跳到主要內容

臺灣博碩士論文加值系統

(44.213.63.130) 您好!臺灣時間:2023/02/01 02:11
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:蕭乃綺
研究生(外文):Nai-Chi Hsiao
論文名稱:應用資料採礦技術於我國壽險業顧客價值分析之研究
論文名稱(外文):Application of Data Mining to customer value analysis of Taiwan's Insurance Industry
指導教授:洪堯勳洪堯勳引用關係
指導教授(外文):Jan-Shin Hon
學位類別:碩士
校院名稱:東海大學
系所名稱:工業工程與經營資訊學系
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2006
畢業學年度:94
語文別:中文
論文頁數:76
中文關鍵詞:顧客關係管理資料採礦決策樹演算法關聯法則保險業RFM理論
外文關鍵詞:Customer relationship managementData MiningDecision TreeAssocition rulesInsuranceRFM Theory
相關次數:
  • 被引用被引用:19
  • 點閱點閱:1034
  • 評分評分:
  • 下載下載:362
  • 收藏至我的研究室書目清單書目收藏:5
我國保險產業主要以人身保險為主,其特性在於以人為商品標的物,而人的需求不斷改變,複雜地近乎沒有規律。再加上近期政府甫通過之勞退新制,益愈擴大了原本就存在於業者與顧客間之資訊差距。壽險業者雖不斷推出新產品以為因應,但其經營方式多利用業務員之人際網絡開發新顧客。然若業者能依據80/20法則善用既有資料,則可從其中挖掘出既有顧客之潛在需求,並達投保率之提升與新顧客之開發。
本研究以人身保險產業為研究對象,利用資料採礦對個案金融控股公司之人身保險資料庫進行分析,首先將資料採礦與顧客價值之概念結合,以建立研究架構。其次,將初始的資料透過格式轉換與定義,轉變為分析所需要的結構化資料,接著利用RFM理論為顧客價值指標以概念區分顧客等級,並以資料採礦的決策樹演算法來驗證顧客等級之分類與欄位定義模式;最終,將決策樹驗證後之分類模式定義投入關聯法則Apriori演算法,以萃取出各顧客價值層級之潛藏法則。
本研究應用關聯法則於決策樹已驗證之分層定義,分別針對四個顧客價值層級作法則萃取,研究結果顯示,第一、四層級法則多等同於直觀判斷之特徵,惟第一層級之險種類別理出關聯;第二、三層級於保戸特徵及保單特徵上則皆具表現,未來壽險人員可應用該些法則研擬二次行銷策略,並以此作為新客戸開發之依據。

關鍵字詞:顧客關係管理、資料採礦、決策樹、關聯法則、保險業
The insurance industry of Taiwan focuses on the product of Life Insurance which’s most obvious character is using human being to be product target. However, people’s needs change all the time and there is no rule to describe it. Additionally, government had approved a bill called Monthly Contribution Wages Classification of Labor Pension recently, and that can also make the increase of information gap which exists between customers and insurance companies. In order to solve this kind of problem, Life Insurance companies update products continually to custoermize for people’s need. The way most insurance companies use for contracts develping is by sales’ relations. Nevertheless, according to 80/20 principle, if companies can utlize the dada which have be stored, they will find out the customers’ lantent needs and use resources efficiently to maintain the high value customers.
This methodology aims to show that Data Mining can act as the substantial evidence for examining the data of insurance industry. It focused on the study of Life Insurance industry and analyze with the data which was from the database of case Financial Holding Co., Ltd. First, we will be combining the concept of data mining and customer relationship management in building the main structure of this study. Transforming the row data obtained through data switching and data identification into material which are good to be read by both analysts and the system is the second step. Using RFM Theory to decide which value level the customer is in and mark off every different level. After that, we will validate the clustered definition of customer’s value level by the algorithm of Decision Tree and use the validated definition to the following. Finally, we will calculate out the most significant rules of every customer’s value level for this company by Apriori algorithm.
According to Association rules, the result of this study reveals that the characters of level one and level four macth with the intuition, except for the kind of insurances which the customers of level one have bought. The characters of customers and contracts in level two and level three are obviously. Sales of Life insurance companies can apply these rules to second marketing strategy making and contract developing.

Keyword:Customer Relationship Management、Data Mining、Decision Tree、Association Rule
目錄
論文摘要 I
誌謝 III
目錄 IV
表 目 錄 VI
圖 目 錄 VII
第一章 緒論 1
1.1研究背景與動機 1
1.2研究問題與目的 2
1.3研究流程 3
1.4研究範圍與限制 4
1.4.1研究範圍 4
1.4.2研究限制 4
第二章 文獻探討 6
2.1保險業 6
2.1.1保險產品的分類 6
2.1.2保險產業之現況與未來發展 7
2.2顧客價值 10
2.2.1顧客價值之定義與方法 11
2.2.2 顧客價值指標RFM模式 15
2.2.3顧客價值於顧客關係管理之步驟 16
2.3 資料採礦 17
2.3.1資料採礦的定義 17
2.3.2資料採礦的功能 18
2.3.3資料採礦的方式 19
2.3.4資料採礦與統計方法 21
2.3.5資料採礦的流程 24
2.3.6資料採礦於保險業之應用 25
第三章 研究方法 28
3.1 研究工具 28
3.2 研究架構 28
3.3資料蒐集處理與分析 29
3.3.1資料蒐集 29
3.3.2資料處理 30
3.4 RFM顧客價值指標 31
3.5決策樹學習法 31
3.5.1 C4.5演算法 34
3.6 關聯法則 36
3.6.1關聯法則分析之演算法 38
3.6.2 Apriori演算法 38
第四章 研究分析 42
4.1目標資料處理與敘述統計分析 42
4.1.1目標資料轉換 42
4.1.2敘述性統計分析 44
4.2RFM顧客價值分群及決策樹驗證 50
4.2.1RFM顧客價值分群 50
4.2.2決策樹驗證分群 53
4.3關聯法則挖掘及策略建立 58
4.3.1資料前處理 59
4.3.2資料後處理與法則分析 59
第五章 結論與建議 68
5.1結論 68
5.2未來研究與建議 71
參考文獻 72
參考文獻
中文部分
【1】大前研一,策略家的智慧,長河出版社,1983年10月。
【2】比爾.蓋茲,數位神經系統,樂為良譯,商業周刊出版,1999年。
【3】安迅資訊公司,”整合企業經營策略與顧客關係管理”,電子化企業經理人報告,1999年11 月,pp20~25。
【4】江茂榮,自組織映射圖類神經網路建構壽險業客戶投保關係管理模式,碩士論文,國立高雄第一科技大學風險管理與保險所,2002。
【5】李宏谷,應用自組織映射圖網路於顧客關係管理之分群研究,碩士論文,私立中華大學科技管理研究所,2002。
【6】李昇暾,「以資料採礦深化顧客關係管理」,電子化企業經理人報告,第7期,遠擎管理顧問公司,2000年3月,pp.37~pp.42。
【7】李家旭,「應用資料採礦技術於保險公司附加保單之增售」,碩士論文,國立政治大學統計研究所,2002年。
【8】李珮榕,以資料採礦技術分析大台北地區保單貸款,碩士論文。國立政治大學/統計研究所,2002。
【9】沈聰益,「人格五因素模式預測保險業務員銷售績效的效度-NEO-PI-R量表之跨文化檢驗與人際特質架構之實證探討」,博士論文,國立交通大學經營管理研究所,2002年。
【10】林育宏,建構可供資料採擷之壽險客戶關係管理模式,碩士論文,國立高雄第一科技大學風險管理與保險所,2002。
【11】林明宏,壽險保單早期失效之預測-類神經網路之應用,碩士論文,私立朝陽科技大學保險金融管理系,2002。
【12】吳旭智、賴淑貞譯,Data Mining資料採礦理論與實務顧客關係管理的技巧與科學,Michael J.A. Berry &Gordon S. Linoff,維科圖書有限公司,2001,台北
【13】洪英瑞,「網際網路之顧客服務策略-以運用網路下單之證券商為例」,碩士論文,台灣大學工業工程學,台北,2001年。
【14】涂靜儀,結合自組織映射圖類神經網路與基因演算法建構壽險業顧客關係管理之知識採擷模式,碩士論文,高雄第一科技大學風險管理與保險所碩士論文,2001年。
【15】張家鳳,「利用資料挖掘技術建構保險業之差異化行銷模型」,碩士論文,私立世新大學資訊管理學系,2004年。
【16】張愷芬,「資料採礦-保險業商品市場分析」,碩士論文,私立淡江資訊工程學系,2003年。
【17】彭文正譯,資料採礦-顧客關係管理暨電子行銷之應用, Berry and Linoff,數博網股份有限公司,1998年。
【18】陳佳楨,「資料探勘應用於就診行為與醫師排班之研究-以埔里基督教醫院為例」,碩士論文,國立暨南國際大學資訊管理研究所, 2003年。
【19】陳佳鈴,「應用資料探勘於客戸關係管理之分群研究-以壽險業為例」,碩士論文,私立中華大學科技管理研究所,2004年。
【20】陳曉開,電子化企業經理人報告,第三期。
【21】陳麒文,健康休閒俱樂部顧客流失分析模式之研究,碩士論文,私立輔仁大學體育研究所,2002。
【22】陸承志,”如何運用網站經營顧客關係”,DATA 數位行銷,2,2001,71-72。
【23】黃品豪,「網路下單對投資行為與投資績效之影響」,碩士論文,國立中央大學資訊管理學系研究所,2002年。
【24】詹凱傑,「應用資料採礦技術於顧客流失分析之研究-以國產汽車維修業為例」,碩士論文,私立東海大學工業工程與經營資訊學系,2004年。
【25】壽險商業同業公會、台灣經濟研究院產經資料庫整理,2005年9月。
【26】潘筱瑜譯,簡明行銷聖經,Joseph H. Boyett & Jimmie T.Boyett,商周出版,2004年。
【27】廖峻毅,「兼顧顧客價值與企業利潤之服務策略」,碩士論文,靜宜大學管理科學研究所,台中,1996年。
【28】廖雅郁,「應用資料探採於我國西藥行銷之研究」,碩士論文,國立交通大學經營管理研究所,新竹,2003年。
【29】趙民德,關於數據採礦中取樣概念的一些探討,成功大學資料採礦研討會,2001年。
【30】劉玉萍,”整理NCR公司助理副總裁Ronald S. Swift 於遠擎智慧企業部舉辦2000「一對一行銷」研討會中之專題演講:運用「一對一行銷」執行顧客關係管理已提升企業利潤”,電子企業:經理人報告,第11期,7月,2000年,頁7-10。
【31】劉典嚴,「仰賴TQM解開顧客價值的三角習題」,品質管制月刊,第37期, 2001年2月,pp.57~pp.60。
【32】樓玉玲,「以資料發掘分析政大通識課程」,碩士論文,國立政治大學資訊管理學系,台北,1998年。
【33】賴信良,「資料挖掘在教育上的應用-以國小學童『體適能測驗』為例」,碩士論文,國立台北師範學院數理教育研究所,2002年。
【34】賴耐志,「應用資料採礦於市場區隔分析」,碩士論文,國立台北師科技大學商業自動化與管理研究所,2002年。
【35】羅國輝,壽險業務人員運用顧客關係管理系統(CRM)滿意度與績效之研究,碩士論文,私立逢甲大學保險所,2002。
【36】「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。

英文部分
【1】Agrawal, R. & R. Srikant, “Fast Algorithms for Mining Associaion Rules’, Proc. Of the 20th Int’l Conference on Very Large Databases, Santiago, Chile, Sep. 1994.
【2】Agrawal, R., T. Imielinski, and Swami, A., “Mining association Rules between Sets of Items in Large Databases’, ACM SIGMOD, Washington, DC, U.S., May. 1993.
【3】Alex, S. “Winning CRM strategies”. ABA Banking Journal, October, 1999, pp 54-66.
【4】Bauer, C. L., "A Direct Mail Customer Purchase Model", Journal of Direct Marketing, 2nd ed., 1988, pp.16-pp.24.
【5】Berry, M. J. A., & G. S. Linoff, Data Mining Techniques: for Marketing, Sales, and Customer Support., New York: Wiley Computer, 1997.
【6】Chien-Hsing Wu, Shu-Chen Kao, Yann-Yean Su, Chuan-Chun Wu, “Targeting customers via discovery knowledge for the insurance industry”, Expert Systems With Applications, vol.29, 2005, pp.291-299.
【7】Engel, J. F., R. D.Blackwell, & Miniard, P. W., Consumer Behavior, 8th ed., no.237, Dryden Press Fort Worth, Texas, 1995.
【8】Fu, Y, "Data mining task, technique and applications," IEEE POTENTIALS, October/November 1997.
【9】Gale, B. T., Managing Customer Value, Free Press, New York, 1983.
【10】H. Curt,”The Devil's in the Detail: Techniques, Tools, and Application for Database mining and Knowledge Discovery-Part 1”, Intelligent Software Strategies, vol. 6, no.9, 1995, pp.1-pp.15.
【11】Han, J., and M. Kamber, Data Mining: Concepts and Techniques, Morgan Kanfmann Publishers, 2001.
【12】Hughes, M.Arthur, Strategic Database Marketing, Chicago: Probus Publishing, 1994.
【13】IBM, IBM Intelligent Miner For Data, 1998.
【14】Inmon, W.H., Building the data warehouse, John Wiley & Sons, New York, 2nd edition, 1996.
【15】J. Miglautsch, Thoughts on RFM scoring, Journal of Database Marketing 8(1), 2000, pp. 67-72.
【16】Jackie Kandell, ”CRM, ERM, one-to-one Decoding Relationship Management Theory and technology”, Trusts & Estates, April 2000, pp.49-53.
【17】Kalakota,Ravi and Marcia Robinson, e-Business:Roadmap for success, 1999, pp.177.
【18】Kahan, Ron,”Using Database Marketing Techniques to Enhance Your One-to-One Marketing Initiatives”, Journal of Consumer Marketing, Vol 15(5),1998, pp.491-493.
【19】Kleissner, C., “Data Mining for the Enterprise.” Thirty-First Annual Hawaii International Conference on System Sciences, 1998, pp.295-pp.304.
【20】Kotler, P., S. H. Ang, Leong, S. M. & C. T. Tan , Marketing Management: An Asian Perspective, Prentice-Hall, Singapore, 1999
【21】Magson, N., Database Workship: Determining and Measuring Customer Value, Journal of Database Marketing, Vo1. 6, No. 1, 1998, pp.24-pp.23.
【22】Megiddo, N. and R. Strkan, “Discovering Predictive Association Rules,” IBM Almaden Research Center, KDD-98 Poster Sessions, 1998.
【23】Naumann Earl, Creating Customer Value, 1st ed., Thomson Executive Press Inc, U.S., 1995.
【24】Paul Ratcliff,”Managing Deeper Relationship”, Mortgage Banking, March 2000, pp. 94-100.
【25】Peppers, D., & Rogers, M. The Future of One to One: Building Business Relationships One Customer at Time.1993, New York: Currency Doubleday.
【26】Pieter, Z. Dolf, Data Mining, Addison Wesley, 1996.
【27】R. Kahan, Using database marketing techniques to enhance your one-to-onte marketing initiatives, Journal of Consumer Marketing 15(5), 1998, pp.491-493.
【28】Solomon, H., Battle Waged Over State of CRM, Computing Canada, 2000.
【29】Sung, Ho Ha and Chan Park, Sang, "Application of data mining tools to hotel data mart on the Inteanet for database markrting," Expert Systems With Application, 15th ed., 1998, pp.1-pp.31.
【30】Suh, E.H., K.C. Noh, and Suh, C.K.,”Customer list segmentation using the combined response model.” Expert Systers With Application, Vol. 17, 1999, pp.89-97.
【31】Tzu-Tsung Wong, Kuo-Lung Tseng, “ Mining negative contrast setts from data with discrete attributes.”, Expert Systems With Applications, vol. 29, 2005, pp. 401-407.
【32】Wang, Y.S. & H.Shao,” Data warehouse technology in process industry. ,” The 3rd World Congress on Intelligent Control and Automation, 2000, Vol.2037-2041, No.3.
【33】Witten, I.H. & E.Frank, Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations.Morgan Kaufmann Publishers, San Francisco, 2000.
【34】Woodruff, Robert B., "Customer Value: The Next Source for Competitive Advantage, " Journal of the Academy of Marketing Science, 1997, Vol. 25, No. 2, pp.139-pp.153.
【35】Yeo, A. C., Smith, K. A., Willis, R. J. & Brooks, M. (2002), “A mathematical programming approach to optimize insurance premium pricing with a data mining framework”, The Journal of the Operational Research Society, 53(11), pp. 1197-1203
【36】http://www.lia-roc.org.tw/index03/statisc.htm
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top