跳到主要內容

臺灣博碩士論文加值系統

(35.175.191.36) 您好!臺灣時間:2021/08/02 13:44
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:劉玉培
研究生(外文):Yu-Pei Liu
論文名稱:應用混合分群技術於顧客分群-以汽車經銷商為例
論文名稱(外文):Applying A Hybrid Data Cluste ring Technique in Customer Clustering-A Case Study of Automobile Dealership
指導教授:詹智強詹智強引用關係
指導教授(外文):Chu-Chai Chan
學位類別:碩士
校院名稱:朝陽科技大學
系所名稱:工業工程與管理系碩士班
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:2009
畢業學年度:97
語文別:中文
論文頁數:52
中文關鍵詞:K-Means自組織映射圖顧客分群群聚分析粒子群最佳化
外文關鍵詞:K-MeansSelf-Organizing MapParticle Swarm OptimizationCustomer SegmentationClustering
相關次數:
  • 被引用被引用:9
  • 點閱點閱:859
  • 評分評分:
  • 下載下載:218
  • 收藏至我的研究室書目清單書目收藏:3
隨著文化與企業的進步,產業在各方面的發展已具有產生大量資料的能力,尤其是科技進步的速度遠超過人類的吸收能力,此外,網路的便利性,讓距離跟時間性不存在困擾,但企業的競爭依然是分秒必爭的,藉由顧客價值分析與顧客分群,可將企業資源達到最佳分配。

顧客分群是行銷中很重要的技術,其中最常使用的群聚技術包括K-Means分群法及自我組織映射圖(Self-Organizing Map, SOM) ,而在本研究中,我們加入了另一啟發式演算法-粒子群最佳化演算法(Particle Swarm Optimization;PSO) ,此方法為較新的演算法,而三種分群法都各有其限制與優缺點,因此,本研究嘗試將三種方法混合應用提出SK-PSO分群法(Hybrid SOM、K-means and Particle Swarm Optimization, 簡稱SK-PSO),並整理資料建立顧客資料庫,計算顧客現有之價值以進行顧客分群,期望能將顧客進行比傳統或單一方法更具有效益及更具區隔之分群。
Along with cultural and enterprises’ progress in these days, the industry development had great abilities to distribute massive material and large numbers of information for converting financial, human and physical resources into products or services. Especially the advance of technology surpasses more than the humanity’s absorbency。Furthermore, the current technology has provided us wireless access to the internet and the ability of sending documents around the globe electronically, and relatively inexpensive transportation to other parts of the world. Technological change is occurring at very quckly, it assists organization to allocated information resources much better and take products and communication easier such as customer valuation analysis and customer clustering.
Customer Segmentation is very important technique in the marketing research. The most used clustering technologies includ K-Means clustering and Self-Organizing Map (SOM)。This study has been proposed Particle Swarm Optimization (PSO), a new method of Algorithm. There are both have some limitation and the pros and cons for these three algorithms and needs to be improved. Therefore, this study will mix these three algorithms for developing up a SK-PSO clustering analysis and build them into customer database in order to compute customer vales. This study expects to classify the customer profile and the database make by using SK-PSO clustering analysis instead of the traditional ways.
目 錄
摘 要.................................................................................................................. II
Abstract................................................................................................................ III
誌 謝...................................................................................................................IV
目 錄.................................................................................................................VI
表目錄.............................................................................................................. VIII
圖目錄.................................................................................................................IX
第一章 緒論......................................................................................................... 1
1.1 研究背景與動機......................................................................................... 1
1.2 研究目的..................................................................................................... 2
1.3 研究流程..................................................................................................... 5
1.4 資料來源..................................................................................................... 7
第二章 文獻探討................................................................................................. 8
2.1 顧客關係管理............................................................................................. 8
2.1.1 顧客關係管理的定義與內涵.............................................................. 8
2.1.2 顧客關係管理的實施步驟................................................................ 11
2.2 顧客價值.................................................................................................. 12
2.3 群聚分析技術.......................................................................................... 13
2.3.1 群聚技術之應用............................................................................... 15
2.3.2 兩階段群聚法................................................................................... 17
2.3.3 分群數目之評估............................................................................... 19
2.4 粒子群最佳化演算法.............................................................................. 20
2.4.1 粒子最佳化演算法執行步驟............................................................ 21
第三章 研究方法............................................................................................... 24
3.1 研究架構................................................................................................... 24
VII
3.2 研究工具................................................................................................... 27
3.3 顧客價值分析........................................................................................... 27
3.4 SK-MEANS 分群法.................................................................................... 28
3.5 K-PSO、S-PSO 及SK-PSO 分群法........................................................ 29
3.6 分群效果指標........................................................................................... 30
第四章 實驗結果與分析................................................................................... 32
4.1 實驗資料................................................................................................... 32
4.2 參數設定.................................................................................................. 33
4.3 分群結果................................................................................................... 37
4.2 分群結果比較........................................................................................... 45
第五章 建議與結論........................................................................................... 47
5.1 研究結論................................................................................................... 47
5.2 限制與建議............................................................................................... 48
5.3 未來方向................................................................................................... 49
參考文獻............................................................................................................. 50
VIII
表目錄
表1.1 使用分群技術之優缺點........................................................................... 3
表2.1 顧客關係管理定義之整理....................................................................... 9
表2.2 顧客價值定義之整理............................................................................. 12
表2.3 部分二階段群聚技術之文獻表............................................................. 18
表4.1 判定係數平方值分群值......................................................................... 33
表4.2 半偏判定係數平方值分群值................................................................. 34
表4.3 標準偏差平方根值分群值..................................................................... 34
表4.4 群數判定指標比較值............................................................................. 34
表4.5 不同粒子數之執行時間與適應值比較表............................................. 36
表4.6 實驗設定................................................................................................. 37
表4.7 SOM 分群結果........................................................................................ 38
表4.8 K-Means 分群結果.................................................................................. 39
表4.9 PSO 分群結果.......................................................................................... 40
表4.10 SK-Means 分群結果.............................................................................. 41
表4.11 K-PSO 分群結果................................................................................... 42
表4.12 S-PSO 分群結果.................................................................................... 43
表4.13 SK-PSO 分群結果................................................................................. 44
表4.14 不同分群演算法DB 值比較表........................................................... 45
表4.15 本研究使用分群法之平均執行時間比較表....................................... 46
表4.16 比較實驗用之七種分群方法之優缺點............................................... 46
IX
圖目錄
圖1.1 研究流程................................................................................................... 6
圖2.1 CRM 技術................................................................................................ 10
圖2.2 自我組織映射圖網路架構..................................................................... 16
圖2.3 粒子群最佳化演算法流程..................................................................... 23
圖3.1 研究架構................................................................................................. 26
圖3.2 SK-PSO 與K-PSO 演算流程圖............................................................. 30
圖4.1 顧客車輛、維修保養與保險之各別價值整理..................................... 32
圖4.2 顧客車輛、維修保養與保險之三維資料正規化................................. 33
圖4.3 由十群合併至一群之群數指標比較..................................................... 35
圖4.4 粒子數25 迴圈次數100 時之適應值收斂圖....................................... 37
圖4.5 SOM 分群分布圖.................................................................................... 38
圖4.6 K-Means 分群分布圖.............................................................................. 39
圖4.7 PSO 分群分布圖...................................................................................... 40
圖4.8 SK-Means 分群分布圖............................................................................ 41
圖4.9 K-PSO 分群分布圖................................................................................. 42
圖4.10 S-PSO 分群分布圖................................................................................ 43
圖4.11 SK-PSO 分群分布圖............................................................................. 44
[1] Abidi, S. S. R. and Ong, J., “A Data Mining Strategy for Inductive Data Clustering: A Synergy Between Self-Organizing Neural Networks and K-Means Clustering Techniques,” TENCON Proceedings, Vol. 2, pp. 568-573 (2000).
[2] Kuo, R. J., Ho L. M., and Hu, C. M., “Integration of Self-Organizing Feature Map and K-means Algorithm for Market Segmentation,” Computer & Operations Research, Vol. 29, pp.1475-1493 (2002).
[3] Kao, Y. T., Zahara, E and Kao, I. W., “A hybridized approach to data clustering” Expert Systems with Applications, Vol. 34, pp. 1754–1762 (2007).
[4] Kalakota, Ravi & Marcia Robinson, e-Business Roadmap for Success, 2nd Ed Addision Wiley, (2001).
[5] Kohonen, T., “The Self-Organizing Map,"Proceedings of the IEEE, Vol. 78, No. 9, pp. 1481-1480 (1990).
[6] Smith, K. A., “Neural Networks for Combinatorial Optimization: A Review of More Than a Decade of Research,” INFORMS Journal on Computing, Vol. 11, No. 1, pp. 15-34 (1999).
[7] Punj, G. and Steward, D. W., “Cluster Analysis in Marketing Research: Review and Suggestions for Applications,” Journal of Marketing Research, Vol. 20, pp. 34-48 (1983).
[8] Kennedy, J., Eberhart, R.C “A new optimizer using particle swarm theory.” Proc. of IEEE international Conference on Neural Networks (ICNN), Vol. IV, Perth, Australia, pp.1942-1948 (1995).
[9] Chen, C. Y., Ye, F. “Particle Swarm Optimization Algorithm and Its Application to Clustering Analysis.” Proceedings of the 2004 IEEE International Conference on Networking, sensing & Control Taipei, Taiwn, pp. 789-794 (2004).
[10] Davies, D. L. and Bouldin, D. W. (1979), “A Cluster Separation
Measure, ” IEEE Transactions on Pattern Anaysis and Machine
Intelligence, Vol. 1, pp. 224-227.
[11]江盈泰,「利用顧客區隔以制定個人化促銷計畫來創造顧客價值-以汽車代理商為例」,朝陽科技大學工業工程與管理系碩士班碩士論文(2004)。
[12] Davis Olson、Yong Shi,郭志隆譯,「資料探勘」,高立圖書有
限公司(2008)。
[13]葉怡成,「類神經網路模式應用與實作」第九版,儒林圖書有限公司(2004)。
[14]曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯,「資料探勘」,旗標出版股份有限公司(2005)。
[15] 彭雅芬,「以群聚及啟發式方法求解時窗限制下車輛巡迴路線問題」,朝陽科技大學資訊管理系碩士班碩士論文 (2005)。
[16]高逸瑋,「整合Nelder-Mead單體法與粒子群體最佳化演算法之資料分群技術」,聖約翰科技大學自動化及機電整合研究所碩士論文(2006)。
[17]黃郁蓉,「應用粒子群最佳化演算法於顧客分群-以汽車經銷商為例」,朝陽科技大學工業工程與管理系碩士班碩士論文(2008)。
[18]劉文良,「顧客關係管理-思維與技術」,�眳p資訊股份有限公司(2005)。
[19]林義堡,「運用資訊科技推動顧客關係管理」,電子化企業經理人報告,第 35-42頁(2000)。
[20]林文雄,「機車產銷顧客關係管理之研究-以知識管理為基礎」,中原大學資訊管理系碩士班碩士論文 (2004)。
[21]邱宇婷,「應用粒子群最佳化演算法於關聯法則探勘之研究」,國立台北科技大學工業工程與管理系碩士班碩士論文(2005)。
[22]沈介文,「綠色招募之研究-潛在員工企業環境倫理認知與其求職傾向之關係」,人力資源管理學報,第一卷,第一期,第121-141頁 (2001)。
[23]鐘文杰,「整合自組織映射圖網路與遺傳演算法為輔之K-Means於顧客關係管理中」,台北科技大學生產系統工程與管理研究所碩士論文 (2000)。
[24]簡順源,「整合自組織映射圖網路與遺傳演算法為基礎之資料採礦技術於市場區隔之應用」,北科技大學生產系統工程與管理研究所碩士論文 (2001)。
[25] 朱瑀馨,「淺談運用資料探勘技術於財產保險業顧客關係管理之效益」,富邦保險新種保險商品部 (2007)。
[26] 徐茂鍊,「顧客關係管理」,全華科技圖書 (2006)。
[27]趙景明、楊清潭,「應用資料探勘於顧客價值預測-以醫療器材業為例」,商情資料庫分析與建置之研究成果發表會 (2003)。
[28]簡永在,「顧客關係策略與顧客價值、滿意度及行為意向關聯性之研究」,台北科技大學商業自動化與管理系碩士論文(2002)。
[29]黃盈裕,「顧客價值的方法目標鏈結模式之研究-以童裝之消費經驗為例」,國立中山大學企業管理研究所博士論文(2001)。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top