基于信息技术的信用销售管理

论文摘要

信用销售(赊销)是基于企业对买主的信用动因和信用能力的信任,使买主无须付现就可以获得商品、服务而实现的一种销售。对客户的信用动因和信用能力的判断完全基于客户信息公开化程度。客户的信息越完整,越能准确判断客户的信用动因和信用能力。 然而,我国的企业的信息并不公开,涉及企业的信用信息分布在政府的各个部门且互不相连、不能共享;不少企业信用意识淡薄,缺乏防范信用销售风险的机制和制度。导致企业相互拖欠货款,应收帐款长期居高不下。 企业信用销售的目标是既要降低客户信用风险,又要实现最大的客户收入,两者之间存在既统一又对立的关系,但两者都是赊销企业生存发展的必要条件,也都是围绕客户进行的经营管理活动。加强信用销售管理,除有赖于社会整体信用环境的好转外,更重要的是企业内部要建立科学的信用风险防范机制。 在企业内部建立信用销售管理信息系统,可以对企业所有可能和客户相关的数据进行收集、整合、集成和实现信息共享,在此基础上,数据挖掘根据预定义的商业目标,对大量的客户数据进行探索和分析,揭示其中隐含的商业规律,并进一步生成相应的分析、预测模型。 根据一般销售企业的经营特征,在分析和选取影响客户信用的各种构成因素后,建立客户信用评价的神经网络结构,通过对大量样本的训练和学习,确定客户信用度的评估模型,能够合理和动态地评价客户信用风险。在信用评估的基础上,运用聚类分析方法,进行客户价值的定位分类,以此实现对客户进行针对性的服务和管理,更好地将公司有限的资源加以优化利用。

论文目录

• 第1章 绪论
• 1.1 信用及信用销售概述
• 1.1.1 信用概述论与实际意义
• 1.1.2 企业信用关系网
• 1.1.3 企业信用销售及信用销售管理
• 1.2 国内相关研究综述
• 1.2.1 国外信用管理理论综述
• 1.2.2 国内信用管理理论综述
• 1.3 本文的选题意义
• 1.4 本文研究思路及方法
• 第2章 我国企业信用销售风险的现状、原因探讨
• 2.1 信用销售风险概述
• 2.2 信用销售企业的经营特征
• 2.3 信用销售风险分析
• 2.3.1 信用销售风险的现状
• 2.3.2 信用销售风险的本质
• 2.3.3 信用销售风险的成因
• 第3章 信用销售管理的信息系统
• 3.1 信用销售管理信息系统的组成
• 3.1.1 信息销售管理信息系统的特点
• 3.1.2 信息销售管理信息系统的组成
• 3.2 管理信息系统建设重点之一：数据仓库
• 3.2.1 数据仓库的定义
• 3.2.2 数据仓库的体系结构
• 3.3 管理信息系统建设重点之二：客户信息数据
• 3.3.1 目前我国企业在客户信息管理工作上的问题
• 3.3.2 企业进行科学的客户信息管理的用途
• 3.3.3 客户信息档案的内容
• 3.3.4 建立客户档案的方法
• 第4章 信息技术—信用销售的使能者
• 4.1 数据挖掘概述
• 4.1.1 数据挖掘的定义
• 4.1.2 数据挖掘的特点
• 4.1.3 数据挖掘分类
• 4.2 数据挖掘的流程
• 4.2.1 流程概述
• 4.2.2 数据的预处理
• 4.2.3 数据挖掘与模型
• 4.3 数据挖掘的主要技术
• 4.3.1 神经网络分类模型
• 4.3.1.1 神经网络概述
• 4.3.1.2 神经网络输入格式
• 4.3.1.3 神经网络输出格式
• 4.3.1.4 Sigmoid函数
• 4.3.1.5 感知机模型
• 4.3.1.6 神经网络训练
• 4.3.1.7 神经网络测试
• 4.3.2 聚类分析模型
• 4.3.2.1 聚类分析的概念
• 4.3.2.2 客户价值的数据矩阵
• 4.3.2.3 k—means算法描述
• 4.3.2.4 k—means算法具体方法
• 第5章 信息技术应用的探索
• 5.1 某集团公司信用销售管理的现状
• 5.1.1 公司简介
• 5.1.2 公司信用与销售管理现状
• 5.1.2.1 信用管理信息系统方面
• 5.1.1.2 客户信用管理方面
• 5.1.2.3 信用销售管理方面
• 5.1.3 应用信息技术的需求描述
• 5.2 基础工作—管理信息系统的建立
• 5.2.1 公司管理信息系统的技术结构
• 5.2.2 公司客户信息的管理
• 5.2.2.1 客户信息的内容和分类
• 5.2.2.2 客户信息的来源
• 5.2.2.3 客户信息的统一管理
• 5.3 公司客户信用评价
• 5.3.1 影响信用绩效的因素
• 5.3.2 构建神经网络结构
• 5.3.3 属性数据处理
• 5.3.4 流程处理
• 5.4 公司客户价值分析
• 5.4.1 客户价值分析的意义
• 5.4.2 客户价值的属性
• 5.4.3 运用k—means对客户价值进行分析
• 5.4.3.1 确定聚类个数—k值
• 5.4.3.2 数据矩阵和数据预处理
• 5.4.3.3 k—means算法的流程
• 5.4.4 结果展示和客户价值管理
• 结论
• 致谢
• 参考文献
• 攻读硕士学位期间发表论文及科研实践