數據挖掘技術在銀行客戶關係管理中的套用

數據挖掘技術在銀行客戶關係管理中的套用

《數據挖掘技術在銀行客戶關係管理中的套用》是2020年1月吉林大學出版社出版的圖書,作者是郭俊鳳、曹瑜。

基本介紹

  • 書名:數據挖掘技術在銀行客戶關係管理中的套用
  • 作者:郭俊鳳、曹瑜
  • 類別:金融投資
  • 出版社:吉林大學出版社
  • 出版時間:2020年1月
  • 定價:58 元
  • 開本:16 開
  • 裝幀:平裝
  • ISBN:9787569253993
內容簡介,圖書目錄,

內容簡介

  《數據挖掘技術在銀行客戶關係管理中的套用》運用數據挖掘技術進行銀行客戶關係及行為的分析、重點客戶發現、客戶借貸情況預測分析和客戶惡意傾向分析。通過分析找到各類數據之間的聯繫,並設計出能夠衡量客戶需求、忠誠度、風險度、信用度、盈利能力和滿意度等指標,使銀行的數據資源得以最佳化;能夠為優質的客戶提供令他們滿意的服務,為去講雅體銀行的高層決策人員提供準確的客戶分類、忠誠度、盈利能力及潛在用戶等有用信息;指導決策者制定的銀行行銷策略、降低銀行運營成本、增加利潤,促進銀行業務的加速發展。

圖書目錄

第1章 緒論
1.1 選題依據
1.2 研究背景和意義
1.3 **外研究現狀
1.3.1 數據挖掘研究現狀
1.3.2 客戶關係管理研究現狀
1.3.3 數據挖掘在客戶關係管理中的套用現狀
1.4 研究方法
1.5 系統的B/S模式
1.6 本章小結
第2章 相關理論
2.1 數據挖掘
2.1.1 數據挖掘的提出
2.1.2 數據挖掘的定義
2.1.3 數據挖掘的分類
2.1.4 數據挖掘在行業中的套用
2.2 分散式數據挖掘
2.3 客戶料台關係管理
2.3.1 CRM的基本概念
2.3.2 CRM的目標
2.3.3 CRM的櫃糊廈分類
2.4 銀行客戶關係管理
2.4.1 銀行客戶關係管理的內涵與目標
2.4.2 銀行客戶關係管理的實施內容
2.5 本章小結
第3章 數據倉庫
3.1 基本概念及特徵
3.2 數據倉庫的體系化環境
3.2.1 自頂向下的數據倉庫環境
3.2.2 數據集市
3.2.3 數據倉庫的組成部分
3.3 數據倉庫建模及設計方式
3.3.1 數據倉庫建模方式埋盛刪
3.3.2 數據倉庫設計方式
3.4 數據倉庫的模型設計
3.4.1 數據倉庫的概念模型
3.4.2 數據倉庫的邏輯模型
3.4.3 數據倉庫的物理模型
3.5 建立數據倉庫的必要性
3.6 數據倉庫的層次結構
3.6.1 數據獲取層
3.6.2 數據存儲層
3.6.3 數據挖掘層
3.7 數據倉庫的實現策略
3.7.1 “自底向上”模式
3.7.2 “自頂向下”模式
3.7.3 “平行開發”模式
3.8 數據倉庫的使用和維護
3.8.1 建立數據倉庫套用系統
3.8.2 維護數據倉庫
3.9 OLAP、數據倉庫及數據挖掘之間的關係
3.10 本章小結
第4章 分散式關聯規則挖掘
4.1 關聯規則問題描述
4.2 關聯規則挖掘算法
4.2.1 經典頻繁項集挖掘算法Apriori
4.2.2 改進的頻繁項集挖掘算法
4.2.3 *大頻繁項集挖掘
4.3 分散式關聯規則挖掘基本原理
4.4 分散式關聯規則挖掘算法
4.4.1 CD和PDM算法
4.4.2 FDM算法
4.4.3 DDM算法
4.4.4 PDDM算法
4.5 本章小結
第5章 分散式關聯規則挖掘改進策略
5.1 頻繁項集挖掘存在的問題及解決辦法
5.2 分散式關聯規淚只紙汗則挖掘算法評價
5.3 算法的通信複雜度及分析
5.4 分散式關聯規則挖掘算法實驗
5.5 分散式關聯規則挖掘改進策略
5.6 本章小結
第6章 基於被約束子樹的分散式關聯規則挖掘改進算法
6.1 問題描述
6.2 FP_樹及算法
6.2.1 FP_樹
6.2.2 FP_growth算法
6.3 基於被約束子樹的單機*大頻繁項集挖掘改進算法
6.3.1 被約束子樹
6.3.2 MFI_樹
6.3.3 單機*大頻繁項集挖掘改進算法
6.4 基於被約束子樹的分散式關聯規則挖掘改進算法
6.4.1 EDMCST算法
6.4.2 EDMCST算法分腳朽邀析與實驗結果
6.5 本章小結
第7章 EDMCST算法在銀行客戶關係管理中的套用
7.1 系統體系結構
7.2 銀行客戶關係挖掘任務實現
7.2.1 數據清理
7.2.2 數據清洗
7.2.3 數據處理
7.2.4 數據變換
7.2.5 全局*大頻繁項集挖掘
7.2.6 全局關聯規則的生成說喇捆與評估
7.2.7 挖掘結果
7.3 本章小結
第8章 決策樹算法在銀行客戶關係管理中的套用
8.1 基於決策樹的客戶分類
8.1.1 算法選擇依據
8.1.2 決策樹方法介紹
8.1.3 ID3算法實現
8.1.4 決策樹算法用於客戶分類
8.2 基於決策樹技術的客戶保持
8.2.1 構造訓練集
8.2.2 銀行客戶保持決策樹算法
8.2.3 客戶特徵分析
8.3 選用決策樹的優勢
8.4 基於數據挖掘算法的決策支持系統的最佳化研究
8.4.1 最佳化基礎
8.4.2 SR算法
8.5 本章小結
第9章 銀行客戶關係管理系統的分析
9.1 系統設計目標
9.2 系統業務邏輯分析
9.3 系統功能需求分析
9.3.1 客戶信息管理功能需求
9.3.2 客戶服務管理需求分析
9.3.3 客戶信息分類模組需求分析
9.3.4 客戶信息分析的需求
9.4 系統非功能需求分析
9.5 本章小結
第10章 銀行客戶關係管理系統的設計
10.1 系統總體設計
10.1.1 系統設計的目標
10.1.2 系統設計的原則
10.1.3 系統總體框架
10.1.4 資料庫設計
10.2 系統詳細設計
10.2.1 客戶信息管理模組
10.2.2 客戶服務管理模組
10.2.3 客戶信息分類模組
10.2.4 客戶信息分析模組
10.3 本章小結
第11章 銀行客戶關係管理系統的實現
11.1 客戶信息管理模組
11.2 客戶服務管理模組
11.3 客戶貢獻度管理模組
11.4 客戶行為分析模組
11.5 本章小結
結論
參考文獻
4.2.2 改進的頻繁項集挖掘算法
4.2.3 *大頻繁項集挖掘
4.3 分散式關聯規則挖掘基本原理
4.4 分散式關聯規則挖掘算法
4.4.1 CD和PDM算法
4.4.2 FDM算法
4.4.3 DDM算法
4.4.4 PDDM算法
4.5 本章小結
第5章 分散式關聯規則挖掘改進策略
5.1 頻繁項集挖掘存在的問題及解決辦法
5.2 分散式關聯規則挖掘算法評價
5.3 算法的通信複雜度及分析
5.4 分散式關聯規則挖掘算法實驗
5.5 分散式關聯規則挖掘改進策略
5.6 本章小結
第6章 基於被約束子樹的分散式關聯規則挖掘改進算法
6.1 問題描述
6.2 FP_樹及算法
6.2.1 FP_樹
6.2.2 FP_growth算法
6.3 基於被約束子樹的單機*大頻繁項集挖掘改進算法
6.3.1 被約束子樹
6.3.2 MFI_樹
6.3.3 單機*大頻繁項集挖掘改進算法
6.4 基於被約束子樹的分散式關聯規則挖掘改進算法
6.4.1 EDMCST算法
6.4.2 EDMCST算法分析與實驗結果
6.5 本章小結
第7章 EDMCST算法在銀行客戶關係管理中的套用
7.1 系統體系結構
7.2 銀行客戶關係挖掘任務實現
7.2.1 數據清理
7.2.2 數據清洗
7.2.3 數據處理
7.2.4 數據變換
7.2.5 全局*大頻繁項集挖掘
7.2.6 全局關聯規則的生成與評估
7.2.7 挖掘結果
7.3 本章小結
第8章 決策樹算法在銀行客戶關係管理中的套用
8.1 基於決策樹的客戶分類
8.1.1 算法選擇依據
8.1.2 決策樹方法介紹
8.1.3 ID3算法實現
8.1.4 決策樹算法用於客戶分類
8.2 基於決策樹技術的客戶保持
8.2.1 構造訓練集
8.2.2 銀行客戶保持決策樹算法
8.2.3 客戶特徵分析
8.3 選用決策樹的優勢
8.4 基於數據挖掘算法的決策支持系統的最佳化研究
8.4.1 最佳化基礎
8.4.2 SR算法
8.5 本章小結
第9章 銀行客戶關係管理系統的分析
9.1 系統設計目標
9.2 系統業務邏輯分析
9.3 系統功能需求分析
9.3.1 客戶信息管理功能需求
9.3.2 客戶服務管理需求分析
9.3.3 客戶信息分類模組需求分析
9.3.4 客戶信息分析的需求
9.4 系統非功能需求分析
9.5 本章小結
第10章 銀行客戶關係管理系統的設計
10.1 系統總體設計
10.1.1 系統設計的目標
10.1.2 系統設計的原則
10.1.3 系統總體框架
10.1.4 資料庫設計
10.2 系統詳細設計
10.2.1 客戶信息管理模組
10.2.2 客戶服務管理模組
10.2.3 客戶信息分類模組
10.2.4 客戶信息分析模組
10.3 本章小結
第11章 銀行客戶關係管理系統的實現
11.1 客戶信息管理模組
11.2 客戶服務管理模組
11.3 客戶貢獻度管理模組
11.4 客戶行為分析模組
11.5 本章小結
結論
參考文獻

相關詞條

熱門詞條

聯絡我們