臺灣博碩士論文加值系統

網際網路技術蓬勃發展、數位科技應用面日益廣泛，數位學習蔚然為一學習新趨勢，然而電腦教育中心透過數位學習模式提供顧客更多元豐富的媒體教材呈現。在過去，電腦教育中心之行銷模式多為被動式一次行銷或散彈式的廣泛「推銷」，並非針對特定族群進行精準式「行銷」，往往費用支出甚多，但行銷效果不佳。如果能夠透過精準式目標行銷模式，對於具有相似消費特性之顧客進行分群，再透過特性分析滿足目標顧客之需求，能使行銷活動發揮其應有效能。
本研究透過資料探勘技術為電腦教育中心挖掘目標顧客群與分析顧客消費特性，提出「套餐」、「加價購」、「呼朋引伴」及「針對客群」之行銷方案，期望提供電腦教育中心對於顧客之學習課程需求性，以及各類別課程顧客群屬性之了解，以降低行銷成本、提高成功行銷之機會，並創造電腦教育中心獲利。
研究結果透過關聯規則為電腦教育中心類別課程，包含了「資訊新鮮人」、「辦公室應用」、「視覺設計」、「3D動畫」、「程式/資料庫」、「網路管理」、「網頁設計」和「多媒體」等，分析顧客學習偏好與顧客個人資料之關聯性。並透過網狀圖發現具有高度關聯性之類別課程，其中網頁設計、視覺設計、多媒體類別課程之關聯最為顯著，其次為資訊新鮮人、辦公室應用類別課程。再藉由階層式群集分析與非階層式群集分析依照顧客特性建置群組區隔預測模型，以了解顧客主要學習偏好與顧客背景屬性主要群聚，分別有充實自我資訊人、電腦新鮮人以及專業設計人群組。最後，利用分類分析決策樹找出影響顧客分群結果之較重要特性，包含網頁設計、3D動畫、婚姻狀況、視覺設計、辦公室應用與年齡，為未來判定顧客群組別之關鍵屬性，促進電腦教育中心預測顧客學習需求，以擬定最佳行銷策略模式。

This thesis through the data mining techniques explores target customers' base and analyzes characteristics of the customers' consumption for computer education center. This thesis expects to provide students' need of curriculum in computer education centers, and the curriculum of various categories in the attribute of students. Thus, we hope to reduce marketing cost, raise the chance of successful marketing, and benefit computer education centers.
First, this thesis is as a result of the curriculum category of computer education center through the connection rule to analyze students' learning preferences and their personal data. This thesis find out high connection is the most notable which is between curriculum category and the net diagram, the connection of webpage designing, vision design, multi-media curriculum category, another is program, database, office application curriculum category. Secondly, by hierarchical cluster analysis and non-hierarchical cluster analysis which are according to the student characteristic establishments, this thesis set compartment estimate model to understand the main preferences and attributes of the main cluster participants. Having information group, beginner group, and professional group. Lastly, this thesis makes use of the decision tree of the classification analysis to find out the influence on students. The result may include more important characteristics, such as webpage designing, 3D animation, marital status, vision design, office application, and age. They are the key attributes of how the factor of the future influences students' set .

摘要 I
Abstract II
誌謝 III
目錄 IV
圖目錄 VII
表目錄 VIII
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的 3
1.3研究範圍 3
1.4論文架構 3
第二章 文獻探討 5
2.1精準行銷 5
2.2資料探勘 12
2.2.1資料探勘流程 13
2.2.2資料探勘功能 15
2.2.3資料探勘模式 16
2.3資料探勘於行銷之應用 17
第三章 相關理論與技術 21
3.1群集化演算法 21
3.1.1K-Means概述 21
3.1.2K-means演算過程 24
3.2分類分析演算法 25
3.2.1階層式分析概述 25
3.2.2決策樹概述 25
3.2.3決策樹演算過程 27
3.3關聯法則演算法 28
第四章 研究方法 30
4.1研究流程與架構 30
4.2研究變數 31
4.3研究工具 39
4.4研究模型 40
第五章 研究分析與討論 41
5.1研究資料分佈 41
5.2關聯規則分析 51
5.2.1類別課程間模型與分析 52
5.2.2類別課程與顧客屬性模型分析 55
5.3群集分析 60
5.3.1階層式分析之Ward’s Method 61
5.3.2非階層式分析之K-Means演算法 64
5.4分類分析 68
5.5小結 76
第六章 結論與未來研究 82
6.1研究貢獻 82
6.2研究結論 83
6.3行銷策略 85
6.4未來研究 89
參考文獻 91
附錄 97

[1]尹相志，「SQL Server 2008 Data Mining資料採礦」，台北：悅知文化出版社，2009年。
[2]尤銓駿，「運用資料探勘於門診處方藥物交互作用之分析」，嘉南藥理科技大學醫療資訊管理所碩士論文，2007年。
[3]朱成，「行銷趨勢─台灣第一國際品牌企業誌」，台北：御璽出版有限公司，2008年。
[4]李啟鑫，「資料探勘與統計技術的自由軟體整合介面」，淡江大學統計學系碩士論文，2004年。
[5]李俊璋，「休閒機能性服飾市場區隔之個案研究」，亞洲大學經營管理系碩士論文，2007年。
[6]呂金河，「多變量分析」，滄海圖書有限公司，2005年。
[7]林美秀，「顧客終身價值分析在定期航運之應用」，海洋大學航運管理學系碩士論文，2006年。
[8]林祥生、劉益豪，「應用資料採礦探討國際線航空旅客之線上購票行為」，運輸計劃季刊，第37卷，第2期，197- 236頁，2008年。
[9]周厚鈞，「應用資料串流探勘於交通事故資料分析之研究」，朝陽科技大學資訊管理學系碩士論文，2008年。
[10]周嵐葶，「租賃業信用評等模型之研究—以重車分期付款為例」，銘傳大學資訊管理學系碩士論文，2008年。
[11]洪瑜陽，「以國際認證IC3檢測桃園縣國民中小學新聘教師資訊素養能力之研究」，臺灣師範大學應用電子科技學系碩士論文，2009年。
[12]侯幸雨，「從學習者角度與介面設計因素來探討影響數位學習績效之研究」，雲林科技大學管理研究所博士論文，2009年。
[13]陳日鑫，「結合數量化關聯規則與階層式聚合演算法建構軍事新聞文件地圖」，國防大學軍事管理學員資訊管理學系碩士論文，2009年。
[14]翁志嘉，「關聯分析與分類技術於資訊安全之應用」，國防大學理工學院資訊科學學系碩士論文，2008年。
[15]陳東和、黃謙順，「運用資料採礦技術於銀行基金客戶分群之研究」，知識社群與系統發展研討會，2008年。
[16]張逸民譯，Philip Kotler and Gary Amstrong著，「行銷學」，第9版，台北：華泰文化事業股份有限公司，2010年。
[17]許筑婷，「託運人選擇貨運承攬運送業者之衡量因素」，高雄海洋科技大學航運管理所碩士論文，2009年。
[18]張俊郎、陳志豪、蔡玉純，「應用決策樹與類神經網路技術以提升皮膚病變鑑別診斷之品質」，中華民國品質學會第43屆年會暨第13屆全國品質管理研討會，2008年。
[19]許晏賓，「資料採礦技術應用於微陣列資料分析以篩選阿茲海默症候選基因之研究」，輔仁大學應用統計學系碩士論文，2009年。
[20]黃韻芝，「行銷戀愛法則──精準行銷 對消費者亦步亦趨」，數位時代，2007年。
[21]曾亮銘，「小筆電消費者購買行為對綠色產品設計影響之研究」，華梵大學工業工程與經營資訊學系碩士論文，2009年。
[22]黃昶愷，「行動加值服務市場區隔之研究」，長榮大學企業管理學系碩士論文，2008年。
[23]黃德仲，「分紅、組織與領導影響自我管理團隊形成之研究以個案公司為例」，成功大學經營管理學系碩士論文，2008年。
[24]蔡宜秀，「客戶特性結合生涯規劃與客戶購買產品之相關分析－以金融商品為例」，銘傳大學資訊管理學系碩士論文，2008年。
[25]蕭孚中，「數位學習學員修課資料庫暨數位課程之設計與建構」，台北科技大學商業自動化與管理研究所碩士論文，2004年。
[26]蕭至惠、林健名、蔡進發，「等待發生時點、情緒類別、個人時間風格對等待時間知覺之影響─期盼理論的應用」，台灣科技大學管理思維學術研討會，2009年。
[27]叢嘉言，「應用資料探勘技術探討國軍軍事院校預算執行之研究」，國防大學財務管理學系碩士論文，2009年。
[28]羅耀宗、蔡慧菁譯，Chris anderson著，「免費！揭開零定價的獲利秘密」，台北：天下遠見出版社，2009年。
[29]台灣國際數據資訊IDC，http://www.idc.com.tw/
[30]資策會FIND，http://www.find.org.tw/
[31]全球性行動行銷組織MMA，http://mmaglobal.com/
[32]Alan, R., “How to Beat the 80/20 Rule in Sales Team Performance”, Kindle Edition, 2008.
[33]Agrawal, R., Imielinski, T., and Swami, A., “Mining Association Between Sets of Items in Large Database”, in: Proceedings of the ACM-SIGMOD Conference, pp. 207-216, 1993.
[34]Berson, A., Smith, S., and Thearling, K., “Building Data Mining Applications for CRM”, McGraw-Hill, 2000.
[35]Berry, M. J. A., and Linoff, G., “Data Mining Techniques for Marketing, Sales, and Customer Relationship Management”, Wiley Computer, 2nd Ed, 2004.
[36]Brynjolfsson, E., Hu, Y., and Smith, M. D., “From Niches to Riches: Anatomy of the Long Tail”, MIT Sloan Management Review, Vol. 47, No. 4, pp. 66-72, 2006.
[37]Chan, K. H. C., and Gerry, K. L., “Data Mining and Customer Relationship Marketing in the Banking Industry”, Singapore Management Review, Vol. 24, pp. 1-27, 2002.
[38]Fu, Y., “Data Mining Task, Technique and Applications”, Ieee Potentials, 1997.
[39]Han, J., and Kamber, M., “Data Mining: Concepts and Techniques”, Morgan Kaufmann Publisher Inc, San Francisco, 2001.
[40]Hunt, S. D., and Arnett, D. B., “Market Segmentation Strategy, Competitive Advantage, and Public Policy: Grounding Segmentation Strategy in Resource-Advantage Theory”, Australasian Marketing Journal, Vol. 12, No. 4, pp. 7-25, 2004.
[41]Kotler, P., “Marketing Management, Analysis, Planning, Implementment and Control”, 7 th ed. Englewood Cliffs: Prentice-Hall Inc, 1991.
[42]Kotler, P., “Marketing Management”, 11th ed. Upper Saddle River, NJ: Prentice-Hall, pp. 278-308, 2003.
[43]Kotler, P., and Armstrong, G., “Principles of Marketing”, 9th ed, Upper Saddle River, NJ: Prentice-Hall, pp. 244-245, 2001.
[44]Kotler, P., “Marketing Management: Analysis, Planning, Implementation and Control”, 9th ed, Upper Saddle River, NJ: Prentice Hall, pp. 249-278, 1997.
[45]Kass, G.V., “An Exploratory Technique for Investigating Large Quantities of Categorical Data”, Applied Statistics, Vol. 29, No. 2, pp. 119-127, 1980.
[46]Liao, S. H., and Chen, Y. J., “Mining Customer Knowledge for Electronic Catalog Marketing”, Expert Systems with Applications, Vol. 27, pp. 521-532, 2004.
[47]Lloyd, S. P., “Least Squares Quantization in PCM”, IEEE Transactions on Information Theory, Vol. 28, No. 2, pp. 129-137, 1982.
[48]Loh, W. Y., and Shih, Y. S., “Split Selection Methods for Classication Trees”, Statistica Sinica, Vol. 7, pp. 815-840, 1997.
[49]Megiddo, N. and Srikant. R., “Discovering Predictive Association Rules”, American Association for Artificial Intelligence, pp. 274-278, 1998.
[50]Pardasani, K. R., Kumar Parveen, and Shrivastava Virendra Kumar. “FP-tree and COFI Based Approach for Mining of Multiple Level Association Rules in Large Databases”, International Journal of Computer Science and Information Security, Vol. 7, No. 2, pp. 273-279, 2010.
[51]Queen, J. B. M., “Some Methods for Classification and Analysis of Ultivaritate Observation”, 5th, Berkeley Symposium on Mathematical Statistics and Probability, pp. 281-297, 1967.
[52]Quinlan, J. R., “Induction of Decision Trees”, Machine Learning, Vol. 1, No. 1, pp. 81-106, 1986.
[53]Quinlan, J. R., “C4.5: Program for Machine Learning”, Morgan Kaufmann Publishers, San Mateo, CA, USA, 1993.
[54]Richard, J. R., and Michael W. G., “Data Mining–A Tutorial-Based Primer”, Addison-Wesley, 2003.
[55]Srikant, R., and Agrawal, R., “Mining Generalized Association Rules”, in: Proceedings of the Vldb Conference, pp. 407-419, 1995.
[56]Yun, H., Ha, D., Hwang, B., and Ho Ryu, K., “Mining Association Rules on Significant Rare Data Using Relative Support”, The Journal of Systems and Software, Vol. 67, No. 3, pp. 181-191, 2003.