跳到主要內容

臺灣博碩士論文加值系統

(3.236.110.106) 您好!臺灣時間:2021/07/25 08:24
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:吳岱壎
研究生(外文):WU, TAI-HSUN
論文名稱:運用資料採礦技術於零售業之研究—以居家用品專賣店為例
論文名稱(外文):Applying Data Mining Technology to Retail Industry – A Case Study on Home Furnishing Stores
指導教授:吳泰熙吳泰熙引用關係
指導教授(外文):WU, TAI-HSI
口試委員:劉水深沈錳坤蔡顯童
口試日期:2012-05-25
學位類別:碩士
校院名稱:國立臺北大學
系所名稱:企業管理學系碩士在職專班
學門:商業及管理學門
學類:企業管理學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:86
中文關鍵詞:資料採礦RFM層級分析法集群分析關聯規則時序分析
外文關鍵詞:Data MiningRFMAHPCluster AnalysisAssociation RulesSequential Patterns Analysis
相關次數:
  • 被引用被引用:6
  • 點閱點閱:706
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
隨著電腦硬體設備的發展,資料的儲存容量快速成長,企業組織不僅要能有效儲存、管理資料,還需要在海量資料中尋找出有價值的資訊,並幫助做出下一步行動的決策。零售業直接接觸終端消費者,如果能透過資料採礦技術在大量的顧客資料與交易紀錄中挖掘出特徵、規則或趨勢,將可提供更具說服力的行銷策略之建議。
本研究以某居家用品專賣店為例,由其聯名卡顧客資料與消費紀錄,採用標準化之RFM消費行為變數,並透過AHP層級分析法評估RFM之權重,以建立符合零售業特質之顧客價值量化模型。透過顧客價值量化模型之建立,以之為顧客分級的基礎。顧客分級係為幫助企業掌握重要的忠實顧客群,將資源做最有效的配置,並得到更高的回應率。本研究以K-Means法進行顧客集群分析,以標準化之RFM變數將個案公司會員分為「忠實顧客」、「目標顧客」、「流失顧客」三大族群。並由顧客價值量化模型中取相同比例人數進行交叉分析,發現兩種分群方式雷同率達92%。
本研究根據零售業的產業特性,透過資料採礦之關聯規則與時序分析,發掘適合顧客群的商品組合,找出哪些商品最常一起被購買,哪些商品存在購買的順序關係,並將結果運用於交叉銷售與垂直銷售規劃。零售業銷售品項數量龐大,要尋找出有效的關聯規則有賴於合適的分類架構。本研究依個案公司提供之中分類、小分類、產品別進行關聯規則探勘外,另增加細分類關聯規則研究。對關聯規則的選取,也以支援、機率與重要性等指標分別檢視,可提供個案公司進行產品組合與行銷活動規劃之參考。
With the development of computer hardware, data storage capacity and capability are fast-growing; organizations not only be able to effectively store, manage data, it also need to find out valuable information in the big data, and to help assist in making the next critical decision. Retail industries usually have contact with the end users, through data mining techniques, will be able to gather a lot of customer’s information, transaction records, buying patterns, rules, or trends, and these information will provide more convincing marketing strategy recommendations.
In this study, a home furnishing store, for example, through its joint co-branded cards, it will provide customer’s information and transaction records, using standardized the RFM consumer behavior variables and weights of the method of assessment of RFM, to create customer value in line with the retail characteristics of quantitative analysis through the AHP model. Through the establishment of quantitative models of customer value to the customer cluster on the basis of customer grading system to help businesses master a loyal customer base, the resources to do the most effective configuration, and a higher response rate. In the study, the K-Means method, the customer cluster analysis standardized the RFM variables to the case company is divided into three major groups; "loyal customers", "target customers", "lost customers," By the quantitative model of customer value to take the same proportion the number of cross-analysis, we found that up to 92% similarity with the two methods.
In this study, based on the retail industry characteristics, through data mining of association rules and sequential patterns analysis, to explore suitable product mix for the customer, find out which product mix most frequently purchased together, which goods exist to purchase the order of relations, and apply the results of cross-selling and up-selling planning. Due to diverse numbers of product items in retail sales, to effectively find out the valuable association rules greatly depends on the appropriate category structure. In this study, according to the case company being classified, classification by product association rule mining, and to increase the fine classification association rules. In the selection of association rules, probability, and importance, the indicators for analysis, to provide reference to the product mix and marketing activities planning.
目錄
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機與目的 2
第三節 研究架構 3
第二章 文獻探討 5
第一節 資料採礦 5
第二節 RFM模型 10
第三節 AHP層級分析法 12
第四節 集群分析 15
第五節 關聯分析 17
第六節 時序分析 20
第三章 研究方法 21
第一節 研究流程 21
第二節 資料說明 23
第三節 分析方法 24
第四章 資料分析與結果 29
第一節 資料預處理 29
第二節 敘述性統計 32
第三節 以AHP層級分析法決定RFM權重 38
第四節 CLV指標之80-20法則分群 42
第五節 K-Means分群 47
第六節 關聯分析 52
第七節 時序分析 73
第五章 結論與建議 77
第一節 研究發現 77
第二節 行銷建議 78
第三節 研究限制 80
第四節 未來研究建議 81
參考文獻 83


圖  次
圖1-1 研究架構 4
圖2-1 K-Means演算法空間初始分布圖 16
圖2-2 K-Means演算法分群完之分布圖 16
圖3-1 研究流程 22
圖4-1 資料預處理流程 29
圖4-2 AHP層級架構分析圖 38
圖4-3 SQL sever資料採礦操作畫面 52
圖4-4 相依性網路:忠實顧客—中分類 53
圖4-5 相依性網路:目標顧客—中分類 54
圖4-6 相依性網路:流失顧客—中分類 55
圖4-7 相依性網路:忠實顧客—小分類 61
圖4-8 相依性網路:目標顧客—小分類 67
圖4-9 相依性網路:流失顧客—小分類 67
圖4-10 相依性網路:忠實顧客—產品 68
圖4-11 相依性網路:忠實顧客—細分類 69
圖4-12 時序群集狀態轉換:忠實顧客—中分類 73
圖4-13 時序群集狀態轉換:流失顧客—中分類 74
圖4-14 時序群集狀態轉換:忠實顧客—產品 75


表  次
表2-1 資料採礦應用相關文獻整理 8
表2-2 Stone之RFM模型架構 11
表2-3 AHP評估尺度意義及說明 13
表2-4 隨機指標值 14
表2-5 關聯規則指標 18
表3-1 檔案欄位資料內容 23
表3-2 分類層級 26
表4-1 會員主檔欄位資料預處理 30
表4-2 消費紀錄檔欄位資料預處理 31
表4-3 會員基本資料 32
表4-4 會員基本資料在「消費金額」平均值的差異檢定 33
表4-5 會員基本資料在「消費季次」平均值的差異檢定 34
表4-6 會員基本資料在「最近消費日數」平均值的差異檢定 35
表4-7 分類別會員消費紀錄 36
表4-8 AHP問卷 39
表4-9 第一位公司主管之成對比較矩陣與C.I.值計算 40
表4-10 第二位公司主管之成對比較矩陣與C.I.值計算 40
表4-11 第三位業界專家之成對比較矩陣與C.I.值計算 41
表4-12 Group AHP權重計算 41
表4-13 排序後的CLV分數以80-20法則進行顧客分群 43
表4-14 顧客分群檢定—基本資料 44
表4-15 顧客分群檢定—購物類別 45
表4-16 CLV分群顧客消費行為 46
表4-17 K-Means分群顧客消費行為 47
表4-18 K-Means分群顧客檢定—基本資料 49
表4-19 K-Means分群顧客檢定—購物類別 50
表4-20 K-Means分群人數佔比 50
表4-21 以K-Means法之分群佔比來進行CLV分群 51
表4-22 兩種分群方法之交叉比對 51
表4-23 關聯規則(依支援排序):忠實顧客—中分類 56
表4-24 關聯規則(依機率排序):忠實顧客—中分類 57
表4-25 關聯規則(依重要性排序):忠實顧客—中分類 58
表4-26 中分類關聯規則數統計(最小機率0.4以上,最低重要性0.1以上) 59
表4-27 中分類關聯規則數統計(最小機率0.5以上,最低重要性0.3以上) 59
表4-28 中分類關聯規則數統計(最小機率0.8以上) 60
表4-29 中分類關聯規則數(最低重要性0.6以上) 60
表4-30 關聯規則(依支援排序):忠實顧客—小分類 62
表4-31 關聯規則(依機率排序):忠實顧客—小分類 63
表4-32 關聯規則(依重要性排序):忠實顧客—小分類 64
表4-33 小分類關聯規則數統計(以機率排序,前200條) 65
表4-34 小分類關聯規則數統計(以重要性排序,前200條) 65
表4-35 小分類關聯規則數統計(以重要性排序,前20條) 66
表4-36 關聯規則(依支援排序):忠實顧客—細分類 70
表4-37 關聯規則(依機率排序):忠實顧客—細分類 71
表4-38 關聯規則(依重要性排序):忠實顧客—細分類 72
一、中文部分
尹相志(2009)。SQL Server 2008 Data Mining資料採礦。台北市,精誠資訊股份有限公司。
江宗憲(2003)。馬可夫鏈蒙地卡羅法於購物籃關聯結構挖掘之應用。國立台北大學企業管理研究所碩士論文。
行政院主計總處。http://www.dgbas.gov.tw/ct.asp?xItem=28854&ctNode=3111,中華民國行業標準分類。搜尋日期:2012年3月28日。
林志堅(2011)。消費者再購商品之研究-以某電腦補習班為例。國立台北大學企業管理研究所碩士論文。
林佩蓉(2009)。利用資料採礦技術找出不同價值客戶最佳銷售組合-以某量販店為例。國立中正大學企業管理研究所碩士論文。
林祥生、劉益豪(2008)。應用資料採礦探討國際線航空旅客之線上購票行為。運輸計劃季刊,37(2),197-236。
翁慈宗(2009)。資料探勘的發展與挑戰。科學發展月刊,442,32-39。
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(4),161-203。
張良榮(2007)。應用資料採礦技術協助制定交叉銷售與垂直銷售策略-以某披薩業為例。逢甲大學工業工程與系統管理學研究所碩士論文。
張洲期(2001)。應用資料挖掘於產品替代性與互補性之研究。中正大學資訊管理學系碩士論文。
許哲瑋(2003)。資料挖掘與統計方法應用於資料庫行銷之實證研究-以美妝保養品業為例。國立臺北大學企業管理學系碩士論文。
許雅涵、徐武永與李世能(2011)。運用RFM模型分析顧客消費行為與貢獻度之研究及應用實務-以中油會員卡顧客為例。石油季刊,47(1),83-100。
郭瑞祥、蔣明晃與陳宏毅(2003)。顧客價值分析之隨機模型建立及實證。管理學報,21(5),675-692。
陳名揚(譯)(1993)。競賽式決策制定法-AHP入門。原作者:刀根薰。台北市,建宏出版社。
陳宏毅(2003)。顧客價值分析之隨機模型建立及實證。國立臺灣大學商學研究所碩士論文。
陳宜欣(2006)。以資料探勘技術探討顧客忠誠方案-以某信用卡發卡銀行為例。國立中正大學行銷管理研究所碩士論文。
陳姿穎(2005)。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。國立臺北大學企業管理學系碩士論文。
彭文正(譯)(2001)。資料採礦-顧客關係管理暨電子行銷之應用。原作者:Michael J. A. Berry & Gordon Linoff。台北市,數博網資訊股份有限公司。
曾國雄、鄧振源(1989)。層級分析法(AHP)的內涵特性與應用(上)。中國統計學報,27(6),5-22。
黃秉文(2011)。運用資料採礦的技術探討金字塔客戶之流失模式-以某量販店為例。國立中正大學高階主管管理碩士論文。
黃俊銘(2005)。應用資料探勘技術提升顧客終身價值之研究-以百貨產業為例。雲林科技大學資訊管理系碩士論文。
微軟SQL Server 技術中心技術文件庫。http://technet.microsoft.com/ zh-tw/ library/ms175462.aspx。搜尋日期:2012年3月3日
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。
葉涼川(譯) (2001)。CRM Data Mining應用系統建置。原作者:Alex Berson, Stephen Smith and Kurt Thearling。台北市,美商麥格羅‧希爾國際股份有限公司。
劉信宏(2000)。以AHP模式進行人力資源管理項目之評估-以筆記型電腦業為例。中原大學工業工程學系碩士論文。
劉蕙(2006)。以群集分析與序列型樣輔助資料庫行銷策略。元智大學資訊管理學系碩士論文。
鄭婉儀(2002)。應用資料挖掘於交叉銷售之研究。國立台北大學企業管理研究所碩士論文。
鄭翠琴(2003)。資料探勘應用於顧客關係管理之研究-以零售業為例。國立台北大學資訊管理研究所碩士論文。
謝邦昌(2011)。雲端運算的應用-資料採礦和商業智慧。科學發展月刊,463,32-39。
謝邦昌、鄭宇庭、蘇志雄(2011)。SQL Server 2008 R2資料採礦與商業智慧。台北市,碁峰資訊股份有限公司。
簡利曲(2001)。運用Data Mining之購物籃分析探討網路購物之最適產品組合。國立台北大學企業管理研究所碩士論文。
簡禎富(2005)。決策分析與管理:全面決策品質提昇之架構與方法。台北市,雙葉書廊。
羅巧芳(2007)。應用資料探勘於戶外活動用品專賣店之顧客忠誠與價值分析。國立彰化師範大學行銷與流通管理研究所論文。
蘇冠豪(2005)。應用資料探勘技術於醫療行銷之研究-以醫學美容為例。雲林科技大學資訊管理系碩士論文。
二、英文部分
Agrawal, R., & Srikant, R. (1994). Fast algorithms for mining association rules in large databases. Proceedings of the 20th International Conference on Very Large Databases (VLDB), 487-499.
Agrawal, R., & Srikant, R. (1995). Mining sequential patterns. Proceedings of the International Conference on Data Engineering (ICDE), 3-14.
Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large database. Proceedings of the 1993 ACM SIGMOD Conference, 207-216. Washington DC. May 1993.
Berry, M. J., & Linoff, G. (1997). Data mining techniques for marketing, sales, and customer support. Hoboken, NJ: John Wiley & Sons, Inc.
Bhatty, M., Skinkle, R., & Spalding T. L. (2001). Redefining customer loyalty, the customer’s way. Ivey Business Journal, 65(3), 13-17.
Dempster, A. P., Laird, N. M., & Rubin, D. B. (1997). Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society B, 39(1), 1-38.
Fayyad, U., & Uthurusamy, R. (1996). Data mining and knowledge discovery in databases. Communications of the ACM, 39(11), 24-26.
Han, J., & Kamber, M. (2001). Data mining: concepts and techniques. San Francisco, CA: Morgan Kaufmann.
Hughes, A. M. (1994). Strategic database marketing. Chicago, IL: Probus Publishing Company.
Hui, S. C., & Jha, G. (2000). Data mining for customer service support. Information & Managementt, 38(1), 1-13.
Kaymak, U. (2001). Fuzzy target selection using RFM variables. IFSA World Congress and 20th NAFIPS International Conference, 2, 1038-1043.
MacQueen, J. B. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, 281-297.
Markov, A. A. (1907). Extension of the limit theorems of probability theory to a sum of variables connected in a chain. The Imperial Academy of Sciences of St Petersburg, VII Series, 12(9), the Physico-Mathematical College.
Megiddo, N., & Srikant, R. (1998). Discovering predictive association rules. Proceedings of the fourth international conference on knowledge discovery and data mining (KDD-98), 274-278.
Reinartz, W. J., & Kumar, V. (2003). The impact of customer relationship characteristics on profitable lifetime duration. Journal of Marketing, 67(1), 77-99.
Satty, T. L. (1980). The analytic hierarchy process: planning, priority setting, resource allocation. New York, NY: McGraw-Hill.
Stone, B. (1995). Successful direct marketing methods. Lincolnwood, IL: NTC Business Books.
Usama, M. F. (1991). On the induction of decision trees for multiple concept learning. PhD thesis, the University of Michigan, Ann Arbor.
Venkatesan, R., & Kumar, V. (2004). A customer lifetime value framework for customer selection and resource allocation strategy. Journal of Marketing, 68(4), 106-125.
Wyner, G. A. (1996). Customer profitabillity: Linking behavior to economics. Marketing Research, 8(2), 36-38.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top