跳到主要內容

臺灣博碩士論文加值系統

(18.204.48.64) 您好!臺灣時間:2021/07/30 10:27
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:周承德
研究生(外文):Chou, Cheng-Te
論文名稱:物流運籌e化建構與運用模式之研究
論文名稱(外文):A study of E-Logistics Construction and Operation Models
指導教授:陳武倚陳武倚引用關係
指導教授(外文):Chen, Wuu-Yee
口試委員:蔡敦仁陳俊豪
口試委員(外文):Tsai, Dwen-RenChen, Chun-Hao
口試日期:2012-06-24
學位類別:碩士
校院名稱:中國文化大學
系所名稱:資訊管理學系
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:2012
畢業學年度:100
語文別:中文
論文頁數:75
中文關鍵詞:物流配送、顧客價值、RFM分析法、RFT
外文關鍵詞:Logistics, Customer Value, RFM Analysis, RFT
相關次數:
  • 被引用被引用:1
  • 點閱點閱:259
  • 評分評分:
  • 下載下載:30
  • 收藏至我的研究室書目清單書目收藏:1
隨著台灣無店舖行銷愈來愈發達,伴隨而來的是物流規模的擴大,而在商品配送方面,對大多數的業者而言,因規模不大,故一般都以委外配送居多。
本研究是藉由資料探勘及價值分析的方式,對所研究案例進行績效評估。在評估顧客價值來說,以RFM最廣為企業所採用。本研究採用不轉換加權RFM值,針對車輛配送的特徵,將傳統的RFM模型,改為RFT分群,不採用一般所使用的平均數,而針對配送資料的特性(具單一值多且數值差異大),改採中位數來判斷三變數指標,再引用Marcus(1998)所提出的顧客價值矩陣,透過集群的方式,將車輛按照歷史交易資料快速分群,區分成不同的群別。對於各分群所配送產品相似度的以資料探勘的方式,可以得到較佳的推薦資訊。
本研究是以探討第三方物流業者所面臨的配送問題為主要的研究目的,以產品、車輛、區域及時段等因素納入考量,提出一個決策模型,讓管理者對調整車輛調度的安排,能有一個適用的方案,以協助管理者進行相關配送決策的參考依據。

With the non-store marketing more and more developed, the expansion of the logistics scale is accompanied. Due to the limited scale, the outsourcing distribution is the majority in distribution of goods.
This study focus on the performance evaluation by using data mining and value analysis. In evaluating the customer value, RFM is the most popular method used by the enterprise. However, this study adopts non-weighted RFM value in connection with the vehicle distribution characteristics which uses RFT clustering instead of the original RFM model. Rather than using the statistics average, this study concentrate on vehicle distribution characteristics (with more than one single value and the value difference) and use statistics mid-value to determine the three RFM variables.
This study use customer value matrix proposed by Marcus (1998) that throughs the clustering for dividing the vehicles into different groups by using the historical transaction information fast clustering. By using the data mining to analyze the similarity of the products which could get a better recommendation information.
The study analysis the product, vehicle, region and time period to propose a decision model, so that the manager can have a program to adjust the vehicle scheduling arrangements and which can assist the manager to have a reference to make a decision for the distribution.

內 容 目 錄
中文摘要 ……………………..………………………………….. i
英文摘要 ……………………..………………………………….. ii
誌謝辭  ……………………..………………………………….. iii
內容目錄 ……………………..………………………………….. iv
表目錄  ……………………..………………………………….. vi
圖目錄  ……………………..………………………………….. vii
第一章 緒論 1
第一節 研究背景及動機 1
第二節 研究目的 4
第三節 研究範圍和限制 5
第四節 研究流程 6
第二章 文獻探討 8
第一節 物流運籌產業之簡介 8
第二節 物流配送決策 17
第三節 決策樹分析 20
第四節 關連法則分析 23
第五節 類神經網路分析 24
第六節 顧客價值分析 28
第七節 顧客價值模型判斷 32
第三章 研究方法 35
第一節 研究步驟及架構 35
第二節 資料預處理 37
第三節 建立物流RFT模組 40
第四節 資料探勘模式 43
第五節 績效評估 45
第四章 實證與結果分析 47
第一節 資料來源及環境說明 47
第二節 實證設計 47
第三節 效能評估 57
第四節 結果分析 65
第五章 結論與未來研究方向 67
第一節 結論 67
第二節 未來研究方向 68
參考文獻 70

表 目 錄
表2-1物流中心的分類 11
表2-2本研究物流配送中心的定位 12
表2-3宅配業與路線貨運的比較 16
表2-4貨車的營業成本 18
表2-5自有車隊與委外配送的比較 19
表2-6決策樹演算法之比較表 22
表2-7 Stone的建構原則 29
表2-8 RFM模型的各指標含義比較表 32
表2-9 RFT分群表 32
表3-1不適用交易資料舉例列表 37
表3-2商品交易配送 37
表3-3未含最後送貨日期的資料 38
表3-4含有最後送貨日期之交易檔 39
表3-5交易資料舉例表 42
表3-6 RFT中位數表 42
表3-7 RFT資料表(加入RFT 狀態值) 43
表3-8 RFT資料表(加入分群) 43
表4-1軟硬體環境列表 47
表4-2訓練資料RFT變數資料 48
表4-3 RFT三變數 48
表4-4 RFT狀態表 48
表4-5各車輛分群列表 49
表4-6分群列表 58
表4-7各分群最佳精確度、回應率及F1值 59
表4-8群1送貨商品比重前10名 60
表4-9群2送貨商品比重前10名 60
表4-10群3送貨商品比重前10名 60
表4-11群4送貨商品比重前10名 61
表4-12群5送貨商品比重前10名 61
表4-13群6送貨商品比重前10名 62
表4-14群7送貨商品比重前10名 62
表4-15群8送貨商品比重前10名 62
表4-16各分群車輛數、出貨次數及出貨量列表 63
表4-17各分群業績表 63

圖 目 錄
圖1-1供應鏈四流概念圖 1
圖1-2物流成本比例圖 2
圖1-3研究流程圖 7
圖2-1專業物流的演進 10
圖2-2第三方物流作業機制 13
圖2-3貨物運輸網路圖 14
圖2-4配送流程圖 15
圖2-5配送規劃決策規劃圖 17
圖2-6物流配送外包成本決策模型 20
圖2-7類神經網路示意圖 26
圖2-8 SOM網路架構圖 27
圖2-9 Marcus 的顧客價值矩陣 31
圖3-1研究架構圖 36
圖3-2 RFT群集之流程示意圖 41
圖3-3計算RFT的SQL語法 41
圖3-4求得RFT狀態值之SQL語法 42
圖3-5決策樹相依性網路圖 44
圖3-6關聯法則相依性網路檢視圖表 44
圖3-7類神經網路檢視圖表 45
圖4-1決策樹參數設定 50
圖4-2決策樹樹狀目錄 52
圖4-3關連法則參數設定 52
圖4-4關聯法則之配送規則 54
圖4-5類神經網路參數設定 54
圖4-6類神經網路檢視圖 56
圖4-7增益圖比較圖 56
圖4-8各分群效能評估比較圖 59
圖4-9各群別送貨量比率圖 64
圖5-1派車網頁系統架構圖 69

一、中文部分
工作大贏家(2006),物流倉儲產業,PP26~39,95年8月號。
王信博(2003),專業物流在企業全球運籌管理之定位與影響之探討,碩士論文,大葉大學事業經營研究所。
王汝鵬(2006),第三方物流轉運中心影響作業績效因素之研究-以T貨運物流公司為例,碩士論文,大葉大學資訊管理學系碩士在職專班。
尹相志(2008),Microsoft SQL Server 2008資料採礦聖經,學貫行銷股份有限公司。
台灣經濟研究院(2006),2006台灣各產業景氣趨勢調查報告,PP577~570,「第23章陸運業」,民94/12。
朱海成(2007),全球運籌管理,PP72~162,「第二章物流管理」,新陸書局股份有限公司,民96年7月。
池惠婷(2002),物流在電子商務發展下的成功契機,物流新世紀2002特輯,PP96~102 ,中華民國物流協會,民91。
林峻民(2004),國內汽車路線貨運業自由化與經營效率之研究,碩士論文,國立成功大學交通管理學系碩博士班。
梁定澎(2006),決策支援系統與企業智慧,智勝文化發行,民91/01。
陳巨星(2002),YAMATO黑貓宅急便經營戰略,物流技術與戰略2002年冬季號,PP109~115,物流技術與戰略雜誌社,民91/11。
陳春益(2001),物流管理課程講義,台灣工業技術學院管理技術研究所,民90。
陳昭榮(2002),應用自我組織類神經網路於最長不相交路徑問題,臺北科技大學學報第三十五之二期。
黃宇彤、陳罡熙(2009),利用RFM模型於顧客價值分析之個案研究,建國科大學報,民98,28(2),19-32。
黃建銘(2010),運用RFM分群與關聯規則技術於產品推薦之研究-以電話行銷為例,碩士論文,文化大學資訊管理研究所。
張鐵軍(2003),全球運籌管理營運模式之績效評估指標設立,物流新世紀2003特輯,PP59~83,中華民國物流協會,民92。
經濟部(2000),物流經營管理實務,經濟部商業司。
蔡咅容(2008),以消費產品購買週期為搭售策略之個人化商品推薦,碩士論文,朝陽科技大學資訊管理系。
產業情報研究所(2010),2010年台灣線上購物市場規模調查報告,資策會,民99/10。
謝邦昌等(2011),SQL Server 2008 R2 資料採礦與商業智慧,碁峯資訊股份有限公司,2011/01。
蘇柏全、林熙禎、李宙奇(2006),RFM模型結合貝氏隨機模式與時間序列模式運用於顧客狀態預測,電子商務學報,第八卷第二期,2006年06月,pp.193-218。
二、英文部分
Ballou, R. H.(2003). Business Logistics Management 5th edition. Prentice Hall, N.J.
Berry, M. J. A. and Linoff, G.(2000). Mastering Data Mining, the Art &Science of Customer Relationship Management. John Wiley & Sons.
Boyson, S., Corsi, T., Dresner, M., and Rabinovich, E.(1999). Management Effective Third Party Logistics Relationships: What Does it Take? Journal of business Logistics, Vol. 20, No. 1, 81-87 .
Coyle, J. J., Bardi, E. J, and Langley, C.J.(2002). The Management of Business Logistics, 7th Edition. South-Western College Pub.
Craig, F. and Garceau, L.(1996). Beyond Expert System: Neural Networks in Accounting. The National Public Accounting, Vol.41, No.6, 26
Davis, J. and Brozovsky, J. A.(1995). Decision Support Software for Tax. The Tax Adviser,Vol.26, No.1, 54.
Ha, S. H. and Park, S. C.(1998). Application of data mining tools to hotel data mart on the Intranet for database marketing. Expert Systems with Applications, 15(1), 1-31.
Han, J. and Micheline, K. (2001). Data Mining: concepts and techniques. Morgan Kaufmann.
Holland, J. H.(1992). Adaptation in Natural and Artificial System. University of Michigan Press
Hughes, A. M.(1996). The Complete Database Marketer: Second Generation Strategies and Techniques for Tapping the Power of Your Customer Database. McGraw-Hill Publishing Company Inc.
Hui, S. C. and Jha, G. (2000). Data mining for customer service support. Information and Management, 1-13.
Kahan, R.(1998). Using Database Marketing Techniques to Enhance Your One-to-One Marketing Initiatives. Journal of Consumer Marketing, Vol. 15, 491-493.
Kohonen, T.(1986). Learning Vector Quantization. Helsinki University of Technology. Laboratory of Computer and Information Science Report, TKK-F-A-601.
Liu, D. R. and Shih, Y. Y.(2005). Integrating AHP and data mining for product recommendation based on customer lifetime value. Information and Management, 42(3), 387-400.
Marcus, C.(1998). A practical yet meaningful approach to customer segmentation. Journal of consumer marketing, Vol.15, No.5, 494-505.
Michel, S.(2001). Analyzing services failures and recoveries:a process approach, International Journal of Service Industry Management, 12(1), 20-30.
Miglautsch, J.(2000). Thoughts on RFM Scoring. Journal of Database Marketing, Vol.8, No1, 2-7.
Oard, D. W. and Marchionini, G. (1996). A Conceptual Framework for Text Filtering. Technical Report EE-TR-96-25, CAR-TR-830,CLIS-TR-96-02, CS-TR-3643, University of Maryland, College Park.
Qureshi, A. A., Shim, J. K. and Siegel, J. G. (1998). Artificial Intelligence in Accounting and Business. The National Public Accountant, Vol.43, No.7, 13-18.
Rumelhart, D. E., Hinton, G. E., and Williams, R. (1986). Learning internal representation by error propagation. Parallel Distributed Processing, Cambridge, MA: MIT Press, Vol. 1, 318-362.
Sarwar, B., George, K., Konstan, J. and Riedl, J.(2000). Analysis of Recommendation Algorithms for E-commerce. Proceedings of the 2nd ACM conference on Electronic commerce,158-167.
Stone, B.(1996). Successful direct marketing methods ,6th edtion. NTC Business Books.
Sylvain, S. and Jacques, N.(2004). The Influence of Online Product Recommendations on Consumers’ Online Choices. Journal of Retailing, Vol. 80, No. 2, 159-169.
Vellido, A. , Lisboa, P.J.G. and Meehan, K.(1999). Segmentation of the On-line Shopping Market Using Neural networks. Expert Systems with Applications, Vol.17, 303-314.
Venugopal, V. and Baets, W.(1994). Neural networks and statistical techniques in marketing research. Marketing Intelligence & Planning, Vol. 12, No. 7, 30-38.
Yuan, S. T. and Tsao, Y.W.(2003). A Recommendation Mechanism for Contextualized Mobile Advertising. Expert Systems with Applications, Vol. 24, No. 4, 399-414.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top