臺灣博碩士論文加值系統

電子商務的普及使得線上購物的市場越來越大，競爭日益激烈。若業者能透過分析累計的交易資訊與顧客資訊，從資料中找出有用的資訊，並以這些資訊做為行銷策略制定之參考，或許能在競爭激烈的市場中佔有一席之地。 本研究以國內知名 B2C 網路商店的交易資料為例，進行資料探勘分析。本研究首先利用 RFM模型找出各會員之最近購買日、購買頻率以及購買總金額，以評估會員對企業的貢獻度，接著利用 RFM 分析的結果投入到兩階段分群模型中，得到了三個集群，分別為不確定型、購買型以及最佳型的會員分群，接著將各集群中的會員所購買之商品投入 Apriori關聯規則分析模型中，找出不同集群會員偏愛的產品類別以協助該公司進行銷活動的制定。 本研究同時利用CART決策樹以及類神經模型對產品的特色進行商品銷量的預測，預測結果除了可使該公司對銷量較差的商品進行調整，也由分析得知商品的資訊數量、商品的圖片數量的提供程度都會影響產品的銷量。

This study applies data mining techniques to analyze the transaction data of a famous B2C online store specialized in selling physical album and related merchandise in Taiwan. This study is expected to find useful information for improving marketing decision-making. The data analysis of this study is preceded as follows. First, the RFM model is applied to determine each member’s scores according to his/her recent shopping day, purchase frequency, and monetary value of transactions. Second, given each member’s RFM scores, two-step cluster analysis is applied to perform market segmentation. In this study, three segments are discovered. They are segment with uncertain behavior, segment with low frequency but decent monetary contributation, and the loyal segment. Finally, the Apriori is applied to find the association between different albums and merchandises for each segment. Finally, CART and neural network models are applied to predict sales. The result shows that sales volume of product is positively influenced by product information and photos.

中文摘要 i
英文摘要 ii
誌 謝 iii
表目錄 vi
圖目錄 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研究範圍及限制 4
1.4研究流程 4
第二章 文獻探討 6
2.1台灣流行音樂唱片產業現況 6
2.1.1流行音樂定義 7
2.1.2台灣流行音樂唱片產業現況 7
2.2電子商務與網路商店 10
2.2.1電子商務的定義 11
2.2.2電子商務的分類 13
2.2.3網路商店 14
2.3網路行銷 17
2.3.1網路行銷定義 17
2.3.2實體唱片業在購物網站上常用之網路行銷 21
第三章 研究方法 23
3.1 RFM模型 23
3.2集群分析 24
3.2.1自組織映射圖 24
3.2.2二階段分群法 26
3.3關聯式規則 30
3.4決策樹 34
3.5類神經網路 36
第四章 資料分析 39
4.1前置處理 39
4.2 會員價值分析 45
4.3市場區隔分析 47
4.4 商品購買規則分析 53
4.5商品銷售量預測 57
4.5.1資料處理 58
4.5.2 CART決策樹模型 60
4.5.3 類神經模型 62
4.5.4 小節 65
第五章 結論與建議 66
5.1研究結論 66
5.2未來研究方向與建議 68
參考文獻 70

中文文獻
1.陳井麗，掌握臺灣網路普及優勢開拓電子商務市場，台北：經建會綜合計劃處，2013，p.1。
2.經濟部，101 年度新網路時代電子商務發展計畫 我國 B2C 電子商店調查結案報告，2012，取自http://www.moea.gov.tw/MNS/populace/home/Home.aspx.
3.曾金滿，101 年流行音樂產業調查報告，台北市：文化部影視及流行音樂產業局，2012，p.298~p.299
4.李連權，2009影視產業趨勢研究調查報告—電視、電影及流行音樂 ，台北：行政院新聞局， 2011，p72~p.74
5.林怡芸，華語流行歌曲運用於國中音樂創教學之行為研究，碩士，國立台灣師範大學，音樂學系在職進進修研究所，台北，2011
6.周昭平，臺灣唱片公司華語流行歌曲產製策略研究：滾石國際與新力音樂的個案比較，碩士，國立中山大學傳播管理研究所，高雄，1999。
7.鄧晏如，MP3網站使用對唱片消費行為之影響，碩士，國立中山大學傳撥管理研究所，高雄，1999
8.郭彥豪，政府扶植台灣流行音樂產業之策略，碩士，台中健康暨管理學院，台中，2005。
9.陳郁真 ，聲音錄製及音樂出版業基本資料，台北市：台灣經濟研究院，2013，p.1。
10.李天鐸、簡文欣，跨國傳播集團擴張下的華語流行音樂市場，90年代臺灣媒介發展與批判，台北，1999，p.63~p.80。
11. 曾湘雲，檢視台灣流行音樂市場結構與產品多樣性之關聯性:從歌曲內產製面談起，國立交通大學傳播研究所，新竹市，2004。
12. 趙珮含，從商品化探討台灣流行音樂之產製邏輯，碩士，國立台灣藝術大學廣播電視學系應用媒體藝術研究所，台北，2014
13. 王佩華，環境與組織因素對產品多樣性的影響：以台灣地區國語流行音樂市場為例，碩士，國立交通大學傳播研究所碩士論文，新竹，2005。
14. 沈政輝，數位音樂平台之經營模式與價值再造分析-以KKBOX及iTunes Music Store為例，碩士，國立中央大學資訊管理學系在職專班，桃園，2013
15. 林岳甫，數位音樂下載與串流之滿意度與購買意願-以iTunes與KKbox為例，碩士，淡江大學，大眾傳播學系碩士班，新北，2014
16. 顏理謙，時代數位-強壓競爭對手，Spotify付費用戶突破1000萬人大關，台北：數位時代，2014，p.1。
17. 施韻茹，由節拍旋律到娛樂商品：台灣流行音樂產業產銷結構轉變研究，碩士，交通大學，新竹，2005。
18. 湯宗泰、劉文良，電子商務web2.0思維，台北市：學罐行銷，2007，p1.4~p1.5
19. 電腦機能基金會，電子商務概論特訓教材=E-commerce ，台北市：松崗，2008，p1-p2頁
20. 黃士銘、洪育忠 譯，電子商務，台北市：麥格羅希爾，2002，p.2
21. 魏志伸，電子商務聖經概論篇，高雄：第三波，2007，p.1~p.3
22. 簡吟書(2004)，「以消費者知覺觀點建構B2C電子商務評估模式」，輔仁大學資訊管理系碩士論文。
23. 經濟部商業司，1999年中華民國電子商務年鑑，台北，經濟部，2000，p34~p35。
24. 經濟部商業司，經濟部?101 年度新網路時代電子商務發展計畫 我國 B2C 電子商店調查結案報告，台北：經濟部，2012，p7.6~7.8
25. 林鴻斌，網路行銷實務攻略，臺北市：松崗，2008，p.24~p.26。 26. 榮泰生，網路行銷電子商務實務篇，台北：五南出版社，2001，p.101~p.102
27. 賴香菊，「全球資訊網上智慧型銷售服務系統參考架構之研究」，大葉學報，第 6 卷，第 1 期，1997，p15-p26。
28. 呂國賢，台灣觀光旅館網路行銷之研究，碩士，中國文化大學，台北，1997。
29. Daniel，S. Janal，徐恩普譯，網路行銷，台北，朝陽堂文化事業股份有限公司，1996，p.60~p.62
30. 鄭振江，眼鏡業運用辨識網路行銷之可行性分析，碩士，長榮大學，台南市，民國101年。
31. 陳珮雯， 華總解決線上小額付款、版稅分配問題，7月進入MP3市場，2014，http://www.ithome.com.tw/node/3842 摘錄.
32. 林婉琦，應用資料探勘輔助網路行銷策略之研究，碩士，銘傳大學，台北，2013。
33. 高士傑，區域性設計雨型建立方法之研究，碩士，國立台灣大學，台北，2001
34. 黃俊英，多變量分析，台北: 華泰書局，2003，p23~p24。
35. 易任、葉惠中，主成分分析與群集分析應用於雨量空間分布之研究，易任論文集，1990，p549~p563。
36. 王媚慧，應用資料探勘於顧客的行為分析 -以半導體業為例，碩士論文，淡江大學，新北市，2004。
37. 曾憲雄，資料探勘，台北：旗標，2007，p.5-37~p.7-25。
38. 廖述賢、溫志浩，資料探勘理論與應用，新北:博碩，2012，p4-3~p.8-33
39. 陳怡靜，影響捷運運量因素之探討-以高雄捷運為例，碩士，國立中山大學，高雄，2014
40. 常世杰，利用資料探勘Apriori演算法預測零售賣場之個人購物行為，碩士，國立高雄第一科技大學，高雄，2013 41. 黃婷，應用資料採礦技術於教師教學評量之研究，碩士，銘傳大學，台北，2012
英文文獻
1. Agrawal R., Imielinski T., and Swami A. ,Database mining: A performance perspective.，IEEE Transactions on Knowledge and Data Engineering，5，1993，p. 914~ p.923。
2. Agrawal R., Imielinski T., and Swami, Mining association rules between sets of items in large database, Mining association rules between sets of items in large database. In Proc. ACM SIGMOD Intl. Conf. Management of Data, 1993 , pp.207-216.
3. Azcarraga，Yap，Tan，&; Chua. Evaluating keyword selection methods for WEBSOM text archives. Knowledge and Data Engineering， IEEE Transactionson， 16，3，2004 pp380-383.
4. Balakrishnam, P. V., Cooper, M. C., Jacob, V. S., and Lewis, P. A. “A Study of the Classification Capabilities of Neural Networks Using Unsupervised Learning - A Comparison K-means Clustering,”Psychomertrika, Vol. 59, No. 4,1994, pp. 509-525.
5. Bull，&;quot;Strategic issues in customer relationship management (CRM) implementation.&;quot; Business Process Management Journal ，9，5 ，2003，pp 592-602. 6. Frans Coenen, Graham Goulbourne, Paul Leng，「Tree Structures for Mining Association Rules」，Data Mining and Knowledge Discovery， 8，1，2004，pp25-51。
7. Hoffman， D. L.，&; Homas P.Novak，”A New Market Paradigm for Electronic Commerce，The Information Society，13，1999，pp.43-54
8. Kalakota，Ravi，and Andrew B. Whinston. &;quot;Frontiers of e-commerce.&;quot; 1999.
9. Kalakota，Ravi，and Andrew B.Whinston. Frontiers of electronic commerce. Addison Wesley Longman Publishing Co.Inc.，1996.
10. Kouris, CH Makris, AK Tsakalidis，「Data &; Knowledge Engineering」，Using Information Retrieval techniques for supporting data mining， 3， 52，2005，pp353-383。
11. Laudon，KennethandCarolTraver，E-commerce:Business，Technology，Society， Addison Wesley， 2002.
12. Laudon，KennethandCarolTraver，E-commerce:Business，Technology， ?Society， Addison Wesley， 2002.
13. Lim，S. P.，&; Haron，H.. Cube Kohonen Self-Organizing Map (CKSOM) Model With New Equations in Organizing Unstructured Data. IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS，24，9，2011
14. Middleton Hughes, Why RFM Works in Predicting Response, Database Marketing Institute. 2012
15. Miglautsch， Thoughts on RFM Scoring. The Journal of Database Marketing，8，6，2000，pp67-72.
16. Quinlan J.R.,C4.5: Programs for Machine Learning, San Mateo: Morgan Kaufmann, 1993. 17. Rayport， J.F. and Jaworski， B.J. e-Commerce， McGraw-Hill， International Edition，2001.