臺灣博碩士論文加值系統

本研究針對量販店現有之顧客，先以RFM模型計算出顧客的價值分數後，利用TwoStep集群分析法將顧客以價值分群後，接下來找出不同價值客戶的基本資料，以區別分析為方法，分析是否能用不同價值客戶的基本資料來預測顧客的價值，以利未來量販店參考使用，最後依照不同價值的客戶，利用關聯分組找出各個最適銷售組合後，以兩獨立母體比例檢定分析不同價值客戶是否有不同的購買型態，以給予行銷建議。
研究結果發現，量販店的客戶在依照RFM分群後，可將顧客之價值做有意義的分類，更進一步檢視高低價值客戶的RFM資料，發現，高價值客戶的最近一次購買日平均為84天，優於低價值客戶的90天，而高價值客戶的購買頻率為37次亦遠高於低價值客戶的6次，雖然平均購買金額1,578少於低價值客戶的2,035，但由於購買頻率遠高於低價值客戶，故對於量販店而言，高價值客戶的總銷售額遠高於低價值客戶。從不同價值客戶利用區別分析建立預測模型 後，發現確實可利用一些人口統計變數相關的方法去做預測，在所有的人統計相關變數中，性別、自由業、大專與年齡四個變數可以用來預測價值，最後，研究發現高低價值的客戶在購買的型態上有顯著不同，故量販店在進行DM設計時，應將各個顧客之需求考量進去。

The research primarily examines current customers of various hypermarkets. First of all, the RFM model is used to calculate the value scores of their customers, and in accordance with the results, the Two-Step clustering method is adopted to classify different customers. Secondly, find and analyze the basic data of customers with different values for Hypermarkets’ reference. Finally, in order to investigate if customers with different values would show different purchase patterns, the null hypothesis is presented in the study after using associate rule to find different customers’ product mix.
The study indicates that by the means of RFM, the value of customers of hypermarkets can be effectively classified. To examine the data of customers fatherly, the result shows that the high value customers averaged 84 days posterior to the latest purchase date which is superior to the low value customers with 90 days. Moreover, the purchase frequency of high value customers is 37 times which is far more than the low value customers with 6 times. In spite of the lower purchase amount of 1,578 for high value customers compared to that of 2,035 for low value customers, as the frequency mentioned above is far higher, hypermarkets can earn more revenue from the high value customers. The result of forecast model by using discriminate analysis suggests that value of the customers can be predicted from demographic statistics variables. Among all the variables, gender, freelance, college and age are of great importance to forecast customer’s value. In addition, the study finds out that customers with different values would present different purchase behavior. Therefore, according to the research, the hypermarkets should take into account of the demands of various customers when they design product catalogs.

中文摘要 I
ABSTRACT II
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 研究流程 3
第二章 文獻探討與假設 4
第一節　量販店 4
第二節 資料採礦 5
第三節　顧客價值分析 6
第四節　研究假設 8
第三章　研究方法 11
第一節 資料描述 11
第二節　選擇資料採礦技術 14
第三節 研究步驟 16
第四章　實證分析 23
第一節　RFM顧客價值分析 23
第二節　TWOSTEP集群分析 24
第三節　區別分析 28
第四節　關聯分組分析 32
第五節　假設驗證 37
中文摘要 I
ABSTRACT II
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 研究流程 3
第二章 文獻探討與假設 4
第一節　量販店 4
第二節 資料採礦 5
第三節　顧客價值分析 6
第四節　研究假設 8
第三章　研究方法 11
第一節 資料描述 11
第二節　選擇資料採礦技術 14
第三節 研究步驟 16
第四章　實證分析 23
第一節　RFM顧客價值分析 23
第二節　TWOSTEP集群分析 24
第三節　區別分析 28
第四節　關聯分組分析 32
第五節　假設驗證 37
第五章 結論與建議 38
第一節 研究發現與討論 38
第二節 行銷建議 40
第三節 研究限制 42
第四節 後續研究建議 43
參考文獻 44
中文部分 44
英文部分 46
附錄A：相同關聯規則表 49
附錄B：不同之關聯規則表 58

中文部分
1. 林慧昌(1997)，「資料庫行銷之客戶價值分析與行銷策略應用」，國立臺灣大學國際企業學系研究所碩士論文。
2. 林震岩 (2007)，多變量分析：SPSS的操作與應用，再版，台北：智勝文化。
3. 尹相志 (2009)，SQL Server 2008 Data Mining 資料採礦，首版一刷，台北：悅知文。
4. 李盈錫 (2003)，「量販店經營型態與行銷組合之研究」，中原大學企業管理研究所碩士論文。
5. 邱莉玲 (2006年，10月12日)，「台灣超商密度 世界之最」，工商時報，2009年2月22日，取自：
http://www.tcoc.org.tw/IS/Dotnet/ShowArticle.aspx?ID=24860
6. 徐大為 (2005)，「台灣地區量販店促銷活動之研究－以日用品業為例」，中原大學企業管理研究所碩士論文。
7. 徐玉霞 (2002)，「知識管理應用於顧客關係管理之探索研究-以國內量販店為例」，彰化師範大學商業教育學系在職進修專班碩士論文。
8. 陳元瑋（2006），「以網路使用行為為基礎之個人化推薦系統」，中國文化大學資訊管理研究所碩士論文。
9. 陳姿穎 (2004)，「台灣家居用品店顧客關係管理商業智慧模式建置之研究-資料探勘技術之應用」，國立台北大學企業管理學系碩士論文。　
10. 陳錦堂(2006)，「應用資料庫行銷於醫學美容行銷之研究」，佛光大學　資訊學系碩士論文。
11. 曾文俊 (2006)，「顧客價值與顧客關係管理績效之關聯性研究－以H銀行消費金融部門為例」，大同大學事業經營學系(所)碩士論文。
12. 程嘉俊 (1992)，「倉儲型量販店策略群組之實證研究」，東海大學企業管理研究所碩士論文。
13. 張紹勳、林秀娟(2005)，SPSS多變量統計分析，初版一刷，台中：滄海書局
14. 楊雅民、黃淑鈴 (2003年，2月13日)。「量販店鼻祖萬客隆 停業」，自由時報電子新聞網，2009年2月22日，取自：.
http://www.libertytimes.com.tw/2003/new/feb/13/today-c1.htm
15. 楊清潭（2003），「應用資料探勘技術於顧客價值分析之研究」，東吳大學商學院資訊科學系碩士論文
16. 梁珍瑜 （2003），「資料探勘技術在顧客關係管理上分群及分類之應用---以零售業為例」，國立台北科技大學商業自動化與管理研究所碩士論文。
17. 經濟部統計處新聞資料－民國98年4月批發、零售及餐飲業動態調查提要分析，取自：
http://w2kdmz1.moea.gov.tw/user/ups/New9804.doc
18. 翁玉倩 (1996)，「高雄市百貨公司與大型量販店顧客消費行為之比較」，國立成功大學工業管理研究所碩士論文。
19. 劉益豪（2005），「應用資料採礦探討航空旅客之線上購票行為」，中華大學科技管理研究所碩士論文。
20. 謝邦昌、鄭宇庭、蘇志雄、郭良芬(2007)，Microsoft SQL Server在資料採礦與商業智慧之應用，中華資料採礦協會。
21. 鄭美惠（2004），「產品與品牌關聯度分析－以3C產品為例」，國立高雄第一科技大學行銷與流通管理所碩士論文。
22. 蕭春婷( 2005)，「信用卡顧客價值之研究」，南台科技大學企業管理系碩士論文。
英文部分
1.Agrawal, R., and Srikant, R. (1994) ‘Fast Algorithms for Mining Association Rules’ Proceedings of the 20th International Conference on Very Large Databases September, 487-499, Santiago, Chile.
2.Burton, S., Lictenstein, D, R., Netemeyer, R. G. (1999) ‘Exposure to Sales Flyers and Increased Purchases in Retail Supermarkets’ Journal of Advertising Research , 39(5), 7-14. Retrieved June 23, 2009, from Academic Research Library database.
3.Bult, J. R., and Wansbeek, T. (1995) ‘Optimal Selection for Direct Mail’ Journal of Marketing Science, 14(4), 378-394.
4.Berry, M.J.A., and Linoff, G. (1997) Data Mining Techniques: for Marking, Sales, and Customer Support, New York: John Wiley＆Sons Inc.
5.Chiu, T., Fang, D., Chen, J., Wang, Y., & Jeris, C.(2001). Re-identifying register data by survey data: An empirical study. Statistical Journal of the UN Economic Commission for Europe, 18(4), 373-381.
6.Fayyad, U., and Uthurusamy, R. (1996) ‘Data Mining and Knowledge Discovery in Databases’ Communications of the ACM, 39(11), 24-26. Retrieved June 23, 2009, from Business Source Premier database.
7.Hair, J. F., W. C. Black, B. J. Babin, R. E. Anderson, and R. L. Tatham. Multivariate Data Analysis, 6th Ed., (2005)
8.Hughes, A., M. (1994) Strategic Database Marketing, Chicago: IL Probus Publishing Company.
9.Irvin, 1994 S. Irvin, Using lifetime value analysis for selecting new customers, Credit World 82 (1994) (3), pp. 37–40.
10.Jutkins, R. (1994), ‘Just imagine! Database Marketing Targets the Right Customers – and Keeps Them Coming Back’ Direct Marketing, 12(56), 38-40.
11.James R. Stafford, R., J. (2009) ‘RFM: A Precursor to Data Mining’
12.Kotler, P., and Keller, K., L. (2006) Marketing Management, NJ:Prentice Hall.
13.Keating, B. (2008) ‘ Data Mining: What Is It and How Is It Used?’ Journal of Business Forecasting, 27(3), 33-35. Retrieved June 23, 2009, from Business Source Premier database.
14.Kahan, R. (1998) ’Using Database Marketing Techniques to Enhance Your One-to-One Marketing Initiatives’ Journal of Consumer Marketing, 15(5), 491-493.
15.Piatetsky, S. G. (1991) ‘Knowledge Discovery in Real Databases: A Report on the IJCAI-89 Workshop’ AI Magazine, 11(5), 68–70.
16.Shepard, D. (1995) The New Direct Marketing , New York: Irwin Professional Publishing.
17.Schaffner, D., J., Bokal, B., Fink, S., Rawls, K., Schweiger, J. (2005) ‘Food Retail-Price Comparison In Thailand ’
18.Shih, Y., and Liu, C. (2003) ‘A Method for Customer Lifetime Value Ranking -- Combining the Analytic Hierarchy Process and Clustering Analysis’ Journal of Database Marketing & Customer Strategy Management, 11(2), 159-172. Retrieved June 23, 2009, from Business Source Premier database.
19.Stone, B., (1995) Successful Direct Marketing Methods, Lincolnwood, IL: NTC Business Books.
20.Rhee, S., B. (2002) ‘Customer Selection in Database Marketing: The Meaning of RFM’
21.Zhang, Tain, Ramakrishnan Raghu, and Livny Miron (1996) BIRCH: An Efficient Data ClusteringMethod for Very Large Databases. Proceedings of the 1996 ACMSIGMOD International Conference on Management of Data, pp. 103-114.