臺灣博碩士論文加值系統

隨著資訊科技的提升與資料庫分析技術的發展，加速與普及企業對顧客消費行為資料的應用，企業若能由顧客消費行為中，篩選具有高價值的顧客，找出潛在顧客，區分不同顧客群之消費特性，就可發展適宜的行銷與服務策略。在企業有限的資源應用中，依顧客特性做最適的資源分配，以有效提高顧客購買頻率與消費金額，延長顧客關係，達到提升企業營運績效、降低營運成本的功效。基於近年來成人教育訓練服務業的興起，各項職場專業能力訓練機構林立，其經營方式趨向企業化，教育訓練逐漸被視為一項服務商品，這個趨勢尤其在職場專業能力訓練中特別明顯。因接受訓練服務是以顧客個人為單位，其消費行為記錄適合作為顧客關係管理之分析。本研究即以教育訓練機構個案之顧客消費行為紀錄作為分析研究資料，利用最近購買日（recency）、購買頻率（frequency）、購買金額（monetary amount）三個變數以兩階段集群法（Two-stage clustering）與自組織映射圖網路（Self-Organizing Map, SOM）分群方法分析，比較不同分群方法之優異，找出較適之顧客分群結果。本研究個案中，發現兩階段集群法（Two-stage clustering）分群效果較佳，自組織映射圖網路（SOM）分群方法則需結合K-means進行兩階段分群，可有效改善自組織映射圖網路（SOM）分群結果之發散現象，分群效果與兩階段集群法（Two-stage clustering）類似。在研究個案中，將顧客消費行為資料運用上述統計分析技術能有效進行顧客分群，共將個案資料分為五個群組，分別為高價值頻率型顧客、頻率型顧客、潛在型顧客、高價值新進顧客、高價值單次型顧客，並發現此個案顧客消費特性為消費頻率高者，消費金額偏低；消費金額高者，消費頻率則較低；消費金額高於全體平均之群組其年齡亦高於全體平均等。最後利用區隔之顧客群組，找出同群組間共通的特性，對於不同消費特性的顧客群，提供不同的差異化行銷及服務策略建議，作為顧客關係管理的基礎，以利提高企業利潤、降低營運成本。

The development of information technology and database analyzing skill has stimulated and popularized the application of customer consumption behavior data on enterprise. If the company can recognize high-value potential customers and group customers by their characteristic of consumption behavior, they can further develop suitable marketing and service strategies for their customers. The enterprise can conduct optimal allocation based upon differentiated customers’ characteristics to raise customers’ purchase frequency, increase their consumption amount, and extend the relationship with customers as well under the limitation of enterprise’s resources. That can also increase company’s operating profit and reduce the operating cost. Along with the developing of service in adult education training, many kinds of professional occupation training mechanisms have been established. Education training, especially in professional occupation training, is treated as a services product. Because the object of training service is for individual customer, the records about consumption behavior of customers are very suitable for the research on management of customer relationship.
In this thesis, two-stage clustering and self-organizing map (SOM) methods are used to classify customers and to find out the optimal customers’ groups based upon customers’ consumption behaviors in the case of education training based upon three variables, namely, recent purchasing date, purchasing frequency, and purchasing amount. The study results show that the two-stage clustering has the best performance , while the self-organizing map (SOM) working with K-means could effectively improve the grouping performance of the self-organizing map (SOM) and its grouping efficiency is very similar to that of two-stage clustering method. The study results also show that the proposed statistical methods by this thesis can effectively grouping customers into five groups based on customers’ consumption behavior. The classified five groups are named as high-value frequency customer, frequency customer, potential customer, high new customer and high-value one times customer. In our study case, we also find that customers’ consumption behaviors have the characteristics that high frequency (amount) customers have lower consumption amount (frequency). Besides, the customers with higher consumption amount have higher age. Finally, we extract the common factors for differentiated groups and provide suggestions about marketing and service strategy for each group based upon their consumers’ behavior characteristics. The study results could provide the basis for consumers’ management to increase company’s profit and also reduce the operating cost as well.

目 錄
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 研究範圍與對象 2
1.4 研究流程 3
第二章 文獻探討 4
2.1顧客關係管理（Customer Relationship Management） 4
2.2 RFM模型 4
2.3顧客分群 5
2.3.1運用RFM模式與集群分析的K-means進行顧客分群 5
2.3.2運用RFM模式與SOM進行顧客分群 6
2.3.4 K-means分群與SOM分群比較 6
第三章 研究方法 8
3.1研究架構 8
3.2 資料分析 9
3.2.1集群分析（Cluster Analysis） 9
3.2.1.1兩階段集群法（Two-stage clustering） 10
3.2.2 類神經網路分析(Artificial Neural Networks, ANNs) 10
3.2.2.1自組織映射圖（Self-Organizing Map, SOM） 12
3.2.3 SOM結合K-means兩階段分群方法 13
第四章 實證分析 14
4.1 基本資料分析 14
4.2 RFM分析模式的變數定義 16
4.3 顧客分群結果的比較分析 18
4.3.1兩階段集群分析法（Two-stage clustering）的實證結果 18
4.3.2 SOM模式分群的實證結果 19
4.3.3 SOM結合K-means兩階段分群的實證結果 21
4.3.4分群實證結果比較 21
4.4 分群結果之顧客特性與分群顧客之差異行銷策略 28
4.5 行銷策略之成效驗證 38
第五章 結論與建議 40
5.1 結論 40
5.2 建議 40
5.2.1 對教育訓練業者建議 40
5.2.2 後續研究之建議 41
表 目 錄
表 1 顧客性別、年齡分佈 14
表 2 顧客總消費金額、次數、時間分佈 15
表 3 RFM三變數特徵 16
表 4 兩階段集群分析法分群實證結果 19
表 5 SOM模式不同維度之分群數實證結果 19
表 6 SOM模式分群實證結果 20
表 7 SOM結合K-means兩階段分群實證結果 21
表 8 兩階段集群分析法變異數分析表 22
表 9 SOM分群變異數分析表 22
表 10 SOM結合K-means兩階段分群法變異數分析表 23
表 11 各分群法資料與群體中心之距離 24
表 12 不同分群法之消費頻率分佈 25
表 13 不同分群法之平均消費金額分佈 26
表 14 不同分群法之最後消費日得分分佈 27
表 15 各群組之平均消費總金額 28
表 16 各群組資料平均值與次數分配 29
表 17 各群組與整體資料平均值相較之高低比較 29
表 18 各群組總消費額貢獻比較 30
表 19 高價值顧客群之群組消費頻率分配 31
表 20 高價值顧客群之群組平均消費金額分配 32
表 21 高價值顧客群之群組最後消費日得分分配 33
表 22 低價值顧客群之群組消費頻率分配 34
表 23 低價值顧客群之群組平均消費金額分配 35
表 24 低價值顧客群之群組最後消費日得分分配 35
表 25 各群組平均年齡 37
表 26 各群組性別比例 38
表 27 行銷策略成效 39


圖 目 錄
圖1 研究流程 3
圖 2 研究架構 8
圖 3 神經元模型 10
圖 4 人工神經元模型 11
圖 5 類神經網路之三層式架構網路圖 12
圖 6 消費頻率與平均消費金額分佈 17
圖 7 最近購買日得分與平均消費金額分佈 17
圖 8 消費頻率與最近購買日得分分佈 18
圖 9 SOM輸出層分佈 20
圖 10 各群組分佈 37

一、英文部分
1.Berry, M.J.A., & Linoff, G.,2004. “Data Mining Techniques: For Marketing, Sales, and Customer Support(2nd ed.),” John Wiley and Sons.
2.Blattberg, R., Getz, G. & Thpmas, J., 2006. Customer Equity, Business News Publishing Ltd.
3.Hughes, Arthur, 1994. Strategic Database Marketing, Chicago：Probus Publishing.
4.Kamakura, W., Mela, C. F., Ansari, A., Bodapati, A., Fader, P., Iyengar, R., Naik, P.,Neslin, S., Sun, B., Verhoef, P. C., Wedel, M. and Wilcox, R., 2005. “ChoiceModels and Customer Relationship Management,”Marketing Letters, 16(3):279-291.
5.Kohonen, T., 1990.“Self-Organizing Map,” Procding of IEEE, 78(9):1464-1480.
6.Kotler, P., 1994. Marketing Management: Analysis, Planning, Implementation, and Control(8th). Prentice-Hall, Inc.
7.Meryl Davisd, 1999. “How to Avoid the 10 Biggest Mistake in CRM”，Journal of Business Strategy.
8.Rigby, D. K., & Reichheld, F. F., & Scheffer, P., 2002. “Avoid the Four Perils of CRM,” Harvard Business Review, February, 101-109.
9.Stone Bob, 1995. Successful Direct Marketing Methods, Lincolnwood,IL:NTC Business Books. 37- 59
10.Sung, H. H. and Sang, C. P., 1998. “Application of datamining tools to hotel data mart on the internet fordatabase marketing,” Expert Systems with Applications,15(1), 1-31.


二、中文部分
1.皮世明、連惟謙，2003。「應用資料分析技術進行顧客流失與顧客價值之研究」，碩士論文，中原大學資訊管理研究所。
2.朱文禎、駱名熙，2006。「行動電話號碼可攜服務開放後的用戶市場區隔探討-以台南地區為例」，『電子商務研究』，2006年冬季，4卷，4期，379-404
3.尚榮安，劉宗哲，林炳文，2006。「教育與服務-推廣教育學員品質知覺對滿意度之影響」，『顧客滿意學刊』，2卷，1期，27-54。
4.張心馨、蔡獻富，2004。「以Data Mining技術結合SOM和K-Mean的消費者分群方法於顧客關係管理和績效獲利性評估之實證研究」，『資訊管理學報』，11卷，4期，161-203。
5.張百棧、徐來福，2004。「應用資料採擷技術於顧客關係管理之消費行為研究－以某化粧品公司為例」，碩士論文，元智大學工業工程與管理研究所。
6.張百棧、蔡介元、謝日章，2002。「應用資料挖掘於顧客關係管理之研究-以化妝品 業為例」，『工業工程學刊』，19卷，6期，45-59。
7.張德儀、黃村彰，2006。「應用資料採礦技術探討顧客關係管理之研究-以寒軒國際大飯店為例」，碩士論文，國立高雄餐旅學院旅遊管理研究所。
8.陳東和、黃謙順，2008，「運用資料採礦技術於銀行基金客戶分群之研究」，知識社群與系統發展研討會。
9.陳思翰、羅淑娟，2006，「以自我組織映射圖神經網路為基底之兩階層分群方法分析RFM變數 」，『電子商務研究』，4卷，3期，265-284。
10.黃國平、戴永家，2004，「主題樂園遊客風險資訊搜集與決策之研究－以月眉育樂世界與迪士尼樂園為例 」，碩士論文，國立成功大學交通管理學研究所。
11.廖述賢、溫志皓，2009，『資料採礦與商業智慧』，台北：雙葉書廊。
12.廖述賢，2007，『資訊管理』，台北：雙葉書廊
13.劉世琪、劉晉宏，2003，「應用資料挖掘探討顧客價值-以汽車維修業為例」，碩士論文，朝陽科技大學工業工程與管理研究所。
14.鄭聖時，楊依蓁，2007。「國人國內旅遊消費支出模型之預測分析」，2007年經營與管理學術研討會。
15.謝汶進、塗婉吟，2008，「顧客關係管理之重覆購買行為預測模式」，『行銷評論』，5卷，2期。
16.羅巧芳、吳信宏、張恩啟、鄭易英，2008。「應用資料探勘於戶外活動用品專賣店之顧客忠誠及價值分析」，『品質學報』，15卷，4期，293-303。