臺灣博碩士論文加值系統

所謂資料採礦是指『從大量資料或大型資料庫中由電腦自動選取一些重要的、潛在有用的資料類型或知識』。目前資料採礦所包含的各種技術已被廣泛的應用在許多領域上，本研究即要利用資料採礦的技術從大量的客戶交易資料中採掘出客戶與商品之間的關聯性知識，並將之應用未來客戶銷售活動。

資料採礦於流通業多為B2C之應用，本研究則嘗試將資料採礦分析應用於B2B之交易分析，並以個案公司與其客戶之實際銷售資料為本研究之資料來源，本研究利用Clementine電腦軟體為資料採礦工具，並依分析目的之不同，運用該軟體提供之各項採礦模組分別對個案公司之交易資料進行分析，如：
*.使用關聯網〈web〉的方式，針對個案資料，尋找商品銷售間的強弱關係，挑出銷售關聯性較高的商品組合，並且利用C5.0決策樹演算法，尋找該交易行為的對象之特性為何。
*.使用Apriori演算法，針對BZ(商圈)、DL(經銷商)、SP(門市)等不同客戶類型在不同的資料期間，找出資料中所有商品之關聯規則。
*.利用Apriori演算法，利用前半年資料，找出IFAKMB(主機板)、IFDDLC(LCD監視器)、IFCOCP(中央處理器)等類別商品的購買規則，並分別以後半年的資料進行驗證，探究此規則之可行性。

接著針對各項資料採礦結果，就個案公司之實際狀況進行解讀，同時更重要的是探討該分析結果應用於銷售實務上之可行性，如：產品銷售規則，行銷策略、促銷戰術之擬定等。最後並以本研究之結果及經驗，對個案公司提出資訊管理系統資料補強之建議及資料採礦於未來可再延伸探討之應用方向。

第壹章 緒論.............................................................1
第一節 研究背景與動機...................................................1
第二節 研究目的.........................................................2
第三節 研究範圍.........................................................3
第貳章 文獻探討.........................................................5
第一節 顧客關係管理(Customer Relationship Management)...................5
第二節 資料採礦(Data Mining)............................................7
第三節 關聯規則(Association Rule)之基本概念.............................13
第四節 文獻小結.........................................................14
第参章 個案介紹.........................................................15
第肆章 研究方法.........................................................21
第一節 研究主題.........................................................21
第二節 研究問題與假設...................................................21
第三節 資料來源與研究變數之定義.........................................23
第四節 資料分析方法.....................................................28
第五節 研究流程.........................................................28
第伍章 執行結果與分析...................................................30
第一節 利用<web>關聯網與<C5.0>決策樹演算法執行結果......................30
第二節 使用Apriori演算法執行結果........................................49
第陸章 結論與建議.......................................................76
第一節 結論.............................................................76
第二節 研究限制.........................................................79
第三節 未來研究與應用方向...............................................80
參考文獻................................................................81

1. Data Mining 概述--以Clememtine 7.0 為例，作者：韋端、鄭宇庭、鄧家駒、
匡宏波、謝邦昌編著；中華資料採礦協會發行。
2. 資料採礦與商業智慧-SQL Server 2005，作者：謝邦昌主編；蘇志雄、鄭宇
庭、葉劭緯協編；中華資料採礦協會發行。
3. 于還莒，“應用資料探勘技術於一對一行銷系統”，國立臺灣大學資訊工程學
研究所 碩士論文，民國90 年6 月。
4. 方世榮譯(2003)，「行銷管理學/Marketing Management 11版」，台灣東華
書局股份有限公司。 譯自Philip Kotler。
5. 尹相志著(2006)，「SQL Server 2005資料採礦聖經」，台北：學貫行銷股
份有限公司。
6. 王景聰，“運用資料挖掘技術於信用卡顧客關係管理之研究”，元智大學工業
工程與管理學系 碩士論文，民國92 年6 月。
7. 何玉芝，“資料採礦實務應用─以關聯規則分析E-ICP商品消費資料”，國立政
治大學統計研究所 碩士論文，民國92 年6 月。
8. 吳思華(2000)，策略九說，三版 臉譜出版。
9. 吳耀明，“電信服務事業顧客關係管理之研究”，國立中山大學企業管理學系
研究所 碩士論文，民國90 年6 月。
10. 翁景民編譯(2000)，「策略行銷管理/Strategic Market Management」，台
北：華泰文化事業股份有限公司。 譯自David A. AAKER。
11. 郭泯旬，“關聯規則最小支持度之研究─以零售業為例”，元智大學工業工程
研究所 碩士論文，民國90 年6 月。
12. 陳巧佩，“企業導入顧客關係管理決策之研究”，國立政治大學企業管理學系
研究所 碩士論文，民國90 年6 月。
13. 陳伯瑞，“資料採礦為工具的策略性顧客關係管理-以開蘭聯合診所為例”，國
立政治大學經營管理碩士學程企管組 碩士論文，民國92 年7 月。
82
14. 陸津華，“挖掘高獲利性關聯規則之研究”，東海大學資訊工程與科學系 碩
士論文，民國92 年6 月。
15. 彭文正譯(2001)，「Data Mining 資料採礦─顧客關係管理暨電子行銷之應
用」，台北：維科圖書有限公司。 譯自Michael J.A. Berry，Gordon S. Linoff。
16. 張瑋倫，“應用資料挖掘學習方法探討顧客關係管理問題”，輔仁大學資訊管
理學系 碩士論文，民國89 年6 月。
17. 蔡維欣，“顧客關係管理中資料採礦流程之應用”，輔仁大學應用統計學研究
所 碩士論文，民國92 年6 月。
18. 鄧家駒著(2004)，「多變量分析」，台北：華泰文化事業股份有限公司。
19. Berry, M. A. and Linoff G. S.(1997)，“Data Mining Techniques: for
marketing，sales，and customer support”，John Wiley & Sons.
20. Clark Glymour, David madigan, Daryl Pregibon, and Padhraic
Smyth(1996), “Statistical Inference and Data Mining”, Communication of
The ACM, Vol. 39, No. 11, pp. 35-41.
21. Dunham, M. H. (2003), “Data Mining Introductory and Advanced
Topics”，Prentice Hall.
22. Hunter A.(2000), ”Taking the R out of CRM”，Swallow information system.
23. Jiawei Han and Micheline Kamber, “Data Mining: Concepts and
Techniques”.
24. Rakesh Agrawal, Tomasz Imielinski, Arun Swami (1993), “Mining
Association Rules between Sets of Items in Large Databases” , ACM
SIGKDD Conference on Management of Data, pages 207-216.