| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第14-18页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 国内外概况 | 第15-16页 |
| 1.2.1 数据挖掘技术国内外概况 | 第15页 |
| 1.2.2 国内外数据挖掘技术的应用情况与发展趋势 | 第15-16页 |
| 1.3 论文主要工作 | 第16-17页 |
| 1.4 论文的结构 | 第17-18页 |
| 2 客户关系管理简介 | 第18-25页 |
| 2.1 客户关系管理概述 | 第18-21页 |
| 2.1.1 客户关系管理的基本概念 | 第18-20页 |
| 2.1.2 客户关系管理系统的结构及组成 | 第20-21页 |
| 2.2 CRM应用系统的分类 | 第21-23页 |
| 2.2.1 操作型CRM应用 | 第22页 |
| 2.2.2 分析型CRM应用 | 第22页 |
| 2.2.3 协作型CRM应用 | 第22-23页 |
| 2.3 客户关系管理系统的发展趋势 | 第23-25页 |
| 3 数据挖掘技术 | 第25-39页 |
| 3.1 提出数据挖掘技术的背景 | 第25页 |
| 3.2 数据挖掘技术的发展过程 | 第25-26页 |
| 3.3 数据挖掘的定义 | 第26-27页 |
| 3.4 数据挖掘的功能 | 第27-30页 |
| 3.4.1 概念描述 | 第27-28页 |
| 3.4.2 关联分析 | 第28页 |
| 3.4.3 分类与预测 | 第28-29页 |
| 3.4.4 聚类分析 | 第29页 |
| 3.4.5 异类分析 | 第29-30页 |
| 3.4.6 演化分析 | 第30页 |
| 3.5 数据挖掘中的常用技术 | 第30-34页 |
| 3.5.1 人工神经网络 | 第30页 |
| 3.5.2 决策树 | 第30-33页 |
| 3.5.3 遗传算法 | 第33页 |
| 3.5.4 最近邻算法 | 第33页 |
| 3.5.5 关联规则 | 第33页 |
| 3.5.6 数据管道 | 第33-34页 |
| 3.5.7 粗集理论 | 第34页 |
| 3.5.8 贝叶斯网络 | 第34页 |
| 3.6 数据挖掘过程模型 | 第34-37页 |
| 3.6.1 挖掘过程模型Fayyad | 第35-36页 |
| 3.6.2 挖掘过程模型CRISP-DM | 第36-37页 |
| 3.7 数据挖掘在CRM中的应用 | 第37-39页 |
| 4 CRM中的客户流失分析 | 第39-49页 |
| 4.1 客户流失的概念 | 第39-40页 |
| 4.2 数据挖掘的目标 | 第40页 |
| 4.3 数据准备 | 第40-49页 |
| 4.3.1 数据收集 | 第40-42页 |
| 4.3.2 数据预处理 | 第42-49页 |
| 5 建立客户流失分析模型 | 第49-59页 |
| 5.1 需求描述 | 第49-50页 |
| 5.2 改进的C4.5算法 | 第50-54页 |
| 5.3 模型评估 | 第54-55页 |
| 5.4 选择挖掘工具 | 第55-57页 |
| 5.5 模型对客户流失的指导意义 | 第57-59页 |
| 6 数据挖掘在商业银行客户流失预测中的应用 | 第59-71页 |
| 6.1 商业理解 | 第59-61页 |
| 6.1.1 财务原因主动流失 | 第59-60页 |
| 6.1.2 非财务原因主动流失 | 第60页 |
| 6.1.3 非财务原因被动流失 | 第60页 |
| 6.1.4 分析模型要解决的商业问题 | 第60-61页 |
| 6.2 数据理解 | 第61-64页 |
| 6.2.1 确定相关数据 | 第61页 |
| 6.2.2 数据描述 | 第61-62页 |
| 6.2.3 数据清洗及探索 | 第62-64页 |
| 6.3 数据准备 | 第64-65页 |
| 6.3.1 数据选择 | 第64-65页 |
| 6.3.2 数据聚合 | 第65页 |
| 6.3.3 数据抽样 | 第65页 |
| 6.4 数据修正 | 第65-66页 |
| 6.5 模型的建立 | 第66-69页 |
| 6.6 模型评估检验 | 第69-71页 |
| 6.6.1 测试数据集的选择 | 第69页 |
| 6.6.2 评估模型质量的标准 | 第69-70页 |
| 6.6.3 模型评估 | 第70-71页 |
| 结论 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 作者简介及读研期间主要科研成果 | 第76页 |