(3.232.129.123) 您好!臺灣時間:2021/03/04 18:40
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:江世騰
研究生(外文):Shih-Teng Chiang
論文名稱:分群演算法在顧客區隔應用之研究
論文名稱(外文):The study of Clustering Algorithm in customer segment
指導教授:陳家祥陳家祥引用關係
指導教授(外文):Ja-Shan Chen
學位類別:碩士
校院名稱:元智大學
系所名稱:企業管理學系
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:2005
畢業學年度:93
語文別:中文
中文關鍵詞:集群分析K-Means重力演算法Lin初始值演算法
相關次數:
  • 被引用被引用:0
  • 點閱點閱:159
  • 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
隨著科技的發展,市場的競爭愈來愈激烈,不止是實體商店延伸到虛擬商店,更從本國的地區擴展到全球化的市場,顧客的需求也愈來愈多樣化,因此面對大量顧客的需求,企業如何掌握,並有效的從大量顧客資料中作出區隔,進而針對不同的目標擬定策略,且作出有效的行銷活動並帶來業績,更進一步讓企業獲利。簡而言之,在競爭的市場中企業的獲利來源即是顧客。
正因如此,顧客區隔的觀念被提出,且顧客區隔技術中,不論是在學術或是實務上,K-Means演算法為最普遍的方法之一 (Green and Krieger, 1995),但K-Means演算法還是有很多缺點,其中最為主要的則是初始值的決定,因為K-Means在初始值的選取是用隨機選取的方式來進行,因此不同的初始值會造成不同的分群結果,也正因如此,更會造成顧客區隔策略的不同。
針對分群初始值的選取問題,林怡伸(2000)提出一個改善分群結果的分群初始值演算法,和K-Means的分群結果比較,Lin初始值演算法有較佳的結果,但是Lin初始值演算法還是有缺點,因為初始群數的決定是需要先決定的。因此本研究利用重力的觀念來決定出初始群數及各群內初始值。
學者歐陽正彥曾經提出利用重力分群的觀念,是在已知初始分群數之下用重力來將資料做分群,然而針對初始值的決定也沒有提出一個較佳的解決方法。因此本研究藉由重力的觀念發展出一個初始值的決定方法,稱為重力演算法。
本研究所提的重力演算法是利用資料本身的重力來吸引投入的隨機點,藉由隨機點被資料重力所吸引而得到初始的分群數及初始值。另外,在重力演算法中針對停止次數的兩個計算方法,一個是關於角度參數的計算,一個則是關於距離參數的計算,讓重力演算法更加的完善。
本研究所提的重力演算法,以六個網路上所取得的資料庫做測試,在測試結果中,重力演算法加K-Means的分群結果皆較K-Means及Lin初始值演算法加K-Means佳,換言之,本研究所提的重力演算法可以為K-Means提供一個更好的初始值決定方法。
不僅如此,為了證明本研究所提的演算法可以應用在實務上,本研究以問卷的方式蒐集了實際資料做分析,在分群結果中描述各群中的情況並提出具體行銷策略建議,幫助企業獲利。
目 錄
中文摘要 I
英文摘要 II
誌 謝 III
目 錄 IV
圖目錄 VI
表目錄 VII
第一章 緒論 1
1.1 研究動機 1
1.2 研究目的 3
1.3 研究流程 4
第二章 文獻探討 5
2.1 分群演算法 5
2.1.1 基本觀念 5
2.1.2 分群方法 6
2.1.3 衡量指標 7
2.2 K-Means演算法 8
2.2.1 K-Means基本觀念 8
2.2.2 K-Means的演變 9
2.2.3 K-Means與其他演算法的合併使用 10
2.3重力分群演算法 11
2.4 Lin初始值演算法 12
第三章 模式探討 14
3.1 變數定義與參數說明 14
3.2 模式假設與說明 14
第四章 範例測試 25
4.1 資料來源簡介 25
4.2 實驗設計 26
4.3 實驗結果 27
第五章 應用與分析討論 29
5.1資料描述 29
5.2分群結果 30
第六章 結論與未來研究方向 37
6.1結論 37
6.2管理意涵 37
6.3未來研究方向 38
參考文獻 40
附 錄 45
重力演算法程式 45


圖目錄
圖1- 1 研究流程圖 4
圖3- 1 重力演算法流程圖 18
圖3- 2 內積表示圖 19
圖3- 3 子演算法(1)流程圖 20
圖3- 4 子演算法(2)流程圖 22
圖3- 5 距離示意圖 23
圖3- 6 子演算法(1)’流程圖 24

表目錄
表4- 1 資料簡介 25
表4- 2 演算結果 28
表5- 1 KMO及Bartlett’s檢定結果 30
表5- 2 因素累積解釋變異量 31
表5- 3 各因素之因素負荷及題項 31
表5- 4 各因素之題項及信度 32
表5- 5 四個演算法之SE值 33
表5- 6 判別分析之結果 33
表5- 7 Lambda值及檢定結果 34
表5- 8各群內人口統計變數分怖狀況 34
中文部分
1吳欣穎(民89 年),企業導入顧客關係管理之研究,國立台北大學企業管理研究所碩士論文。
2林怡伸(民91),「The Study of Data Mining and Clustering Techniques for Improving Customer Relationship Management Performance」,元智大學管理研究所碩士論文。
3陳曉開(民88 年),整理McKinsey & Company,Inc.董事John Ott 於台灣第一屆「顧客關係管理研討會」之專題演講:成功地發展及執行持續性的關係行銷,電子化企業:經理人報告,第3 期,11 月,頁26-30。
4經濟部商業司(民89 年),1999 年度台灣「顧客關係管理」運用現狀調查報告,電子商務導航,第二卷,第13 期,http://www.ec.org.tw/ 民90 年7 月4 日。
5盧坤利(民89 年),台灣地區企業採用CRM 系統之影響因素研究,國立台灣大學商學研究所碩士論文。
英文部分
1Abba M.K., and Paul E. G.(1996), “Modifying Cluster-Based Segments to Enhance Agreement With an Exogenous Response Variable,” Journal of Marketing Research, pp.351-363.
2Adams, B.(2001),”Customer Relationship Management Uncovers Revenue From Loyal Guests,” Hotel And Motel Management, 216(9),pp.36-37.
3Anil, Bhatia (1999). Customer Relationship Management, 1st ed. U.S.A.;Don Hull.
4Anil C., Paul E. G., and John A. R.(1997),”A Feature-Based Approach to Market Segmentation Via Overlapping K-Centroids Clustering,” Journal of Marketing Research, pp.370-377.
5Bandyopadhyay, S., U. Maulik, and M. K. Pakhira (2001), “Clustering Using Simulated Annealing With Probibilistic Redistrbution,”Interational Journal of Pattern Recognition and Artificial Intellig ence, 15(2), pp.269-285.
6Battista, P., and D. Verhun (2000), “Customer Relationship Management,” CMA Management, 74 (4), pp. 34-37.
7Battista, P., and D. Verhun (2000), “Customer Relationship Management,” CMA Management, 74 (4), pp. 34-37.
8Berry, Michael J. A., and Gordon L. (1997), “The virtuous cycle of datamining,” Datamation, 43(5), pp. 14.
9Bezdek, J. C. (1973), “Fuzzy Mathematics in Pattern Classification,” Cornell University.
10Boote, A. S., “Market Segmentation by Personal Value and Salient Product Attributes,”Journal of Advertising Research, Vol. 21, No. 1, 1981, pp. 30-35.
11F. Carmone, A. Kara, and S. Maxwell(1999), “Hinov: A new model to improve market segments definition by identifying noisy variables,” Journal of Marketing Research.
12Chedsada Chinrungrueng and Carlo H.(1995), “Optimal Adaptive K-Means Algorithm with Dynamic Adjustment of Learning Rate,” IEEE,vol.6, no.1, pp.157-169.
13Ching-Chang Wong, Chia-Chong Chen, and Shin-Liang Yeh(2000), “K-Means-Based Fuzzy Classifier Design,” IEEE, pp.48-52.
14Chen, Ja-Shen, Ching, Russell, and Lin, Yi-Shen (2004), “An extended study of the K-Means algorithm and its applications,” Journal of the Operational Research Society, 55 (9), 976-987.
15Cholewka, K.(2001), “Tiered CRM:Serving Pip-squeaks to VIPs,” Sales And Marketing Management, 153(4),pp.25-26.
16Crosby L. A., and S. L. Johnson(2000), “Customer Relationship Management,” Marketing Management, 9(3), pp.4-5.
17Daly, J. J.(2001), ”Connecting In A Disconnected Age,” Credit Card Management, 14(5), p p.70-71.
18Dubois, L. (2001), “Member Tracking,” Credit Union Management, 24 (7), pp. 18-19.
19Dunn, J. C. (1973), “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-separated Clusters,” J. Cybernetics, 3 (3), pp. 32-57.
20Fargo, J.(2000),”The Customer Service Challenge,” Credit Card Management, 12(10), pp.36-44
21Forgy, E. (1965), “Cluster Analysis of Multivariate Data: Efficiency Versus Interpretability of Classification,” Biometrics, 21, pp.768-781.
22Frank J., Ali K., and Sarah M.(1999), “HINoV : A New Model to Improve Market Segment Definition by Identifying Noisy Variables,” Journal of Marketing Research,pp.501-509.
23Garcia-Escudero, L. A., and A. Gordaliza (1999), “Robustness Properties of K Means and Trimmed K Means,” Journal of the American Statistical Association, 94 (447), pp. 956-969.
24Green, P. E., and A. M. Krieger (1995), “Alternative Approaches to Cluster-Based Market Segmentation,” Journal of the Market Research Society, 3, pp. 221-239.
25Han, J. and M. Kamber (2001), “Data Mining: Concepts and Techniques,” Morgan Kaufmann.
26Huang, Samuel H. (1998), “Automated setup planning for lathe machining,” Journal of Manufacturing Systems, 17(3), pp. 196-208.
27Kalakota, Ravi and Marcia Robinson (1999). E-Business: Roadmap for Success, 1st ed., U.S.A.: Mary T. O’Brien.
28Kotler, P., Marketing Management, Analysis, Planning, Implementation and Control, 1992, 3th ed., Prentice-Hall , Inc , New York, NY.
29Krishna, K., and M. N. Murty (1999), “Genetic K-Means Algorithm,” IEEE Trans. Systems, 29 (3), pp. 433-439.
30Kuo, R.J., Ho, L.M., and Hu, C.M.(2002), “Integration of self-organizing feature map and K-means algorithm for market segmentation,” Computers and Operations Research,29,pp.1475-1493.
31Lin, Yi-Shen, Ching, Russell, and Chen, Ja-Shen (2003),The Study of an Initialization Approach for the K-means Algorithm, Technical Report, College of Management, Yuan Ze University.
32Looney, Carl G. (2002), “Interactive clustering and merging with a new fuzzy expected value,” Pattern Recognition, 35, pp.2413-2423.
33MacQueen, J. B. (1967), “Some Methods for Classification and Analysis of Multivariate Observations,” Proceeding of the Fifth Berkeley Symposium on Probability and Statistics, pp.281-297.
34McDonald M., and Dunbar I., Market Segmentation-- How to Do It, How to Profit from It, 2nd ed,1998, Macmillan, Inc, New York, NY.
35Mu-Chun Su, and Chien-Hsing Chou(2001), “Some Methods for Classification and Analysis of Multivariate Observations,” IEEE, vol.23,no.6.pp.674-680.
36Ptak, L.(2001),”Measuring Client Value,” CMA Management, 75(4), pp.38-40.
37Ryals, L., and S. Knox(2001),”Cross-Functional Issues in the Implementation of Relationship Marketing Through Customer Relationship Management,” European Management Journal, 19(5), pp.534-542.
38Seligman, M.(2001),”Switching ON TO CRM,” Management, 48(4), pp.42-45.
39Storey, C. K. (2001a), “Relationship Connection,” Credit Union Management, 24 (2), pp. 50-53.
40W.E. Wright.(1977) “Gravitational Clustering,” Pattern Recognition, vol. 9, no. 3, pp.151-166.
41Wendell R.S. (1956) , ”Product Differentation and Market Segmentation as Alternative Marketing Strategies,” Journal of Marketing,21,pp.3-8.
42Winer, R. S.(2001), “A Framework For Customer Relationship Management,” California Management Review, 34(4), pp.89-105.
43Yen-Jen Oyang, Chien-Yu Chen, and Tsui-Wei Yang (2001). “A Study on the Hierarchical Data Clustering Algorithm Based on Gravity Theory,” Proceedings of 5th European Conference on Principles and Practice of Knowledge Discovery in Databases, pp. 350-361.
44Yu, L.(2001), “Succesful Customer-Relationship Management,” MIT Sloan Management Review, 42(4), pp.18-19.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 羅風,〈端正選風,中國國民黨展現決心和魄力〉,《中央月刊》,第22卷,第7期,民78.7。
2. 羅風,〈端正選風,中國國民黨展現決心和魄力〉,《中央月刊》,第22卷,第7期,民78.7。
3. 羅風,〈端正選風,中國國民黨展現決心和魄力〉,《中央月刊》,第22卷,第7期,民78.7。
4. 董翔飛,〈選舉機關應扮演的角色及其權責的探討〉,《法律評論》,第55卷,第7期,民78.7。
5. 董翔飛,〈選舉機關應扮演的角色及其權責的探討〉,《法律評論》,第55卷,第7期,民78.7。
6. 董翔飛,〈選舉機關應扮演的角色及其權責的探討〉,《法律評論》,第55卷,第7期,民78.7。
7. 董翔飛,〈我國選舉制度之問題及其展望〉,《法律評論》,第57卷,第4期,民80。
8. 董翔飛,〈我國選舉制度之問題及其展望〉,《法律評論》,第57卷,第4期,民80。
9. 董翔飛,〈我國選舉制度之問題及其展望〉,《法律評論》,第57卷,第4期,民80。
10. 陳佳吉,〈我國政治獻金規範之研究〉,《立法院院聞》,第28卷,第12期,民89.12,頁73-99。
11. 陳佳吉,〈我國政治獻金規範之研究〉,《立法院院聞》,第28卷,第12期,民89.12,頁73-99。
12. 陳佳吉,〈我國政治獻金規範之研究〉,《立法院院聞》,第28卷,第12期,民89.12,頁73-99。
13. 李紀珠,〈全民期待獨立超然的金監會-政黨比例代表設計目的是為現行金監會組織法中保障其獨立性的監督機制〉,《國家政策論壇》,第2卷,第3期,民91。
14. 李紀珠,〈全民期待獨立超然的金監會-政黨比例代表設計目的是為現行金監會組織法中保障其獨立性的監督機制〉,《國家政策論壇》,第2卷,第3期,民91。
15. 李紀珠,〈全民期待獨立超然的金監會-政黨比例代表設計目的是為現行金監會組織法中保障其獨立性的監督機制〉,《國家政策論壇》,第2卷,第3期,民91。
 
系統版面圖檔 系統版面圖檔