应用 | 第17-20页 |
| 1.4 研究内容与论文结构 | 第20-21页 |
| 1.4.1 研究内容 | 第20-21页 |
| 1.4.2 论文结构 | 第21页 |
| 1.5 论文主要创新点 | 第21-23页 |
| 第2章 数据挖掘技术 | 第23-27页 |
| 2.1 数据挖掘的概念 | 第23-24页 |
| 2.1.1 数据挖掘的定义 | 第23页 |
| 2.1.2 数据挖掘与传统数据分析方法的区别 | 第23-24页 |
| 2.2 数据挖掘过程与功能 | 第24-26页 |
| 2.2.1 数据挖掘过程 | 第24-25页 |
| 2.2.2 数据挖掘的功能 | 第25-26页 |
| 2.3 小结 | 第26-27页 |
| 第3章 银行客户价值评价模型 | 第27-33页 |
| 3.1 银行客户价值评价体系的构建原则与思路 | 第27-28页 |
| 3.1.1 客户价值评价体系的构建原则 | 第27页 |
| 3.1.2 客户价值评价体系的构建思路 | 第27-28页 |
| 3.2 银行客户价值评价模型 | 第28-29页 |
| 3.2.1 评价指标体系 | 第28页 |
| 3.2.2 评价指标权重 | 第28-29页 |
| 3.3 案例分析 | 第29-32页 |
| 3.3.1 指标赋权 | 第30页 |
| 3.3.2 价值评价模型实现 | 第30-31页 |
| 3.3.3 营销策略与建议 | 第31-32页 |
| 3.4 小结 | 第32-33页 |
| 第4章 银行客户细分模型 | 第33-44页 |
| 4.1 客户细分意义与方法 | 第33-34页 |
| 4.1.1 客户细分的意义 | 第33页 |
| 4.1.2 客户细分的方法 | 第33-34页 |
| 4.2 聚类分析算法的改进与实现 | 第34-38页 |
| 4.2.1 K-means算法 | 第34-35页 |
| 4.2.2 消除噪声和孤立点数据 | 第35页 |
| 4.2.3 合适的K值选择 | 第35-36页 |
| 4.2.4 初始中心的优化 | 第36-37页 |
| 4.2.5 改进的Kmeans算法描述 | 第37-38页 |
| 4.3 改进K-means聚类算法性能分析 | 第38-39页 |
| 4.4 案例分析 | 第39-42页 |
| 4.4.1 客户属性选择 | 第39-40页 |
| 4.4.2 数据处理 | 第40-41页 |
| 4.4.3 细分模型实现 | 第41页 |
| 4.4.4 营销策略与建议 | 第41-42页 |
| 4.5 小结 | 第42-44页 |
| 第5章 银行产品交叉销售分析模型 | 第44-53页 |
| 5.1 银行产品实施交叉销售的条件分析 | 第44-45页 |
| 5.1.1 银行产品实施交叉销售的必要性 | 第44页 |
| 5.1.2 银行行业实施交叉销售的可行性 | 第44-45页 |
| 5.2 关联规则挖掘概述与实现 | 第45-48页 |
| 5.2.1 关联规则概念 | 第45-46页 |
| 5.2.2 Apriori算法概述 | 第46页 |
| 5.2.3 Apriori算法改进 | 第46-48页 |
| 5.3 改进Apriori算法的性能分析 | 第48-49页 |
| 5.4 案例分析 | 第49-51页 |
| 5.4.1 属性选择 | 第50页 |
| 5.4.2 银行产品交叉销售分析的实现 | 第50-51页 |
| 5.4.3 营销策略与建议 | 第51页 |
| 5.5 小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |
