(3.236.222.124) 您好!臺灣時間:2021/05/14 15:40
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:::

我願授權國圖
: 
twitterline
研究生:陳信宏
研究生(外文):Hsin-Hung Chen
論文名稱:利用非動態資料庫之銀行顧客分群研究
論文名稱(外文):Design of Customer Cluster Analysis Using Non-dynamic Customer Data of Bank
指導教授:黃崇興黃崇興引用關係
指導教授(外文):Chung-Hsing Huang
學位類別:碩士
校院名稱:國立臺灣大學
系所名稱:商學研究所
學門:商業及管理學門
學類:一般商業學類
論文種類:學術論文
論文出版年:2004
畢業學年度:92
語文別:中文
論文頁數:100
中文關鍵詞:集群分析顧客關係管理RFM模型
外文關鍵詞:cluster analysisCRMRFM model
相關次數:
  • 被引用被引用:6
  • 點閱點閱:313
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
大部分有關於顧客關係管理應用在產業資料庫的分析研究上,都是以動態的資料庫為對象,資料不僅豐富而且具有即時性,由顧客的消費交易資料中可以看出顧客的整體消費趨勢,具有一定程度的連續性,如銀行之信用卡刷卡中心資料庫。但對於一般傳統產業之資料庫,如一般商業銀行之顧客帳戶資料庫,由於傳統組織結構的關係與資料庫建置上的歷史限制,使得其對於顧客之動態資料難以取得,顧客交易資料相當有限,因此在進行相關顧客關係管理的研究上就很難產生重大的成果。
故本研究是以銀行業的非動態顧客交易資料為對象,嘗試以最典型的RFM模型中的三個指標為基礎,來重新定義出銀行中傳統交易型顧客的交易行為變數,分別為R(最近一個月之交易次數)、F(六個月之交易總次數)、M(平均餘額),而以此三個交易行為變數來做為顧客分群的基礎,進行統計集群分析。對資料庫中之顧客加以分群,並透過差異性檢定,以確定這樣的分群是否具有意義。在確定分群具有意義後,以各集群顧客在人口統計變項與交易行為變項上的表現,對各個顧客集群特性進一步加以命名與描述,並將分群結果提供給銀行,以使其得知哪些是對銀行有較高價值的顧客,哪些顧客是需要注意並加強服務的顧客,哪些顧客對銀行的價值是低到可以放棄的,哪些是已流失的顧客,並加以描述每一群顧客的交易行為,以提供給理財專員進行適當的行銷策略,且能提供適當的金融服務資訊給適當的顧客。
本研究對L銀行之非動態顧客資料進行分群,結果可將顧客分為七群,分別是:最有價值之顧客(最重要之顧客)、次重要之顧客、中低價值之顧客、一般顧客、即將流失之顧客、已流失之顧客與無價值之顧客,研究的具體成果為對各個集群之顧客提出行銷上的建議,以做為銀行理財專員在行銷上的參考,並提供給各群顧客適當的產品與服務。
Most research and analyses of the industry database conducted by the application of Customer Relationship Management are based on dynamic database, which is featured with affluent and instant materials. The aggregate consumption trend can be investigated by analyzing the customer’s transaction records, for example, the credit card transaction records. As regards the database of the traditional industry, such as commercial banks, it is difficult to acquire customers’ dynamic data due to the characteristics of the traditional organization structure and the restriction on the database construction. As a consequence, there are limited customer transaction records in this field and it is difficult to get great results in research related to CRM.
This research regards non-dynamic customer transaction database of the banking industry as the investigation subject, trying to define the transactional behavior variables of traditional customers based on three indexes used in RFM model, i.e. Recency (transaction orders in the latest month), Frequency (the total transaction orders in six months) , Monetary (average balance). This research takes these three variables as the clustering factors to conduct cluster analysis in order to divide customers in the database into clusters. After the assessment of differential testing and being assured of the validity, we can define and describe each cluster according to its demographic variance and transaction behavior variance. The results would provide full information to bank practitioners.
According to the result of this research, the customers in the Bank L’s non-dynamic customer database can be divided into seven clusters: the most valuable customers (the most important customers), second valuable customers, medium important customers, general customers, draining customers, customers already drained, and non-value customers. This article provides marketing implication and suggestions about each cluster to practitioners in order to help banking specialist to offer proper products and services to every cluster of customers.
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機與目的 2
第三節 論文架構 4
第二章 文獻探討 5
第一節 顧客關係管理(CRM) 5
第二節 市場區隔理論 8
第三節 資料探勘(Data mining) 11
第四節 統計集群分析與K-means演算法 13
第五節 RFM 模型 16
第三章 研究方法 21
第一節 研究架構 21
第二節 L銀行資料庫 22
第三節 變數定義與編碼 24
第四節 L銀行資料庫之樣本結構 27
第五節 資料分析方法 31
第四章 資料分析與結果 33
第一節 顧客分群 33
第二節 各集群顧客特性分析與命名 37
第三節 各集群顧客描述 42
第四節 L銀行之B分行資料分析與結果 50
第五節 本章小結 55
第五章 結論與建議 63
第一節 研究結論 63
第二節 行銷建議 64
第三節 研究限制 66
第四節 未來研究建議 67
參考文獻 69
附錄一 L銀行之B分行資料庫分析過程 72
附錄二 A、B分行顧客之資料統整分析 84
表次
表2-1 Stone的RFM模型指標權重 19
表3-1 樣本資料欄位說明 22
表3-2 940位顧客的RFM變數分佈情形 26
表3-3 L銀行之A分行可用樣本在性別上之分佈情形 27
表3-4 L銀行之A分行可用樣本在婚姻狀況上之分佈情形 27
表3-5 L銀行之A分行可用樣本在個人月薪所得上之分佈情形 28
表3-6 L銀行之A分行可用樣本在職業上之分佈情形 28
表3-7 L銀行之A分行可用樣本在年齡上之分佈情形 29
表3-8 L銀行之A分行可用樣本在最近一個月之交易次數(R)之分佈情形 29
表3-9 L銀行之A分行可用樣本在六個月之交易總次數(F)之分佈情形 30
表3-10 L銀行之A分行可用樣本在平均餘額(M)之分佈情形 30
表4-1 RFM集群分析,分群數三到六群之結果 34
表4-2 集群數為三群之鑑別分析正確鑑別率 35
表4-3 集群數為四群之鑑別分析正確鑑別率 35
表4-4 集群數為五群之鑑別分析正確鑑別率 36
表4-5 集群數為六群之鑑別分析正確鑑別率 36
表4-6 五個集群在交易行為變項上之平均數、F值與顯著性 37
表4-7 五個集群對RFM交易行為變數之Scheffee多重比較 38
表4-8 L銀行之A分行顧客分群結果統計 39
表4-9 各集群性別分佈與卡方檢定 43
表4-10 各集群婚姻狀況分佈與卡方檢定 44
表4-11 各集群月薪所得狀況分佈與卡方檢定 45
表4-12 各集群顧客之月薪所得同質子集表 46
表4-13 各集群職業分佈比例與卡方檢定 47
表4-14 各集群年齡分佈比例與卡方檢定 48
表4-15 各集群顧客之年齡同質子集表 49
表4-16 L銀行之B分行1217位顧客的RFM變數分佈情形 50
表4-17 L銀行之B分行顧客分群結果統計 51
表4-18 L銀行A分行七個集群顧客交易行為變項與人口統計變項特性描述 55
表4-19 L銀行B分行七個集群顧客交易行為變項與人口統計變項特性描述 59

圖次
圖1-1 論文架構流程圖 4
圖2-1 RFM分析法示意圖 18
圖3-1 資料分析方法與流程圖 21
中文部分
1.沈永軒,2002,台灣行動電話市場區隔與定位分析—以行動加值服務市場為例,國立台灣大學國際企業學研究所碩士論文。
2.邵扑s,2003,資料庫行銷之客製化新產品推薦系統,國立台灣大學國際企業學研究所碩士論文。
3.林建江,2000,關係行銷的顧客分群模式比較—以績效指標為例,國立成奶j學工業管理研究所碩士論文。
4.林傑斌、陳湘、劉明德,2002,SPSS11統計分析實務設計寶典,台北:博碩文化。
5.周文賢,2001,多變量統計分析—SAS/STAT之應用,台北:智勝文化。
6.陷f萍,2001,顧客區隔、滿意度與關係管理整合運用之實證研究,國立台灣大學商學研究所碩士論文。
7.張倩茜譯,2001,Hughes, Arthur Middleton原著,資料庫行銷實用策略,美商麥格羅•希爾(McGraw-Hill)國際出版公司。
8.張紹勳、張紹評、林秀娟,2000,SPSS for Windows 多變量統計分析,台北:松崗。
9.陳文華,1999,應用資料倉儲系統建立CRM,資訊與電腦,第226期:122-127。
10.陳智勇,1999,行動電話消費者之區隔以及對電信公司之認知與偏好—以大學生為例,國立台灣大學國際企業學研究所碩士論文。
11.蔡永恆,2000,應用資料挖掘技術研究銀行顧客消費行為,靜宜大學資訊管理所碩士論文。
英文部分
1.Alfred, S. Boote, 1981. Marketing Segmentation by Personal Value and Salient Product Attributes, Journal of Advertising Research, 21(1):29-35.
2.Berry, M. J. A. and L. Gordon, 1997. Data Mining Techniques for Marketing, Sales, and Customer Support, John Wiley and Sons, New York, NY.
3.Berson, Alex, Stephen Smith and Kurt Thearling, 1999. Building Data Mining Application for CRM, McGraw-Hill Inc.
4.Cabena, P., P. O. Hadjinian, R. Stadler, J. Verhees and A. Zanasi, 1997. Discovering Data Mining from Concept to Implementation, Prentice-Hall, New York, NY.
5.Chen, L. D., T. Sakaguchi and M. N. Frolick, 2000. Data Mining Methods, Applications, and Tools, Information Systems Management, 17(1):65-70.
6.Davids, Meryl, 1999. How to Avoid the 10 Biggest Mistake in CRM, The Journal of Business Strategy, 20(6):22-26.
7.Frawley, W. J., G. S. Paitetsky and C. J. Matheus, 1991. Knowledge Discovery in Database: An Overview, Knowledge Discovery in Database, AAAI Press, Menlo Park, CA.
8.Goodman, John, 1992. Leveraging the Customer Database to Your Competitive Advantage, Direct Marketing, 55(8):26-27.
9.Gorden, S. L. 1999. CRM: The Intelligent Enterprise, Intelligent Enterprise, 11:8-13.
10.Grupe, F. H. and M. M. Owrang, 1995. Database Mining Discovery New Knowledge and Cooperavive Advantage, Information Systems Management, 12(4):26-31.
11.Hair JR., J. F., R. E. Anderson, R. L. Tatham and W. C. Black, 1998. Multivariate Data Analysis, 5th ed., Practice-Hall Inc., New Jersey, NJ:477-479.
12.Hall, C., 1995. The devil’s in the details: techniques, tools, and application for database mining and knowledge discovery part II, Intelligent Software Strategies, 6(9):1-16.
13.Hughes, Arthur Middleton, 1996. Boosting Response With RFM, American Demographics:4-9.
14.Hughes, Arthur Middleton, 1994. Strategic Database Marketing, Chicago, IL: Probus Publishing Company.
15.Kahan, Ron, 1998. Using database marketing techniques to enhance your one-to-one marketing initiatives, The Journal of Consumer Marketing, 15(5):491.
16.Kalakota, Ravi and Marica Robinson, 1999. e-Business: Roadmap for Success, Addison Wesley Publishing Company.
17.Koh, H.C. and L. G. Chan Kin, 2002. Data Mining and Customer Relationship Marketing in the Banking Industry, Singapore Management Review, 24(2):1-27.
18.Kotler, Philip, 1994. Marketing Management: Analysis, Planning, Implementation, and Control, Prentice-Hall Inc.
19.MacQueen, J., 1967. Some Methods for Classification and Analysis of Multivariate Observations, Proc. 5th Berkeley Symposium on Mathematical Statistics and Probability, University of California press, Berkeley:281-297.
20.Peppers, Don, Martha Rogers and Bob Dorf, 1999. Is yours company ready for one-to-one marketing? Harvard Business Review, 77(1):151-159.
21.Stone, Bob, 1995. Successful Direct Marketing Methods, Lincolnwood, IL: NTC Business Books:29-35.
22.Sung, H. H. and C. P. Sang, 1998. Application of data mining tools to hotel data mart on the internet for database marketing, Expert Systems with Applications, 15:1-31.
23.Wendell, R.S., 1956. Product Differentiation and Market Segmentation as Alternative Marketing Strategies, Journal of Marketing, 21:3-8.
24.Winter, Frederick W., 1984. Market Segmentation: Atactical Approach, Business Horizons, January-February:57-63.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊
 
系統版面圖檔 系統版面圖檔