| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 引言 | 第9-14页 |
| ·课题背景介绍 | 第9页 |
| ·现状和发展前景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·课题来源 | 第11页 |
| ·本人任务 | 第11-13页 |
| ·论文结构 | 第13-14页 |
| 第二章 数据挖掘相关技术及SPSS Clementine介绍 | 第14-24页 |
| ·数据挖掘基本概念 | 第14-18页 |
| ·技术上的定义及含义 | 第14页 |
| ·商业角度的定义 | 第14-15页 |
| ·数据挖掘常用的方法 | 第15-16页 |
| ·数据挖掘的功能 | 第16-17页 |
| ·数据挖掘应用 | 第17-18页 |
| ·数据挖掘在客户关系管理中的应用 | 第18-20页 |
| ·进行客户分类 | 第18页 |
| ·进行客户识别和保留 | 第18-20页 |
| ·SPSS Clementine简介 | 第20-24页 |
| ·Clementine性能概述 | 第20页 |
| ·CRISP-DM标准的商业流程 | 第20-22页 |
| ·Clementine与SAS的比较 | 第22-24页 |
| 第三章 客户细分模型和客户响应预测模型的研究与设计 | 第24-38页 |
| ·客户细分模型 | 第24-30页 |
| ·客户细分 | 第24页 |
| ·客户细分模型 | 第24-26页 |
| ·K-means算法 | 第26-27页 |
| ·客户细分聚类模型算法和原始数据的选择 | 第27-30页 |
| ·客户响应预测模型 | 第30-38页 |
| ·客户响应 | 第30页 |
| ·客户响应预测模型 | 第30-31页 |
| ·决策树算法 | 第31-33页 |
| ·神经网络 | 第33-34页 |
| ·客户响应预测模型算法和原始数据的选择 | 第34-38页 |
| 第四章 广告客户数据挖掘模型的实现 | 第38-48页 |
| ·客户细分模型的实现 | 第38-44页 |
| ·客户细分模型的数据准备 | 第38-39页 |
| ·客户细分模型的建立 | 第39-44页 |
| ·客户响应预测模型的实现 | 第44-48页 |
| ·客户响应预测模型的数据准备 | 第44-45页 |
| ·客户响应预测模型的建立 | 第45-48页 |
| 第五章 广告客户数据挖掘模型的分析 | 第48-55页 |
| ·模型评估 | 第48-53页 |
| ·聚类模型评估 | 第48-51页 |
| ·客户响应预测模型评估 | 第51-53页 |
| ·确定下一步工作 | 第53-55页 |
| 第六章 结束语 | 第55-58页 |
| ·项目总结报告 | 第55-56页 |
| ·论文工作总结 | 第56页 |
| ·工作展望 | 第56-58页 |
| 参考文献 | 第58-59页 |
| 致谢 | 第59页 |