臺灣博碩士論文加值系統

隨著國人旅遊需求結構的改變及週休二日的實施，使得國人安排旅遊型態的多樣性及天數的增加，也帶動旅遊業的蓬勃發展。再加上資訊技術的日新月異，旅遊業者可以更輕易地記錄、儲存消費者的交易資料、及分析消費者的旅遊傾向，使得旅遊業者有機會由傳統單向的大量旅遊行銷方式，轉變成客製化、適性化與互動式的旅遊行銷方式，這對改善旅遊業者與顧客之間的關係、提升顧客的忠誠度與滿意度、及擴展市場利基都有顯著的影響。
在本研究中，我們將系統分為發掘景點最適性之消費者、發掘消費者最適性之景點、發掘具有旅遊次序之景點最適性的消費者及發掘具有旅遊次序之消費者最適性的景點四大部份，並以旅遊資料為探勘的資料來源，每一筆旅遊資料包含有遊客的旅遊資訊紀錄順序，並以某一人或景點為探勘的目標，利用分類分析(classification analysis)來發掘此一人或景點之最適性旅遊資料，之後再加入次序性，藉以探勘具有次序性的旅遊資料。我們根據所提出的方法，設計與建置一個旅遊地點或人最適性的旅遊探勘系統，以提供業者在擬定最適性之行銷服務的參考資訊。

Because the change and increasing on holidy of travel demands of people, the development of the tourist industry that makes is fast, Combine with the progress of the information technology, Tourist industry person can write down, store the consumers' trade materials more easily and Analyse consumers' travel interest degree, The person who makes tourist industry will on sale throughout the way and be changed and suit the customer travel and on sale throughout the way by the traditional travel, This to person who improves tourist industry and relation of customer, raise between loyalty and satisfaction of customer, and expand market have apparent influence.
In this thesis, We will divide into four parts systematically, The travels data is Discover data sources, The travels information that every travels record include visitors data, Then Using Classification Analysis to Discover the Most Adaptive Marketing Strategy of Scenic Spots, According to the method, We Design and construction one scenic spot or people's most Adaptive travels discover system, In order to offering industry person's reference information of marketing service.

摘要 ii
英文摘要 iii
目次 iv
表目錄 vi
圖目錄 vii
第一章 緒論
1.1 研究動機 1
1.2 研究目的 2
1.3 研究流程 4
1.4 論文架構 4
第二章 相關研究
2.1 資料探勘之探討 6
2.2 資料探勘在旅遊行銷上應用 8
2.3 資料探勘相關技術 9
2.3.1 關聯規則 9
2.3.2 次序相關 16
2.3.3 分群 16
2.4.3 分類 18
第三章 探勘旅遊景點最適性之行銷策略
3.1 發掘景點最適性之消費者 21
3.1.1 探勘方法 21
3.1.2 實例說明 22
3.2 發掘消費者最適性之景點 26
3.2.1 探勘方法 26
3.2.2 實例說明 26
第四章 探勘具有次序之旅遊景點最適性的行銷策略
4.1 發掘具有旅遊次序之景點最適性的消費者 29
4.1.1 探勘方法 29
4.1.2 實例說明 29
4.2 發掘具有旅遊次序之消費者最適性的景點 32
4.2.1 探勘方法 32
4.2.2 實例說明 33
第五章 系統建置與分析
5.1 資料設定及格式說明 36
5.2 探勘旅遊景點最適性之行銷策略系統畫面 39
5.2.1 發掘景點最適性之消費者系統說明 39
5.2.2 發掘消費者最適性之景點系統說明 40
5.3 探勘具有次序之旅遊景點最適性的行銷策略系統畫面 42
5.3.1 發掘具有旅遊次序之景點最適性的消費者系統說明 42
5.3.2 發掘具有旅遊次序之消費者最適性的景點系統說明 44
第六章 結論與未來展望
6.1 結論 46
6.2未來展望 46
參考文獻 48

1.魏志平、董和昇，電子商務與實務，華泰文化事業有限公司，第147-184頁，民國90年。
2.陳垂呈、藍承炫，利用分類分析於通聯記錄中發掘潛在具有犯罪傾向之嫌疑犯，第三屆工研院創與科技管理研討會，民國93年。
3.陳肇男，旅遊行程安排及探勘分析之實作，雲林科技大學電子與資訊工程研究所碩士論文，民國88年。
4.鄭丞君，資料挖掘技術在旅遊行銷之應用，南華大學資訊管理學系研究所碩士論文，民國93年。
5.周蓉滋，建構溫泉旅館專家系統，銘傳大學觀光研究所碩士論文，民國91年。
6.曹勝雄，觀光行銷學，台北，揚智文化事業股份有限公司，民國90年1月。
7.Alastair M.Morrison，餐旅服務業與觀光行銷，王昭正譯，弘智文化事業有限公司，台北，民國89年8月。
8.C. L. Sabharwal, K. R. Hackem and D. C. St. Clair, “Formation of Clusters and Resolution of Ordinal Attributes in ID3 Classification Trees,” Proc. of ACM/SIGAPP Symposium on Applied Computing: Technological Challenges of the 1990’s, pp. 590-597, 1992.
9.P. Clark and T. Niblett, “The CN2 Induction Algorithm,” Machine Learning, Vol. 3, pp. 261-283, 1989.
10.E. Rich and K. Knight, Learning in Neural Network, 2nd Ed., McGraw-Hill, New York, 1991.
11.R. Agrawal, R. Srikant: “Mining Sequential Patterns,” Proc. Of the Int'l Conference on Data Engineering (ICDE), Taipei,Taiwan, March 1995.
12.S. Guha, R. Rastogi, and K. Shim, “CURE: An Efficient Clustering Algorithm for Large Database,” Proceedings of the ACM SIGMOD Conference on Management of Data, pp. 2-4. 1998.
13.L. Kaufman and P. J. Rousseeuw, Finding Groups in Data: an Introduction to Cluster Analysis, John Wiley & Sons, 1990.
14.R. T. Ng and J. Han, “Efficient and Effective Clustering Methods for Spatial Data Mining,” Proceedings of the 20th International Conference on Very Large Data Bases, pp. 144-155, 1994.
15.R. C. Dubes and A. K. Jain, “Algorithms for Clustering Data, Prentice Hall,” 1988.
16.K. Alsabti, S. Ranka, and V. Singh, “An Efficient K-Means Clustering Algorithm,” PPS/SPDP Workshop on High Performance Data Mining, 1997.
17.J. Han, and M. Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, CA, USA, 2001.
18.W. Taam, and M. Hamada, “Detect spatial effects from factorial experiments: an application from integrated-circuit manufacturing,” Technometric, Vol. 35,No. 2, pp.149-160, 1993.
19.J. R. Quilan, C4.5: Programs for Machine Learning, Morgan Kaufmann, 1993.
20.J. R. Quilan, “Induction of decision trees,” Machine Learning, pp. 81-106, 1986.
21.L. Breiman, J. Friedman, R. Olshen, and C. Stone, “Classification of Regression Trees,” Wadsworth, 1984.
22.R. Agrawal, T. Imielinski and A. Swami. , “Mining Association Rules between Sets of Items in Very Large Database”, Proceedings of the ACM SIGMOD Conference on Management of Data, pp. 207-216, 1993.
23.R. Srikant and R Agrawal, “Mining Generalized Association Rules,” Proceedings of the 21th International Conference on Very Large Data Bases, pp. 407-419, 1995.
24.R. Srikant, and R. Agrawal, “Mining Quantitative Association Rules in Large Relational Tables,” Proceedings of the ACM SIGMOD Conference on Management of Data, pp. 1-12, 1996.
25.J. S. Park, M. S. Chen, and P. S. Yu, “Using a Hash-Based Method with Transaction Trimming for Mining Association Rules,” IEEE Transactions on Knowledge and Data Engineering, Vol. 9, No. 5, pp. 813-825, 1997.