臺灣博碩士論文加值系統

本研究依照有線電視系統業者擁有獨立經營區域且擁有眾多現行收視客戶群之特點，且可採用同軸線纜（HFC）寬頻技術上網的優勢，藉由資料採礦（Data Mining）及客戶關係管理（CRM）等相關理論為研究工具，尋找纜線寬頻潛在顧客並有效地開發新顧客，提供現有纜線寬頻業者參考及相關學者進一步研究之用。
本研究以A有線電視公司現行纜線寬頻的顧客資料（約2000筆）為基礎加以萃取，利用卡方檢定、削減錯誤法先行對寬頻客戶資料各變數檢視其關聯性，再擇適當的資料變數。最後利用決策樹來進行分析，找出最佳之客戶預測模式，並建構出適合行銷推廣纜線寬頻之最佳顧客回應模式。最終目的希望能協助有線電視寬頻產值開發，並正確地鎖定最佳顧客族群輪廓，進行有效率的行銷推廣活動，以降低行銷成本並增加顧客的生命期價值。
最後，本研究實證所使用資料採礦的方法，確實能獲得不錯的預測結果，但因實驗資料筆數限制，影響實驗模型所建立之預測率，若能隨著纜線寬頻用戶成長，客戶資料增加，則應能有效提高預測能力。

Based on the characteristics that the local cable TV (CATV) owns an individual business area and original cable viewers and the advantages of the hybrid fiber/coaxial (HFC) and Broadband network skills, CATV can dig out the potential customers of the Broadband network and develop new customers effectively by applying the theories of data mining and customer relationship management (CRM), etc. This research can be used for further research by academics or the Broadband Cable industry’s reference.
This research is based on the current cable TV audiences (about 2,000 data) that were surveyed by Chi-square test and the process of data cleaning in order to check the correlation between each variable. During this process, the correct data variables will be culled. Lastly this research will find the best model of the customer prediction by decision tree technique, and build an excellent customers response model for the Broadband network industry. The objective of this research is to enable the industry’s output value and aim at the group of best customers, and then promote effectively. On the other hand, it will help decrease the cost of the promotion but increase the life time value of customers.
The data mining technique that we apply in this investigation actually gets positive results of prediction. However the accuracy of the anticipation model is affected due to the limited amount of data in this research. As the market of Broadband cable is developing, the database will keep growing and the capacity of this model will also grow as well.

目錄................................................................ I
表目錄............................................................. IV
圖目錄.............................................................VII

第一章 緒論 1
第一節 研究背景 1
一、台灣有線電視的演進 1
二、台灣有線電視的市場概況 1
三、台灣有線電視的寬頻發展 2
第二節 研究動機 4
第三節 研究目的 5
第四節 研究流程 6
第二章 文獻探討 7
第一節 寬頻網路定義及現況 7
第二節 纜線寬頻相關研究 9
一、纜線寬頻概述 9
二、纜線寬頻使用者研究 12
第三節 顧客關係管理相關研究 13
一、顧客關係管理定義 13
二、顧客關係管理效益 16
第四節 資料採礦 17
一、資料採礦的定義 17
二、資料採礦類別 19
三、解決資料採礦問題的方法或工具 21
第三章 研究方法 27
第一節 研究範圍與研究對象 27
一、公司背景介紹 27
二、公司電腦化的進程 28
三、第一階段訪談結果 29
第二節 研究架構 30
一、顧客回應模式產生階段 31
二、顧客回應模式驗證階段 35
三、成果應用與管理意涵 35
第四章 研究結果與討論 38
第一節 資料特性分析 38
ㄧ、客戶別 38
二、分機數 40
三、裝機時間 40
四、電視訊號品質 41
五、最近3個月內是否撥打電話至公司 41
六、撥打電話至公司原因 42
七、平均兩個月電視故障次數 42
八、擁有電腦數 43
九、申請使用頻寬 43
十、寬頻服務資訊來源 43
十一、年齡 44
十二、教育程度 44
十三、居家人數 45
十四、職業 45
十五、性別 46
第二節 差異分析 47
ㄧ、性別 47
二、年齡 49
三、教育程度 55
四、纜線寬頻申裝使用頻寬 60
第三節 關聯係數 71
第四節 決策樹模式分析 74
一、輔助軟體 74
二、模型結果分析 75
第五章 研究結論與建議 99
第一節 研究結論 99
一、資料特性分析 99
二、差異分析 100
三、決策樹分析 104
第二節 研究建議 106
第三節 研究限制 107
參考文獻 108


表 目 錄

表3- 1產品類型分類 34
表4- 1 纜線寬頻客戶資料-客戶別特性分析 39
表4 - 2 纜線寬頻客戶資料-分機數特性分析 40
表4 - 3 纜線寬頻客戶資料-電視裝機時間特性分析 40
表4 - 4 纜線寬頻客戶資料-電視訊號品質特性分析 41
表4 - 5 纜線寬頻客戶資料-近3個月內是否撥電話至公司特性分析 41
表4 - 6 纜線寬頻客戶資料-近3個月撥電話至公司原因特性分析 42
表4 - 7 纜線寬頻客戶資料-平均兩個月電視故障次數特性分析 42
表4 - 8 纜線寬頻客戶資料-家中擁有幾部電腦特性分析 43
表4 - 9 纜線寬頻客戶資料-申裝使用頻寬特性分析 43
表4-10纜線寬頻客戶資料-寬頻服務訊息來源特性分析 44
表4-11纜線寬頻客戶資料-年齡層特性分析 44
表4-12纜線寬頻客戶資料-教育程度特性分析 44
表4-13纜線寬頻客戶資料-居家人數特性分析 45
表4-14纜線寬頻客戶資料-職業特性分析 46
表4-15纜線寬頻客戶資料-性別特性分析 46
表4-16個案公司之纜線寬頻用戶之性別卡方檢定 48
表4-17個案公司之纜線寬頻用戶性別與電視訊號品質交叉表 48
表4-18個案公司之纜線寬頻用戶之年齡卡方檢定 49
表4-19個案公司之纜線寬頻用戶年齡與電視裝機時間交叉表 50
表4-20個案公司之纜線寬頻用戶年齡與電視訊號品質交叉表 51
表4-21個案公司之纜線寬頻用戶年齡與近3個月內打電話交叉表 52
表4-22個案公司之纜線寬頻用戶年齡與故障次數電話交叉表 52
表4-23個案公司之纜線寬頻用戶年齡與電腦數交叉表 53
表4-24個案公司之纜線寬頻用戶年齡與寬頻訊息來源交叉表 54
表4-25個案公司之纜線寬頻用戶之性別卡方檢定 55
表4-26個案公司之纜線寬頻用戶教育程度與客戶別交叉表 56
表4-27個案公司纜線寬頻用戶教育程度與電視裝機時間交叉表 57
表4-28個案公司之纜線寬頻用戶教育程度與電視訊號品質交叉表 58
表4-29個案公司之纜線寬頻用戶教育程度與打電話給公司交叉表 59
表4-30個案公司之纜線寬頻用戶教育程度與電腦部數交叉表 59
表4-31個案公司之纜線寬頻用戶之性別卡方檢定 60
表4-32個案公司之纜線寬頻用戶使用頻寬與年齡交叉表 61
表4-33個案公司之纜線寬頻用戶使用頻寬與教育程度交叉表 63
表4-34個案公司之纜線寬頻用戶使用頻寬與客戶別交叉表 64
表4-35個案公司纜線寬頻用戶使用頻寬與電視裝機時間別交叉表 64
表4-36個案公司之纜線寬頻用戶使用寬頻與分機數量交叉表 65
表4-37個案公司纜線寬頻用戶使用寬頻與打電話給公司交叉表 66
表4-38個案公司之纜線寬頻用戶使用頻寬與打電話原因交叉表 67
表4-39個案公司之纜線寬頻用戶使用頻寬與故障次數叉表 68
表4-40個案公司之纜線寬頻用戶使用頻寬與擁有電腦數交叉表 69
表4-41個案公司纜線寬頻用戶使用頻寬與寬頻訊息來源交叉表 70
表4-44 Gain Summary-全資料集 77
表4-45 Misclassification Matrix-全資料集 77
表4-46 Gain Summary- Training(50%) 80
表4-47 Misclassification Matrix - Training(50%) 81
表4-48 Gain Summary- Testing(50%) 83
表4-49 Misclassification Matrix – Testing(50%) 84
表4-50 Gain Summary- Training(67%) 87
表4-51 Misclassification Matrix - Training(67%) 88
表4-52 Gain Summary- Testing(33%) 90
表4-53 Misclassification Matrix - Testing(33%) 91
表4-54 Gain Summary- Training(75%) 94
表4-55 Misclassification Matrix - Training(75%) 95
表4-56 Gain Summary- Testing(25%) 97
表4-57 Misclassification Matrix - Testing(25%) 98
表5- 1 頻寬與變數類別之差異分析明顯特徵表 100
表5- 2 變數類別之決策樹預測率資料整理表 105



圖 目 錄

圖1- 1台灣有線電視普及率長條圖 2
圖1- 2台灣寬頻用戶統計資料 3
圖1- 3研究流程圖 6
圖2- 1 ITU全球寬頻普及率排名 9
圖2- 2 K-means 演算法執行過程 25
圖3- 1研究架構圖 30
圖4- 1 SPSS Answer tree 3軟體視窗圖 74
圖4- 2 分類樹圖-全資料集 76
圖4- 3 分類樹圖-Training(50%) 79
圖4- 4（50%）Training Gains Chart 80
圖4- 5（50%）Training Lift Chart 81
圖4- 6分類樹圖-Testing(50%) 82
圖4- 7（50%）Testing Gains Chart 83
圖4- 8（50%）Testing Lift Chart 84
圖4- 9分類樹圖-Training(67%) 86
圖4- 10（67%）Training Gains Chart 87
圖4- 11（67%）Training Lift Chart 88
圖4- 12分類樹圖-Testing(33%) 89
圖4- 13（33%）Testing Gains Chart 90
圖4- 14（33%）Testing Lift Chart 91
圖4- 15分類樹圖-Training(75%) 93
圖4- 16（75%）Training Gains Chart 94
圖4- 17（75%）Training Lift Chart 95
圖4- 18分類樹圖-Testing(25%) 96
圖4- 19（25%）Testing Gains Chart 97
圖4- 20（25%）Testing Lift Chart 98

中文部份：
1.吳昇洋（2004），「應用資料採礦技術評估客扶中心顧客管理之績效」。國立清華大學工業工程與工程館理學系碩士論文。
2.林心湄、傅旋（2001），「新事物採用因素研究—以台北市有線電視寬頻上網潛在採用者為例」，中華傳播學會2001 年學術研討會論文。
3.林呈達（2002），「寬頻網路使用與滿足研究--比較ADSL與Cable Modem之異同」，國立交通大學傳播研究所碩士論文。
4.邱志洲、李天行、周宇超、呂奇傑（2002），「整合鑑別分析與類神經網路在資料探勘上之應用」, 工業工程學刊，第19期，第2卷，頁9-22。
5.張欣玲（1999），「臺灣有線電視產業垂直整合發展影響面之研究—從價值鏈觀點分析」，元智大學資訊傳播研究所碩士論文。
6.梁定澎（2001），「有線視訊寬頻網路服務需求與經營策略之研究」，台灣有線視訊寬頻網路發展協進會委託研究。
7.陳世運1（2001），「南韓寬頻使用率全球第一」，網際網路資訊情報。
8.陳世運2（2001），「數位時代迎接寬頻網路生活」，資策會電子商務研究所。
9.彭德昭（2003），「有線電視垂直整合之影響台灣有線電視產業之實證」。逢甲大學經濟學系碩士班碩士論文。
10.黃仁宏（2001），「台灣有線電視寬頻網路整合行銷之研究」。政治大學廣播電視研究所碩士論文。
11.趙怡、陳駿德（1999），「寬頻網路服務的發展趨勢和競爭分析」，傳播管理新思潮研討會。
12.劉幼琍、陳清河（2001），「台灣Cable Modem寬頻網路使用行為之研究」，第四屆廣電學術與實務研討會論文。
13.簡陳中（1999），「我國有線電視與電信產業跨業經營之前景研究」，銘傳大學傳播管理研究所碩士論文。
14.EC研究報告（2002），顧客關係管理與資料採礦，台灣國際電子商務中心。

英文部份：
1.Adriaans, P. & Zantinge, D. (1996), “Data mining”, Reading Mass.: Addison- Wesley.
2.Baesens, B., Viaene, S., Poel, D. V, Vanthienen, J. & Dedeme, G. (2002), “Bayesianneural network learning for repeat purchase modeling in direct marketing,” European Journal of Operational Research, 138(1), pp. 191-211.
3.Berry, M.J.A. & Linoff G. (1997), “Data Mining Techniques: For Marketing Sale and Customer Support,” Canada: John Wiley & Sons Inc.
4.Berson, A., Smith, S. & Thearling, K. (2000), Building data mining applications for CRM, McGraw-Hill.
5.Coenen, F., Swinnen, G., Vanhoof, K. & Wets, G. (2000), “The improvement ofresponse modeling: combining rule induction and case-based reasoning”, Expert Systems with Application, 18(4). 307-313.
6.Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996), “The KDD process for extracting useful knowledge from volumes of data,” Communications of the ACM, 39(11), 27-34.
7.Frawley, W. J., Paitetsky-Shapiro, G. & Matheus, C. J. (1991), “Knowledge Discovery in Databases: An Overview, Knowledge Discovery in Databases,” California, AAAI/MIT Press, pp.1-30.
8.Greenfeld, N. (1996), “Data mining,” Unix Review, Vol. 14 No.5, pp.9-14.
9.Han, J. & Kamber, M. (2000), Data Mining: Concepts and Techniques, Morgan Kaufmann.
10.Hand, D. J., Mannila, H. & Smyth, P. (2000), Principles of Data Mining, MIT Press, Fall.
11.Hastie, T., Friedman, J. & Tibshirani, R. (2001), The element of statistical learning, New York: Springer.
12.Kalakota, R. & Robinson, M. (1999), e-Business: Roadmap for Success, Boston: MA, Addison-Wesley.
13.Levin, N., Zahavi, J & Olitsky, M. (1995), ”AMOS - A probability driven,customer oriented decision support system for target marketing of solo mailing”, European Journal of Operational Research, 87(3), pp.708-721.
14.Peacock, P. R. (1998), “Data mining in marketing: Part I,” Marketing Management, 6(4), pp. 8-18.
15.Quinlan, J. R. (1993), C4.5: Programs for Machine Learning, Morgan Kaufmann, San Mateo, CA, USA.
16.SPSS Inc. (1998), AnswerTree 2.0 User’s Guide, American: Chicago.
17.Suh, E. H., Noh, K. C. & Suh, C. K. (1999), “Customer list segmentation using thecombined response model,” Expert Systems with Applications, 17(2), pp.89-97.
18.Sung, N. H. & Lee, J. K. (2000), “Knowledge assisted dynamic pricing, forlarge scale retailers,” Decision Support Systems, 28(4), pp.347-363.
19.Verhoef, P. C., Spring, P. N., Hoekstra, J. C. & Leeflang, P. S. H. (2003), “Thecommercial use of segmentation and predictive modeling technique for databasemarketing in the Netherlands,” Decision Support Systems, 34(4), pp. 471-481.
20.Webster, F. (1992), “The changing role of marketing,” Corporation Journal of Marketing, 56, pp.1-17.
21.Wei, C. P. & Chiu, I. T. (2002), “Turning telecommunication call details to churnprediction: a data mining approach,” Expert Systems with Applications, 23(2), pp.103-112.
22.Zahavi, J. & Levin, N. (1995), “Issues and problems in applying neural computing totarget marketing,” Journal of Direct Marketing, 9(3), pp. 33-45.