(3.230.143.40) 您好!臺灣時間:2021/04/19 04:54
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:::

我願授權國圖
: 
twitterline
研究生:蕭明泰
研究生(外文):Ming-Tai Hsiao
論文名稱:應用資料探勘技術於保養品業顧客流失之研究-以國內某保養品公司為例
論文名稱(外文):Applying Data Mining Techniques on Customer Churn in Cosmetics Industry - A study of one Cosmetics Company
指導教授:吳瑞堯吳瑞堯引用關係
指導教授(外文):Rei-Yao Wu
學位類別:碩士
校院名稱:世新大學
系所名稱:資訊管理學研究所(含碩專班)
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2010
畢業學年度:98
語文別:中文
論文頁數:64
中文關鍵詞:顧客流失保養品資料探勘RFM 模型貝氏機率分類
外文關鍵詞:Customer ChurnCostemicsData miningRFM ModelNavie Bayes
相關次數:
  • 被引用被引用:3
  • 點閱點閱:411
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
顧客是企業獲利最主要的來源,也是企業競爭力中最重要的一環,在當今激烈競爭的商業環境之中,越能保有最少顧客流失率的企業,才越能具備最佳的企業競爭力。
本研究利用Kaymak 於2001 年提出RFM 模型,分析顧客的歷年交易資料,並利用Arthur Hughes 提出的RFM 指標分數建構原則,進行顧客的價值趨勢及其忠誠度分析,並利用資料探勘中的貝氏機率分類之技術,建構顧客基本資料屬性的貝氏機率分類模型,並與RFM 模型分析的結果進行交叉驗證,以驗證其資料正確性,並建構顧客流失預測機制,進而提供企業作為行銷策略制定的參考。
本研究採個案研究的方式,研究對象為國內某保養品公司,研究樣本為個案公司4 年4 個月的顧客資料與交易資料,經篩選後,顧客基本資料的有效樣本為16,468 筆,其中8,234 筆為訓練資料,比例為50%,用來訓練模型;而另外50%為測試資料,用來測試訓練資料的準確性。運用資料探勘的貝氏機率分類分析,對顧客資料進行分析及驗證RFM 模型分析的結果,以建構顧客流失預測機制。
研究結果發現,利用顧客交易資料所建構RFM 模型,其顧客價值趨勢分析之結果可區分為4 個忠誠度分析構面,即顧客忠誠度最高、次高、次低及最低等四個構面;而本研究利用顧客基本屬性,如性別、年齡、地區、是否收電子報…等,作為分析變數,並利用這些變數,建構貝氏機率分類模型,並與RFM 模型建構的結果進行交叉驗證,驗證後之準確率均相當吻合,因此可得知在使用顧客基本資料屬性進行顧客流失預測機制之建構,貝氏機率分類技術擁有較佳的預測能力。
本研究所作的實證結果,得知貝氏機率分類技術可用來驗證RFM 模型分析的結果,其準確率較高,因此企業可使用貝氏分類技術來進行顧客流失預測,以建構企業的顧客流失機制。
Customer is not only the most important source of profit, but also the most
important competitiveness of any company; in the highly competitive business
environment now, the more customers can at least maintain the rate of loss of business, the more able to have the best of their competitiveness.
In this study, the RFM Model to analyze the customer's transaction data over the years, and Arthur Hughes proposed the use of indicators points to build the principles of RFM, the value of customer loyalty trends and their analysis and use of data mining, Na��ve Bayes analysis in technology, basic information on customers to build the decision tree attributes, and RFM model and the results of the analysis of cross-validation to verify the correctness of the data and predict the loss of customers to build a mechanism to provide business marketing strategy as a reference.
In this study, case study approach, the study of a Costemics Industry company, research sample of cases the company 4 years and 4 months of customer information and transaction information selected, the customer information for 16,468 samples which is effective, of which 8,234 numbers for training materials, the percent was 50%, used to train model; and test data for the 8,234 numbers, used to test the accuracy of the information training. The Na��ve Bayes analysis of data mining techniques was used, an analysis of customer information and analysis to verify the results of RFM model to predict the loss of a mechanism to build customers.
The results found that the use of customer transaction data RFM model
constructed, the customer value of the results of trend analysis can be divided into four dimensions of loyalty analysis, customer loyalty that is the highest, second highest, second lowest and the lowest in four dimensions; In this study, the fundamental attributes of customers, such as customre’s sex, age, regions, and ePaper received …etc, as analysis variables, and take advantage of these variables, namely construction of Na��ve Bayes analysis and modeling and RFM cross-validation of the results Among them, customer loyalty, such as in the four dimensions of the part of the forecast, and its accuracy are in line, so we can see that customers in the use of basic information attributes the loss of customers to build the forecasting mechanism, Na��ve Bayes analysis can have better predictive power.
The Institute for the empirical results, that the Na��ve Bayes analysis techniques can be used to verify the results of RFM analysis, its high accuracy, therefore the companies can use Navie Bayes analysis to carry out the customer churn prediction in order to build business churn mechanism for customers.
中文摘要 I
Abstract II
致謝辭 IV
表目錄 VII
圖目錄 VIII
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 3
1.4 研究限制 3
1.5 論文結構 3
第二章 文獻探討 5
2.1 顧客流失的定義 5
2.2 資料探勘的定義及方法 7
2.3 顧客價值分析與資料探勘的技術 9
2.3.1 RFM 模型 9
2.3.2 貝氏機率分類法13
第三章 研究方法 17
3.1 研究流程 17
3.2 研究架構 18
3.3 個案介紹 20
3.4 前置資料處理說明 21
3.4.1 原始資料 21
3.4.2 資料篩選 22
3.4.3 資料精簡 23
3.5 資料探勘 25
3.5.1 探勘工具的選擇及應用 25
3.5.2 RFM 顧客價值分析 25
3.5.3 貝氏機率分類法 28
第四章 研究發現 30
4.1 RFM 顧客價值分析 31
4.2 顧客價值趨勢分析 34
4.3 貝氏分類模型 37
4.3.1 貝氏分類分析程序 38
4.4 分析結果驗證 44
第五章 結論與建議 49
5.1 研究結論 49
5.2 對未來的建議 51
參考文獻 52
中文文獻 52
英文文獻 54
中文部份:
1. 工業技術研究院,化�菻O養品工業發展計畫(3/4);<經濟部工業局九十五年度專案計畫執行成果報告>;p24,2006。
2. 尹相志,;台灣,台北市:悅知文化;第10 章,2009。
3. 尹相志,;台灣,台北市:悅知文化;第12 章,2009。
4. 李宙奇,<貝式統計隨機模式與時間序列模式運用於顧客價值分析之比較>;台灣,桃園縣,中壢市:中央大學;中央大學資訊管理研究所碩士論文,2004。
5. 林正剛,<非營利組織顧客流失率分析模式之研究─以YMCA 台北萬華會所為例>;台灣,台北縣,新莊市:輔仁大學;輔仁大學體育學系碩士班碩士論文,2005。
6. 邱義堂,<通信資料庫之資料探勘:客戶流失預測之研究>;台灣,高雄市:中山大學;中山大學資訊管理學系研究所碩士論文,2001。
7. 柯光任,<客戶流失預測模式之研究 – 以使用信用卡為例>;台灣,台北市:銘傳大學;銘傳大學資訊管理學系碩士班碩士論文,2005。
8. 夏載,安迅資訊系統公司剖析資料採礦在顧客關係管理中的應用;<電子化企業經理人報告>;第20 卷:pp.71-75,2001。
9. 曹容緒,<運用資料探勘技術建構顧客流失行為預測模型-以國內某銀行信用卡顧客為例>;台灣,花蓮縣,花蓮市:東華大學;東華大學高階經營管理碩士在職專班碩士論文,2008。
10. 連惟謙,<應用資料分析技術進行顧客流失與顧客價值之研究>;台灣,桃園縣,中壢市:中原大學;中原大學資訊管理學系碩士論文,2004。
11. 陳茂元,<資料探勘於隨選視訊(MOD)客戶流失預測之研究>;台灣,嘉義縣,民雄鄉:中正大學;中正大學會計與資訊科技研究所碩士論文,2007。
12. 劉錦和,<體驗行銷對化妝品品牌忠誠度之影響研究-以C 品牌為例>;台灣,桃園縣,中壢市:中央大學;中央大學管理學院高階主管企管碩士班碩士論文,2005。
13. 鄭宇麟,<樹狀貝氏分類器狄氏先驗分配之合理性>;台灣,台南市:成功大學;成功大學工業與資訊管理研究所碩士論文,2006。
14. 謝逸凡,<網際網路服務業客戶流失預測模式之研究>;台灣,台北市:銘傳大學;銘傳大學資訊管理學系碩士在職專班碩士論文,2004。
英文部份:
1. Bhote, R., Beyond Customer Satisfaction to Customer Loyalty-The Key to Greater Profitability; American Management Association, p.31, New York, 1996.
2. Cabena, P., Discovering Data Mining: from Concept to Implementation; Upper
Saddle River; New York: Prentice Hall, 1998.
3. Dimingos, P. and Pazzani, M., On the Optimality of the Simple Bayesian
Classifierunder Zero-One Loss; Machine Learning, Vol. 29, pp. 103-130, 1997.
4. Fornell, C. and Wernerfelt, B., A Mode of Customer Compliant Management;
Marketing Science; Vol. 7, pp. 287-298, 1992.
5. Frederick, E., Reichheld, Harvard Business Review; March/April 1996.
6. Goodman, John., Retail/Database: Leveraging the Customer Database to Your
Competitive Advantage.; Direct Marketing; Garden City; Vol.55, Iss.8, pp.26-27,
1992.
7. Grupe, F.H. and M.M. Owrang, Database Mining Discovering New Knowledge and
Cooperative Advantage; Information Systems Management, 1995.
8. Han J.,& Kamber M., Data Mining: Concepts and Techniques; Morgan Kaufmann,
2000.
9. Hughes, Arthur M., Strategic Database Marketing; Chicago:Probus ublishing, 1994.
10. Kaymak, U., Fuzzy target selection using RFM variables; IFSA World Congress and 20th NAFIPS International Conference, 2001.; Joint 9th , Vol 2: pp. 1038-1043, 2001.
11. Keaveney, Susan M., Customer Switching Behaviour in Service Industries:An
Exploratory Study; Journal of Marketing; Vol.59(April): pp. 71-82, 1995.
12. Madden, Gary, Scott J. Savage and Grant Coble-Neal, Subscriber Churn in the
Australian ISP Market; Information Economics and Policy; Vol. 11: pp. 195-207,
1999.
13. Michael J.A. Berry and Gordon Linoff, Data Mining Techniques: for marketing, sales, and customer support, 1998.
14. Riechheld, F. F. and Sasser, W. E., Zer Defections: Quality Comesto Services; Harvard Business Review, Vol. 68, No. 5, pp. 105-111, 1990.
15. Riechheld, H. S., Learning from Customer Defections; Harvard Business Review; Vol.74, No. 2, pp. 57-69, 1996.
16. Stone,Bob, Successful Direct Marketing Methods; Lincolnwood,IL:NTC Business Books: pp. 37-59, 1995.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊
 
系統版面圖檔 系統版面圖檔