银行柜面智能营销系统的分析与设计
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第8-12页 |
| 1.1 研究的背景和意义 | 第8页 |
| 1.2 数据挖掘技术在银行业中的研究现状 | 第8-10页 |
| 1.2.1 国外研究现状 | 第9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.3 论文的研究内容 | 第10-12页 |
| 1.3.1 论文的主要工作 | 第10-11页 |
| 1.3.2 论文的特色和创新点 | 第11页 |
| 1.3.3 论文的组织结构 | 第11-12页 |
| 第2章 相关技术方法概述 | 第12-21页 |
| 2.1 数据挖掘的定义 | 第12页 |
| 2.2 数据挖掘的过程 | 第12-14页 |
| 2.3 数据挖掘工具 | 第14-17页 |
| 2.3.1 数据挖掘工具的分类 | 第14-15页 |
| 2.3.2 数据挖掘工具的选择 | 第15-16页 |
| 2.3.3 常见的数据挖掘工具介绍 | 第16-17页 |
| 2.4 聚类分析 | 第17-21页 |
| 2.4.1 聚类分析技术简介 | 第17-18页 |
| 2.4.2 适合银行客户细分的两种聚类算法 | 第18-19页 |
| 2.4.3 R语言中K-means算法的实现 | 第19-21页 |
| 第3章 银行客户数据的数据准备 | 第21-50页 |
| 3.1 银行客户数据的来源 | 第21-23页 |
| 3.1.1 源数据表 | 第22页 |
| 3.1.2 连接数据源 | 第22-23页 |
| 3.2 数据预处理 | 第23-50页 |
| 3.2.1 数据的质量分析与处理 | 第23-48页 |
| 3.2.2 数据变换 | 第48-50页 |
| 第4章 银行客户数据的挖掘与分析 | 第50-68页 |
| 4.1 聚类数K值的选取 | 第50-52页 |
| 4.2 使用R语言中的K-MEANS算法分析数据 | 第52-54页 |
| 4.3 聚类分析结果的评价 | 第54-56页 |
| 4.4 客户群体特征分析 | 第56-64页 |
| 4.4.1 还原数据 | 第57-59页 |
| 4.4.2 季度日均存款余额分析 | 第59-61页 |
| 4.4.3 季度交易笔数分析 | 第61-62页 |
| 4.4.4 客户类型的二维分类 | 第62-64页 |
| 4.5 基于客户细分的营销策略制定 | 第64-68页 |
| 4.5.1 高日均存款高活跃度客户的营销策略 | 第64-65页 |
| 4.5.2 高日均存款低活跃度客户的营销策略 | 第65页 |
| 4.5.3 低日均存款高活跃度客户的营销策略 | 第65-66页 |
| 4.5.4 低日均存款低活跃度客户的营销策略 | 第66-68页 |
| 第5章 系统分析与设计 | 第68-84页 |
| 5.1 系统建设目标 | 第68页 |
| 5.2 系统分析 | 第68-77页 |
| 5.2.1 系统业务流程分析 | 第68-70页 |
| 5.2.2 系统数据流图 | 第70-73页 |
| 5.2.3 系统数据字典 | 第73-77页 |
| 5.3 系统设计 | 第77-84页 |
| 5.3.1 系统总体设计 | 第77-78页 |
| 5.3.2 系统详细设计 | 第78-84页 |
| 第6章 总结和展望 | 第84-86页 |
| 6.1 本文总结 | 第84-85页 |
| 6.2 今后工作展望 | 第85-86页 |
| 参考文献 | 第86-87页 |
| 致谢 | 第87页 |
