跳到主要內容

臺灣博碩士論文加值系統

(54.92.164.9) 您好!臺灣時間:2022/01/23 04:17
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:廖雅郁
研究生(外文):YA-YU LIAO
論文名稱:應用資料探採於我國西藥行銷之研究
論文名稱(外文):The study on application of data mining for pharmaceutical market in Taiwan
指導教授:陳光華陳光華引用關係
指導教授(外文):Prof. Guang -Hwa Chen
學位類別:碩士
校院名稱:國立交通大學
系所名稱:經營管理研究所
學門:商業及管理學門
學類:企業管理學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
論文頁數:98
中文關鍵詞:資料探採市場區隔決策樹學習分析法
外文關鍵詞:Data miningMarket segmentationDecision tree
相關次數:
  • 被引用被引用:64
  • 點閱點閱:3062
  • 評分評分:
  • 下載下載:1036
  • 收藏至我的研究室書目清單書目收藏:12
應用資料探採於我國西藥行銷之研究
研究生:廖雅郁
指導教授:陳光華 教授
論 文 摘 要
「資料探採」(Data Mining)是結合資訊工程、分析技術及產業專業知識的綜合技術,可以協助終端使用者從大型資料庫擷取出有用的資訊並轉換為知識。而且資料探採在商業的應用涵蓋許多領域,如顧客獲利率分析、獲取顧客、市場區隔、目標行銷、資產風險管理、信用卡風險管理、交叉銷售等。因此本研究針對製藥市場應用資料探採的技術,分析製藥業者之客戶群,了解其客戶群之處方偏好型態進而根據分析之結果讓業者可以靈活運用各種行銷策略,具體地達到提昇營業額、改善獲利率、減少成本、增進客戶滿意度等績效目標。
本研究選擇製藥市場為研究對象是因為製藥的發展象徵一個國家的進步程度,國民所得越高的國家,製藥產業越顯發達,而隨著全民健保及相關藥政措施的陸續施行,國內藥品市場結構改變、市場秩序日趨完善,面對國內高齡化的社會,無疑也透露著一種藥品消費市場會大幅成長的訊息,因此找出市場動態脈絡對於業者制訂行銷策略將有極大的幫助。
本研究主要的目的為1.探討製藥市場概況。2.探討影響醫師處方型態的可能因素。3.歸納可能影響醫師處方型態的因素,進而建構樣本醫師族群的資料庫。4.應用資料探採技術分析,探討處方者「人口統計變數」、「資訊尋求變數」、「心理區隔變數」、「行為區隔變數」在處方型態分析結果規則中所扮演的角色,並且作為各個分析規則的特徵描述。5.依據上述的分析結果,提出行銷策略與建議,提供製藥業者選擇目標市場及制訂行銷策略之參考。
本研究以決策樹學習法進行分析,產生之結論如下:
1.以11種屬性區隔市場,其屬性分別如下:年齡、教育程度、職稱、醫院性質、醫院層級、醫院政策、藥廠銷售人員拜訪數目、認同國內藥廠的努力、認為同成分藥品來源皆相同、本身臨床使用經驗與最早使用新藥的時間。
2.建立13種implication sentences 描述醫師處方偏好之行為特色。
Study on application of data mining for pharmaceutical market in Taiwan
Student:Ya-Yu Liao
Advisor:Prof. Guang-Hwa Chen
Abstract
Data mining is a comprehensive technology which combines information technology, analysis technique and industry know-how. With this technology, user can discover modeling of hidden patterns in large volumes of data and transform such data into information and even knowledge. The business applications in data mining include profitability analysis, customer attraction, market segmentation, asset risk management, and cross selling. This study applies data mining techniques in pharmaceutical market. The pharmaceutical companies can use the results from prescription on customers’ behavior to expand their business performance. Data mining creates information assets that a company can leverage to achieve their strategic objectives.
The formation of aging society in Taiwan became notable since 1994, and the national health policy has been carried out since 1995. Consequently, the pharmaceutical market in Taiwan has a significant growth out of increasing medical demand and medical care in recent years. With the rapid improvement of data processing technology, the pharmaceutical companies can fully exploit data mining techniques to discover market trends and thus to further adopt appropriate marketing strategies.
Therefore, purposes of this study include (1) understanding the current domestic pharmaceutical market, (2) finding out possible factors which can influence prescription behavior of physicians, (3) constructing a database for physicians, (4) applying decision tree method to analyze database constructed above, and (5) providing appropriate strategies so that pharmaceutical companies can make proper uses to achieve their objectives.
The conclusions of the study obtained are listed as follows. (1) The pharmaceutical market currently in Taiwan can be segmented by 11 attributes. (2) Prescription behavior of physicians is influenced by 13 implication sentences.
目錄
中文摘要…………………………………………………………………..i
英文摘要…………………………………………………………………iii
致謝……………………………….………………………………………iv
目錄……………………………………….……………………………….v
表目錄 ………………….…………………………………………...viii
圖目錄…………………………………………………………..…………x
第一章:緒論……………………………………………….………….…1
1.1:研究背景與動機……………………………………….………….…1
1.2:研究目的……………………………………………….………………2
1.3:研究架構………………………………………………….……………3
1.4:研究範圍與研究對象……………………………………………….…5
1.5:研究步驟………………………………………………….……………5
第二章:理論與文獻探討…………………………………………….…….7
2.1:製藥產業特性與市場概況………………………………….……7
2.1.1製藥產業之特色…………………………………………..7
2.1.2市場概況………………………………………………….10
2.1.3醫院層級與性質 …………………………………………13
2.2:資料探採(Data mining)理論………………………………...14
2.2.1:資料探採之興起…………………………………….…14 2.2.2:資料探採之定義 ………………………………………….....…15
2.2.3:資料探採之方法…………………………………….…17
2.2.4:資料探採分析方法與統計分析之比較………….……18
2.2.5:決策樹學習法…………………………………..…….20
2.2.6:資料探採之構面……………………………………...27
2.2.7:資料探採之商業應用………………………………….28
2.3:市場區隔理論…………………………………………………..30
2.3.1:市場區隔之定義 ………………………………………30
2.3.2:市場區隔化之程序………………………………….…31
2.3.3:市場區隔之基礎………………………………….……32
2.3.4:市場區隔之模式……………………………….………35
2.3.5:有效市場區隔之條件……………………….…………37
2.4:相關文獻探討…………………………………………………..38
第三章:研究方法………………………………………………………….42
3.1:研究架構與研究變數……………………………………………42
3.2:研究假設…………………………………………………………44
3.3:研究對象與資料蒐集……………………………………………44
3.4:問卷設計…………….………………………………………...45
3.5:研究工具………………………………………………………..46
3.6:回收樣本結構描述.…………………………………………….46
3.7:資料處理與分析方法…………………………………………..48
3.8:信度與效度分析………………………………………………..49
3.9:研究限制……………………………………………………………..50
第四章:資料分析與發現………………………………….………………51
4.1:處方者處方偏好影響因素之因素構面分析………….…………….51
4.2:處方者人口統計變數、醫師實際狀況變數與處方型態偏好之卡方檢定………………………………………………………………………....54
4.2.1:處方者人口統計變數與處方型態偏好之卡方檢定分析…55
4.2.2:各處方型態在處方者人口統計變數之綜合分析…………62
4.2.3:處方者實際狀況變數與處方型態偏好之卡方檢定分析…63
4.2.4:各處方型態在處方者實際狀況變數之綜合分析…………70
4.3:決策樹學習法之資料處理……………………………………………71
4.3.1:資料前處理…………………………………………………..71
4.3.2:資料後處理…………………………………………………..71
4.3.3:資料探採---決策樹學習法分析結果………………………72
4.3.3.1:評估指標…………………………………………..72
4.3.3.2:結果分析…………………………………………..73
第五章:結論與建議……………………………………………………….84
5.1:研究結論………………………………………………………………84
5.2:建議……………………………………………………………………88
5.2.1:各區隔市場行銷策略建議…………………………...88
5.2.2:後續研究建議………………………………………….91
參考文獻……………………………………………………….……………92
附錄─問卷………………………………………………….………………97
參考文獻
一、中文部分
1.王玉皎,『中老年人高血壓疾病之門診處方型態--健保資料庫分析,以台北市為例』,國防大學國防醫學院公共衛生學研究所碩士論文,民國89年6月
2.中華民國醫師公會全國聯合會統計資料,民國89年http://www.med-assn.org.tw/stats/stats6.asp
3.行政院衛生署,衛生統計,民國89年
http://www.doh.gov.tw/
4.全民健保面面觀,http://www.gio.gov.tw/info/drugs/aegI.html
5.周賢昭,『以資料礦採技術發展臨床路徑之研究』,民國88年
6.林建廷,『類神經網路在無限通訊市場消費區隔與預測之應用研究』,元智大學管理研究所碩士論文,民國89年
7.林幸怡,『擴充先前知識以輔助資料發掘』,國立政治大學資訊管理研究所碩士論文,民國86年
8.林信忠,『資料發掘技術應用於健保醫療費用稽核之研究』,元智大學管理研究所碩士論文,民國88年
9.吳國禎,『資料探索在醫學資料庫之應用』,私立中原大學醫學工程學系研究所,民國89年6月。
10.吳恆睿,『中醫院揀藥儲位規劃之研究』,逢甲大學工業工程學系碩士論文,民國88年
11.卓文福,『應用資料採礦於基因體之重複序列資料庫』,國立中央大學資訊工業研究所碩士論文,民國88年
12.邱志宏,『利用貝氏網路發掘血液透析,臨床路徑上時序狀態轉換之特徵』,中山大學資訊管理研究所碩士論文,民國89年
13.施雅月,『區別分析與類神經網路在WWW上購買意願預測比較─以17吋電腦螢幕為例』,國立雲林科技大學資訊管理技術研究所未出版碩士論文,民國87年。
14.財團法人生物技術開發中心,全球主要藥廠經營策略研究,民國89年
15.財團法人生物技術開發中心,台灣製藥產業1998/1999年,民國88年
16.張維捷,『以資料挖礦法則預測網頁更新規則之研究』,國立中央大學企業管理研究所碩士論文,民國89年6月
17.張瑋倫,『應用資料挖掘學習方法探討顧客關係管理問題』,私立天主教輔仁大學資訊管理學系碩士論文,民國89年6月。
18.張妤莉,『資料挖掘之導入與影響--以銀行業為例』,國立政治大學企業管理學系碩士論文,民國90年6月
19.許正昇,『我國製藥產業經營策略之研究』,國立成功大學企業管理研究所碩士論文,民國89年5月
20.高新發,『台灣本土藥廠技術策略建構與經營策略之探討(以生達製藥公司為例)』,國立中山大學管理學院高階經營碩士論文,民國89年5月
21.黃勝崇,『資料勘測應用於醫療院所輔助病患看診指引之研究』,國立華南大學資訊管理學系研究所碩士論文,民國89年
22.黃俊英,行銷研究-管理與技術,華泰書局,民國72年
23.黃連恕,『我國製藥業行銷及技術策略對其經營績效之影響』,銘傳大學管理科學研究所,民國84年
24.郭振宗,『微生物類別診斷與抗生素用藥決策支援系統』,屏東科技大學資訊管理研究所碩士論文,民國88年
25.陳南州,『台灣西藥經營成功關鍵因素之探討』,國立中興大學企業管理研究所碩士論文,民國88年1月
26.陳旭安,『我國製藥業採用生物技術之影響因素探討』,國立交通大學經營管理研究所碩士論文,民國88年6月
27.陳若馨,『醫藥業製造商與機購買者之間組織間交易成本、進口成本與機構買者績效之研究』,義守大學管理研究所碩士論文,民國89年5月
28.陳世源,『資料採礦技術在病例與藥品關連性之研究』,國立中山大學資訊管理學系研究所碩士論文,民國88年1月
29.資料探採研究中心(Data Mining),民國89年
http://www.datamining.org.tw
30.經濟部技術處,台灣製藥產業,民國88年
31.榮泰生,企業研究方法,五南圖書,民國89年。
32.潘平定,『台南地區小汽車消費者行為與市場區隔之研究:類神經網路之應用』,國立成功大學工業管理研究所未出版碩士論文,民國85年。
33.樓玉玲,『以資料採擷技術分析政大通識課程』,國立政治大學資訊管理研究所碩士論文,民國87年。
34.劉奕志,『流通業共同配送體系之探討─以西藥業為例』,國立中興大學企業管理研究所碩士論文,民國88年1月
35.蔣肇慶、林熙禎,『資料開採在醫療資訊的研究』,醫療資訊雜誌,,第九期,pp71-82,民國87年
36.戴寶郎,『台灣製藥業策略聯盟之研究』,國立政治大學企業管理研究所碩士論文,民國90年6月
37.簡茂發、楊國書、文崇一、吳聰賢,社會及行為科學研究法,台北:東華書局,民國83年
38.藍忠孚、鄭惠珠,『健康保險部分負擔制的理論與論證,公共衛生,18(1),1-18』,民國82年
39.魏村穎,『人工類神經網路在行銷方面之應用研究』,國立中正大學企業管理研究所碩士論文,民國88年6月
二、英文部分
40.Assael Herry A. and Roscoe Jr. Marvin, “Approaches to Market Segmentation Analysis,” Journal of Marketing , Vol. 40, October 1976, pp. 67-76.
41.Berry, A. J. Michael and Limoff, Gordon, Data Mining Techniques for Marketing , Sales, and Customer Support, John Wiley & Sons, Inc.,1997
42.Berson, Alex Stephen Smith, Kurt Thearling, Building Data Mining Application for CRM, 2000.
43.Cabena P., P. Hadjinian, R. Stadler, J. Verhees, and A. Zanasi. “Discovering Data Mining From Concept to Implementation”. Pretice Hall PTR , Upper Saddle River, NJ, 1998.
44.Curt H., “The Devile’s in The Detail:Techniques, Tool, and Applications for Data mining and Knowlegde Discovery-Part 1”, Intelligent Software Strategies, 1995, Vol. 6, No. 9, pp. 3.
45.Dasgupta, C.G., G.S., Despensa and S. Ghose., “Comparing the Predictive Performance of a Neural Network Model With Some Traditional Market Response Model,” International Journal of Forecasting, 1994, pp. 235-244.
46.Engel, Warshaw, and Kinner, Promotional Strategy Managing the Marketing Communications Process, 5th ed., 1983, pp. 125.
47.Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P., “From Data Mining to Knowledge Discovery: An overview”, In advances in Knowledge Discovery and Data Mining, pp.471-493,1996
48.Fish, K.E., James. H. Barnes and Milam W. Aiken, “Artificial Neural Network:A New Methodology for Industrial Market Segmentation,”Industrial Marketing Management,1995,pp. 431-438.
49.Frank R.E., W.F. Massy and Y. Wind, Market Segmentation, Englewood Cliff: Prentice-Hall, Inc., 1972, pp.25-29.
50.Frawley,Paitetsky-Shapiro,and Matheus(1991),”Knowledge Discovery in Databases:An Overview,”Knowledgein Databases, Califonia, AAAI/MIT Press, 1991,pp.1-30.
51.Greenfeld Norton, “ Data Mining”, UNIX Review, 1996 Vol. 14, No. 5, pp. 9-14.
52.Haley Russell I., “Benefit Segementaion: A Decision-Oriented Research Tool,” Journal of Marketing, Vol. 32, July 1968,pp.30-35.
53.Han Jiawei, Micheline Kamber, ”Data Mining concepts and techniques”.
54.Hruschka,H., “Determining Market Response Functions by Neural Network are Universal Approximators,” Neural Networks,1993, pp. 27-35.
55.IBM,http://www9.s390.ibm.com/customer/
56.IBM,http://www.software.ibm.com/data
57.IMS HEALTH,http://ims-global/com
58.Incremental Induction of Decision Trees. Machine Learning, 4, 161-186.
59.Joseph,F.,et al.,Multivariate Data and Analysis with Reading,Mac Millan Publishing Company,1987.
60.Kotler Phillip, Marketing Management, 7th ed., Prentici-Hall international ed., 1991.
61.McCarthy E. J., Basic Marketing: A Managerial Approach, Homewod Illinois, Richard D. Irwin, Inc., 10th ed., 1990, pp. 72-73.
62.Overall,John E. & Klett, C.James,Applied Multivariate Analysis,New York:Mcgraw-Hill Book Co.,1972.
63.Peacock Peter R., “Data Mining in Marketing : Part 1”, Marketing Management, 1998 Vol. 6, Iss. 4, pp. 8-18.
64.Pieter, Adriaans and Dolf, Zantinge, Data Mining, Addison Wesley,1996
65.Plummer Joseph T., “The Concept and Application of Life Style Segmentation,” Journal of Marketing , Vol. 38, January 1974, pp. 34.
66.Rastogi Rajeev, Kyuseok Shim: PUBLIC: A Decision Tree Classifier that Integrates Building and Pruning. Data Mining and Knowledge Discovery 4(4): 315-344 (2000)
67.Rothman,J.L.,Using Multivariate Statistics,2nd ed,Harper & Row Inc.,1989
68.Russell Stuart, Peter Norvig(1995).Section 18.3-Learning Decision tree. Artificial Intelligent-A Modern Approach. R.Lopez De Mantaras, 1991.
69.Utgoff Paul E.: A Distance-Based Attribute Selection Measure for Decision Tree Induction. Machine Learning, 6, 81-92. (1989)
70.Wendell Smith R., “Product Differentiation and Marketing Segmentation as a Alternative Marketing Strategy,”Journal of Marketing, Vol. 21, July 1956, pp.3-8.
71.Wind Yoram, “Issues and Advance in Segmentation Research,” Journal of Marketing Research, Vol. 15, August 1978, pp.319-323.
72.Wray, B., A. Palmer and D.Bejou, ”Using Neural Network Analysis to Evaluate Buyer-Seller Relationships,”European Journal of Marketing, 1994, Vol. 28, No. 10, pp.32-48.
73.Zaltman,Gerald & Burger, Philip C., Marketing Research:Fundamentals & Dynamics,1975.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top