| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外研究现状综述 | 第8-9页 |
| 1.3 研究内容 | 第9-11页 |
| 第二章 相关基础理论 | 第11-23页 |
| 2.1 数据挖掘理论 | 第11-18页 |
| 2.1.1 数据挖掘的功能 | 第11-13页 |
| 2.1.2 主要的数据挖掘方法 | 第13-15页 |
| 2.1.3 数据挖掘过程 | 第15-18页 |
| 2.2 客户细分理论 | 第18-21页 |
| 2.2.1 客户细分概述 | 第18-19页 |
| 2.2.2 客户细分的原则 | 第19-20页 |
| 2.2.3 客户细分的方法 | 第20-21页 |
| 2.3 数据挖掘在客户细分中的应用 | 第21-23页 |
| 第三章 快递行业客户细分现状分析 | 第23-28页 |
| 3.1 快递服务简述 | 第23-24页 |
| 3.2 快递行业客户细分的意义 | 第24-25页 |
| 3.3 传统的快递行业客户细分方法 | 第25-26页 |
| 3.4 快递行业客户细分评述 | 第26-28页 |
| 第四章 基于数据挖掘的快递行业客户细分理论分析 | 第28-40页 |
| 4.1 基于数据挖掘的快递行业客户细分模型构建的思路 | 第28-29页 |
| 4.2 快递行业客户细分的商业理解 | 第29-30页 |
| 4.3 确定快递行业客户细分模型的细分属性 | 第30-32页 |
| 4.3.1 快递行业客户属性 | 第30-31页 |
| 4.3.2 RFM 分析方法 | 第31-32页 |
| 4.3.3 选择模型细分属性的原则 | 第32页 |
| 4.4 数据预处理 | 第32-36页 |
| 4.4.1 数据抽取 | 第32页 |
| 4.4.2 数据清洗 | 第32-33页 |
| 4.4.3 数据转换 | 第33页 |
| 4.4.4 数据权重化 | 第33-36页 |
| 4.5 基于 K-means 算法的数据挖掘分析 | 第36-38页 |
| 4.5.1 相似度的计算 | 第36-37页 |
| 4.5.2 K-means 算法流程 | 第37-38页 |
| 4.6 挖掘结果分析 | 第38-40页 |
| 4.6.1 计算客户细分群的 R-CLV 值 | 第38页 |
| 4.6.2 聚类中心还原 | 第38-40页 |
| 第五章 A 快递公司客户细分实证分析 | 第40-55页 |
| 5.1 A 快递公司简介 | 第40页 |
| 5.2 A 快递公司客户细分现状 | 第40-42页 |
| 5.2.1 根据地域属性细分 | 第40页 |
| 5.2.2 根据资费属性细分 | 第40-41页 |
| 5.2.3 根据客户性质细分 | 第41页 |
| 5.2.4 根据客户行业 | 第41-42页 |
| 5.2.5 根据公司的提供的服务细分 | 第42页 |
| 5.3 A 快递公司实施客户细分的意义 | 第42-43页 |
| 5.4 数据抽取和预处理 | 第43-48页 |
| 5.4.1 数据抽取 | 第43-44页 |
| 5.4.2 数据预处理 | 第44-46页 |
| 5.4.3 数据权重化 | 第46-48页 |
| 5.5 聚类 | 第48-49页 |
| 5.6 聚类结果分析 | 第49-50页 |
| 5.6.1 客户细分群的总 R-CLV | 第49-50页 |
| 5.6.2 聚类中心还原 | 第50页 |
| 5.7 针对性的营销策略 | 第50-55页 |
| 5.7.1 营销建议 | 第50-53页 |
| 5.7.2 大客户差异化服务策略 | 第53-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 个人简历 | 第61页 |