第1章 绪论
1.1 选题依据
1.2 研究背景和意义
1.3 **外研究现状
1.3.1 数据挖掘研究现状
1.3.2 客户关系管理研究现状
1.3.3 数据挖掘在客户关系管理中的应用现状
1.4 研究方法
1.5 系统的B/S模式
1.6 本章小结
第2章 相关理论
2.1 数据挖掘
2.1.1 数据挖掘的提出
2.1.2 数据挖掘的定义
2.1.3 数据挖掘的分类
2.1.4 数据挖掘在行业中的应用
2.2 分布式数据挖掘
2.3 客户关系管理
2.3.1 CRM的基本概念
2.3.2 CRM的目标
2.3.3 CRM的分类
2.4 银行客户关系管理
2.4.1 银行客户关系管理的内涵与目标
2.4.2 银行客户关系管理的实施内容
2.5 本章小结
第3章 数据仓库
3.1 基本概念及特征
3.2 数据仓库的体系化环境
3.2.1 自顶向下的数据仓库环境
3.2.2 数据集市
3.2.3 数据仓库的组成部分
3.3 数据仓库建模及设计方式
3.3.1 数据仓库建模方式
3.3.2 数据仓库设计方式
3.4 数据仓库的模型设计
3.4.1 数据仓库的概念模型
3.4.2 数据仓库的逻辑模型
3.4.3 数据仓库的物理模型
3.5 建立数据仓库的必要性
3.6 数据仓库的层次结构
3.6.1 数据获取层
3.6.2 数据存储层
3.6.3 数据挖掘层
3.7 数据仓库的实现策略
3.7.1 “自底向上”模式
3.7.2 “自顶向下”模式
3.7.3 “平行开发”模式
3.8 数据仓库的使用和维护
3.8.1 建立数据仓库应用系统
3.8.2 维护数据仓库
3.9 OLAP、数据仓库及数据挖掘之间的关系
3.10 本章小结
第4章 分布式关联规则挖掘
4.1 关联规则问题描述
4.2 关联规则挖掘算法
4.2.1 经典频繁项集挖掘算法Apriori
4.2.2 改进的频繁项集挖掘算法
4.2.3 *大频繁项集挖掘
4.3 分布式关联规则挖掘基本原理
4.4 分布式关联规则挖掘算法
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 本章小结
第5章 分布式关联规则挖掘改进策略
5.1 频繁项集挖掘存在的问题及解决办法
5.2 分布式关联规则挖掘算法评价
5.3 算法的通信复杂度及分析
5.4 分布式关联规则挖掘算法实验
5.5 分布式关联规则挖掘改进策略
5.6 本章小结
第6章 基于被约束子树的分布式关联规则挖掘改进算法
6.1 问题描述
6.2 FP_树及算法
6.2.1 FP_树
6.2.2 FP_growth算法
6.3 基于被约束子树的单机*大频繁项集挖掘改进算法
6.3.1 被约束子树
6.3.2 MFI_树
6.3.3 单机*大频繁项集挖掘改进算法
6.4 基于被约束子树的分布式关联规则挖掘改进算法
6.4.1 EDMCST算法
6.4.2 EDMCST算法分析与实验结果
6.5 本章小结
第7章 EDMCST算法在银行客户关系管理中的应用
7.1 系统体系结构
7.2 银行客户关系挖掘任务实现
7.2.1 数据清理
7.2.2 数据清洗
7.2.3 数据处理
7.2.4 数据变换
7.2.5 全局*大频繁项集挖掘
7.2.6 全局关联规则的生成与评估
7.2.7 挖掘结果
7.3 本章小结
第8章 决策树算法在银行客户关系管理中的应用
8.1 基于决策树的客户分类
8.1.1 算法选择依据
8.1.2 决策树方法介绍
8.1.3 ID3算法实现
8.1.4 决策树算法用于客户分类
8.2 基于决策树技术的客户保持
8.2.1 构造训练集
8.2.2 银行客户保持决策树算法
8.2.3 客户特征分析
8.3 选用决策树的优势
8.4 基于数据挖掘算法的决策支持系统的优化研究
8.4.1 优化基础
8.4.2 SR算法
8.5 本章小结
第9章 银行客户关系管理系统的分析
9.1 系统设计目标
9.2 系统业务逻辑分析
9.3 系统功能需求分析
9.3.1 客户信息管理功能需求
9.3.2 客户服务管理需求分析
9.3.3 客户信息分类模块需求分析
9.3.4 客户信息分析的需求
9.4 系统非功能需求分析
9.5 本章小结
第10章 银行客户关系管理系统的设计
10.1 系统总体设计
10.1.1 系统设计的目标
10.1.2 系统设计的原则
10.1.3 系统总体框架
10.1.4 数据库设计
10.2 系统详细设计
10.2.1 客户信息管理模块
10.2.2 客户服务管理模块
10.2.3 客户信息分类模块
10.2.4 客户信息分析模块
10.3 本章小结
第11章 银行客户关系管理系统的实现
11.1 客户信息管理模块
11.2 客户服务管理模块
11.3 客户贡献度管理模块
11.4 客户行为分析模块
11.5 本章小结
结论
参考文献