商业智能数据挖掘技术提升客户服务能力研究--基于某寿险公司的案例
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究思路与方法 | 第12-13页 |
| 1.2.1 研究思路 | 第12页 |
| 1.2.2 研究方法 | 第12-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 数据挖掘相关研究综述 | 第13-16页 |
| 1.4.1 国外研究现状 | 第13-14页 |
| 1.4.2 国内研究现状 | 第14-16页 |
| 1.5 案例企业业务现状 | 第16-18页 |
| 2 主要理论基础概述 | 第18-28页 |
| 2.1 数据仓库 | 第18-22页 |
| 2.1.1 从数据库到数据仓库 | 第19页 |
| 2.1.2 数据仓库的概念 | 第19-20页 |
| 2.1.3 数据集市 | 第20-21页 |
| 2.1.4 元数据 | 第21页 |
| 2.1.5 ETL | 第21-22页 |
| 2.2 商业智能的体系结构 | 第22-23页 |
| 2.3 数据挖掘 | 第23-28页 |
| 2.3.1 数据挖掘概况 | 第24-25页 |
| 2.3.2 保险业数据挖掘使用现状 | 第25-28页 |
| 3 主要挖掘算法讨论并引出对应模型 | 第28-35页 |
| 3.1 关联规则算法 | 第28-29页 |
| 3.1.1 关联规则的定义和属性 | 第28-29页 |
| 3.1.2 关联规则的挖掘算法 | 第29页 |
| 3.2 聚类算法 | 第29-30页 |
| 3.3 分类算法 | 第30-32页 |
| 3.3.1 决策树的定义 | 第30-31页 |
| 3.3.2 特征选择 | 第31-32页 |
| 3.4 由算法引出的模型 | 第32-35页 |
| 3.4.1 交叉销售 | 第33页 |
| 3.4.2 客户关系管理 | 第33-35页 |
| 4 保险数据仓库建立 | 第35-50页 |
| 4.1 保险数据仓库简介 | 第35页 |
| 4.2 保险数据仓库的功能和结构 | 第35-37页 |
| 4.3 保险数据仓库的设计 | 第37-40页 |
| 4.3.1 设计概念模型 | 第37-39页 |
| 4.3.2 设计逻辑模型 | 第39-40页 |
| 4.4 ETL的设计及实现 | 第40-42页 |
| 4.4.1 数据的抽取 | 第41页 |
| 4.4.2 数据的清洗转换 | 第41-42页 |
| 4.4.3 数据仓库到BI平台 | 第42页 |
| 4.5 DW分析与设计实例 | 第42-50页 |
| 4.5.1 数据分布的总体架构 | 第43-46页 |
| 4.5.2 数据流转关系 | 第46-47页 |
| 4.5.3 应用数据访问关系 | 第47-48页 |
| 4.5.4 数据建模 | 第48-50页 |
| 5 数据挖掘在提升寿险公司客服能力方面的应用 | 第50-69页 |
| 5.1 寿险公司客户服务能力概述 | 第50-52页 |
| 5.1.1 寿险客户服务的特点 | 第50-51页 |
| 5.1.2 寿险客户服务的主要内容 | 第51-52页 |
| 5.2 应用数据挖掘算法对寿险客户进行细分 | 第52-60页 |
| 5.2.1 运用决策树算法进行分类 | 第52-55页 |
| 5.2.2 运用多层感知器分类 | 第55-58页 |
| 5.2.3 运用集成学习算法构建分类器及结果分析 | 第58-60页 |
| 5.3 应用数据挖掘算法对业务策略进行辅助决策 | 第60-66页 |
| 5.3.1 运用关联规则挖掘发现关联关系 | 第60-61页 |
| 5.3.2 FP-growth 算法 | 第61-63页 |
| 5.3.3 关联规则挖掘及结果分析 | 第63-66页 |
| 5.4 应用聚类分析挖掘算法发现可疑案例 | 第66-69页 |
| 5.4.1 寿险公司防范保险欺诈现状 | 第66页 |
| 5.4.2 使用K-means算法进行聚类分析 | 第66-67页 |
| 5.4.3 T-SNE降维与可视化应用及结果展示 | 第67-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74页 |
