臺灣博碩士論文加值系統

隨著科技的發展，人們會在不知不覺的情況下留下很多的數據，導致多元化的資料迅速增長，形成了現今大數據(Big Data)發展的環境。然而現今的企業必須面對許多的競爭對手以及險峻的商業模式，為了擁有更多的利益，紛紛搭上了大數據的潮流。從一堆看似無用的資料中抽取適合的資料，並應用不同的分析和處理方式，形成新的且對企業有利用價值的數據，以提升企業的競爭力。
近幾年在許多數據分析的研究中，大部分的研究都利用客戶對產品的點擊率、放入購物車的產品、觀察產品時間和購買產品等紀錄進行個人化的推薦。而，本研究則是針對企業去進行整體的行銷推薦。在考量到企業的資源有限，企業無法滿足每一位顧客的需求，因此企業常常會透過RFM(Recency、Frequency、Monetary)數據分析技術，先找出對企業較有價值的客戶後，再進行下一步的應用與分析。但是在使用RFM數據分析技術時可以發現，在不同類別的產品裡會因為產品的性質不同，造成RFM的總分落差很大，若只使用RFM總分去做分析，可能會錯失一些重要客戶的訊息。
因此，在本研究中會先以自組織映射圖神經網路SOM (Self-Organization Map；SOM)，從產品中找出具有相似特性的樣本聚集成一類。繼之，再運用RFM數據分析技術找出各群產品中較有價值的客戶，以解決上述RFM總分在不同產品屬性上分數落差很大的問題。當找出對企業較有價值的客戶後，再根據他們過去的交易資料觀察他們所購買的產品，進行FP-Growth演算法並建構FP-tree。最後，透過FP-tree找出產品的頻繁項目集，並觀察其關聯性，以提供企業有更精準的行銷策略。

With the development of technology, a lot of data are generated, resulting in the rapid growth of diversified data, forming an environment for the development of Big Data. Nowtoday, enterprises must face many competitors and steep business models. In order to have more benefits, enterprises are beginning to apply the applications of big data. Enterprises extract appropriate data from a pile of seemingly useless materials, and apply different analysis and processing methods to form new and valuable data for the enterprise, so that the competitiveness of the enterprise can be improved.
In recent years, the most of the research’s recommendations for personalization are mostly based on customer click through rate on products, products placed in shopping carts, time to observe products, and purchased products. However, in this study, the marketing recommendations of enterprise will be conducted. After considering the limited resources of the enterprise, the enterprise cannot meet the needs of each customer. Therefore, enterprises often use RFM (Recency, Frequency, Monetary) data analysis technology to find out the customers who are more valuable to the enterprise. Then, the related applications and analysis cab be obtaind. However, when using RFM data analysis technology, it can be found that the total score of RFM is very different due to the different nature of the products in different categories of products. Therefore, if only use the total score of RFM to analysis; some important messages of customers may be missed.
Therefore, the SOM (Self-Organization Map) will be used in this study to aggregate the samples with similar characteristics from the product. In addition, RFM data analysis technology is used to find out the more valuable customers in each cluster to solve the problem that the RFM total score has a large difference in different product attributes. After identifying the customers who are more valuable to the company, they then observe the products they purchased based on their past transaction data, perform the FP-Growth algorithm and construct the FP-tree. Finally, find out the frequent itemsets of the products through FP-tree and observe their relevance to provide companies with more accurate marketing strategies.

目錄
中文摘要 I
Abstract III
致謝 V
目錄 VII
表目錄 IX
圖目錄 X
第 1 章 緒論 1
1.1研究背景 1
1.2研究動機 2
1.3研究目的 3
1.4 論文之架構 4
第 2 章 文獻探討 5
2.1 大數據 5
2.2電子商務 7
2.3市場策略 8
2.4資料探勘 9
2.5自組織映射圖神經網路 11
2.6 RFM數據分析技術 15
2.7 FP-Growth 演算法 17
第 3 章 研究方法 22
3.1 數據資料庫 23
3.2 資料前處理 23
3.3 以SOM神經網路將產品做細分化 25
3.4 以RFM模型找出較有價值的客戶 26
3.5 以FP-Growth演算法找出頻繁項目集 27
第 4 章 研究方法之執行結果 29
4.1 以SOM神經網路將產品分群 29
4.2 運用RFM依顧客的交易資料進行區隔 31
4.3 針對較有價值的客戶進行關聯式分析 32
第 5 章 結論與未來研究 42
參考文獻 44


表目錄
表1：大數據的資料種類與來源 7
表2：SOM訓練計算變數說明 15
表3：客戶區隔設定 27
表4：Category1分析出來的頻繁項目集 33
表5：Category2分析出來的頻繁項目集 33
表6：Category3分析出來的頻繁項目集 34
表7：Category4分析出來的頻繁項目集 34
表8：Category5分析出來的頻繁項目集 35
表9：Category6分析出來的頻繁項目集 36
表10：Category7分析出來的頻繁項目集 36
表11：Category8分析出來的頻繁項目集 37
表12：Category9分析出來的頻繁項目集 38
表13：Category10分析出來的頻繁項目集 38
表14：Category11分析出來的頻繁項目集 39
表15：Category12分析出來的頻繁項目集 39
表16：Category13分析出來的頻繁項目集 40
表17：Category14分析出來的頻繁項目集 41
表18：Category15分析出來的頻繁項目集 41


圖目錄
圖1：大數據的4V 6
圖2：SOM神經網路架構圖 12
圖3：SOM計算架構示意圖 14
圖4：FP-tree範例 19
圖5：研究架構圖 22
圖6：產品代號替代碼 24
圖7：產品分群示意圖 30
圖8：各群產品的RFM總分分布圖 31

[1]王淑卿、王順生、嚴國慶、邱怡瑄、黃學馴(2016)，「以兩階段資料處理法改善大數據資料不可用的問題---大數據的藍海」，第十屆資訊科技國際研討會暨第六屆台灣網路智能學會學術論壇，台中，第52-61頁
[2]李栩如(2018)，大數據對臺灣會議及展覽服務業之應用與影響，淡江大學國際企業學系碩士在職專班學位論文。
[3]林素綉(2011)，「服務業的企業形象對顧客保留影響之探討」，醒吾技術學院國貿系專題研究，新北市。
[4]施明毅、黃紹榕(2017)，「根據Frequent itemsets的變化來分析網路使用者需求趨勢－以104家教網為例」，管理資訊計算，第6卷，特刊1，第161-170頁。
[5]范明，范宏建(2011)，數據挖掘導論，北京：人民郵電出版社，第223-228頁。
[6]張心馨、蔡獻富(2004)，「以 Data Mining 技術結合 SOM 和 K-Mean 的消費者分群方法於顧客關係管理和績效獲利性評估之實證研究」，資訊管理學報，第11卷，第4期，第161-203頁。
[7]張斐章、張麗秋著(2005)，類神經網路，東華書局。
[8]陳淑芬(2014)，「大數據時代來臨!」，禪天下，第117期，第62-65頁。
[9]楊燕珠、林孟潔(2009)，應用 RFM 模型於定期航運之顧客價值分析，大同大學資訊經營研究所碩士論文。
[10]熊兰、高炳(2017)，「基于RFM多层级客户价值模型的客户细分研究」，商業經濟研究，第05期，第55-57頁。
[11]蔣文育(2009)，「城鄉大學生網路購物市場之顧客價值分析」，顧客滿意學刊，第5卷，第2期，第103-126頁。
[12]G. Armstrong, M. Harker, and P. Kotler(2010), Marketing: An Introduction, 10th ed., Prentice Hall.
[13]M.J.A. Berry and G.S Linoff(2004), Data Mining Techniques for Marketing, Sales and Customer Support, 2nd Ed., New York: John Wiley.
[14]M. Bruhn(2009), Marketing Management: A Contemporary Perspective, London.
[15]J. R. Bult and T. Wansbeek(1995), “Optimal selection for direct mail,” Marketing Science, 14(4), 378-394.
[16]H. Chen, R.H. Chiang and V.C. Storey(2012), “Business Intelligence and Analytics: From Big Data to Big Impact,” MIS Quarterly, Vol. 36, No. 4, pp. 1165-1188.
[17]Z.G. Fan, C.D. Chen and J.Z. Wang(2016), E-commerce, Princeton International Limited.
[18]U. Fayyad and P. Stolorz(1997), “Data mining and KDD: promise and challenges,” Future Generation Computer Systems, vol. 13, pp. 99-115.
[19]U.M. Fayyad, P.S. Gregory, S. Padhraic, and U. Ramasamy(1996), Advances in Knowledge Discovery and Data Mining, AAAI Press/The MIT Press, Menlo Park, CA.
[20]M. D. M. R. García, J. García-Nieto and J. F. Aldana-Montes(2016),“An ontology-based data integration approach for web analytics in e-commerce,” Expert Systems with Applications, Vol. 63, pp.20-34.
[21]M.W. Geatz and R.J. Roiger(2003), Data Mining: A tutorial-based Primer, Boston, Addison-Wesley.
[22]J. Han, J. Pei, and Y. Yin(2000), “Mining Frequent Patterns without Candidate Generation,” Proceedings of the ACM SIGMOD International Conference on Management of Data, Dallas, USA, pp.241-250.
[23]J. Han, J. Pei and Y. Yin(2004), “Mining frequent patterns without candidate generation: a frequent-pattern tree approach,” Data Mining and Knowledge Discovery, vol. 8, pp. 53-87.
[24]A. Hughes(1994), Strategic Database Marketing, Chicago, Probus Publishing.
[25]R. Kahan(1998), “Using database marketing techniques to enhance your one-to-one marketing initiatives,” Journal of Consumer Marketing, vol. 15, pp. 491-493.
[26]R. Kalakota and A. B. Whinston(1997), Electronic commerce: a manager's guide. Addison-Wesley Professional.
[27]W.J. Keegan, M. Green, and M.C. Green(2012), Principles of Global Marketing, Jamaica Hills.
[28]D. Laney(2001), “3D data management: Controlling data volume, velocity and variety,” META group research note, 6(70), 1.
[29]L. C. Leonidou, C. N. Leonidou, T. A. Fotiadis and A. Zeriti(2013), “Resources and capabilities as drivers of hotel environmental marketing strategy: Implications for competitive advantage and performance,” Tourism Management, 35, 94-110.
[30]R.H. Lin, C.L. Zhuang, and W.W. Zhuang(2016), “Improved RFM model to predict retail customer value,” Journal of Customer Satisfaction, vol. 12, no. 2, pp. 235-249.
[31]B. Luan and Y.R. Chen(2015), E-commerce: Application and Technology Development, Sea Book Information Co., Ltd.
[32]B. Michael(2008), “The strategic marketing plan audit,” IThome. Retrieved January, 22.
[33]W. M. Pride and O. C. Ferrell(2012), Marketing, 16th ed., Cengage Learning.
[34]K. A. Smith and A. Ng(2003), “Web page clustering using a self-organizing map of user navigation patterns,” Decision Support Systems, 35(2), pp.245-256.
[35]C. A. Wyner(1996), “Customer profitability：linking behavior to economics,” Makefing Research, 8(2), pp.36-38.
[36]「無人商店」讓你「拿了就走」！看 Amazon Go 如何靠收集數據，改善營運 ，http://startuplatte.com/2018/01/25/amazon-go-automated-grocery-store/，擷取日期：2018年6月25日。
[37]大數據到底是什麼意思？事實上，它是一種精神！，https://www.inside.com.tw/2017/06/28/big-data，擷取日期：2018年6月25日。
[38]巨量資料 - 維基百科，https://zh.wikipedia.org/wiki/ %E5%A4%A7%E6%95%B8%E6%93%9A，擷取日期：2018年6月25日。
[39]大數據（Big Data）是什麼？，https://panx.asia/archives/43136，擷取日期：2018年6月25日。
[40]一次搞懂大數據，https://www.bnext.com.tw/article/35807/bn-2015-03-31-151014-36，擷取日期：2018年6月25日。
[41]大數據，不只是很大的數據：透徹瞭解、優化你的生活 ，http://www.techbang.com/posts/39331-data-optimize-your-life-in-perspective-not-only-is-a-lot-of-data，擷取日期：2018年6月25日。
[42]結構化、半結構化和非結構化數據，https://read01.com/zh-tw/0d32Go.html#.Wy_rd6czaUk，擷取日期：2018年6月25日。
[43]電子商務中的 B2B、C2C、B2C、C2B 模式是什麼？，https://www.inside.com.tw/2016/08/23/what-is-b2b-c2c-b2c-c2b，擷取日期：2018年6月25日。
[44]Data Mining的十種分析方法，http://dasanlin888.pixnet.net/blog/post/34467788-data-mining%E7%9A%84%E5%8D%81%E7%A8%AE%E5%88%86%E6%9E%90%E6%96%B9%E6%B3%95，擷取日期：2018年6月25日。
[45]什麼是資料探勘(Data Mining)?，http://blog.xuite.net/coke750101/coketech/32171866，擷取日期：2018年6月25日。
[46]資料探勘方法，http://myweb.fcu.edu.tw/~mhsung/Ecommerce/Data_Mining/DM_methods.htm，擷取日期：2018年6月25日。
[47]資料分析鍊金術(七)-消費者分層-RFM模型原理與應用， http://www.bigdatafinance.tw/index.php/tech/data-processing/186-rfm，擷取日期：2018年6月25日。
[48]用SPSS來作RFM行銷分析(一)，http://dasanlin888.pixnet.net/blog/post/404851939-%E7%94%A8spss%E4%BE%86%E4%BD%9Crfm%E8%A1%8C%E9%8A%B7%E5%88%86%E6%9E%90(%E4%B8%80)，擷取日期：2018年10月28日。
[49]Self-Organization Map，http://neuron.csie.ntust.edu.tw/homework/95/neuron/homework/Homework%232/D9415009/HW2-SelfC.html，擷取日期：2018年10月28日。
[50]無監督式學習網路 - 維基百科，https://zh.wikipedia.org/wiki/%E7%84%A1%E7%9B%A3%E7%9D%A3%E5%BC%8F%E5%AD%B8%E7%BF%92%E7%B6%B2%E8%B7%AF，擷取日期：2018年10月28日。
[51]類神經網路_百度文庫，https://wenku.baidu.com/view/c53bcfeab8f67c1cfad6b8d6.html，擷取日期：2018年10月28日。
[52]自組織映射圖結合類神經網路應用於台灣加權指數建模及預測，http://fmathweb4.pu.edu.tw/celebrate/celebrate16/group/group12/briefing.pdf，擷取日期：2018年10月28日。
[53]常用的關聯規則挖掘算法，https://kknews.cc/tech/6xj52v.html，擷取日期：2018年10月28日。
[54]不產生候選集的關聯規則挖掘算法FP-Tree，https://www.smwenku.com/a/5b8566782b71775d1cd2d465/，擷取日期：2018年10月28日。
[55]FP-tree- 台灣Word，http://www.twword.com/wiki/FP-tree，擷取日期：2018年10月28日。
[56]使用FP-growth演算法來高效發現頻繁項集，https://tw.saowen.com/a/058c3b96f0eb3d115184374fac81c4d2f326a100691653ea293f085d4ed3271b，擷取日期：2018年10月28日。
[57]資料前處理，https://ithelp.ithome.com.tw/articles/10186204，擷取日期：2018年10月28日。
[58]UCI機器學習庫：在線零售數據集，https://archive.ics.uci.edu/ml/datasets/online+retail，擷取日期：2018年10月28日。
[59]機器學習：特徵標準化！，https://ithelp.ithome.com.tw/articles/10197357，擷取日期：2018年10月31日。