跳到主要內容

臺灣博碩士論文加值系統

(18.97.9.171) 您好!臺灣時間:2024/12/13 20:20
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:廖宜祥
研究生(外文):Yi-Hsiang Liao
論文名稱:舊客戶消費行為分析與價值評估
論文名稱(外文):Analysis and Value Evalutaion of Consumption Behavior of Old Customers
指導教授:陳景祥陳景祥引用關係
口試委員:何宗武李百靈
口試日期:2017-06-17
學位類別:碩士
校院名稱:淡江大學
系所名稱:統計學系碩士班
學門:數學及統計學門
學類:統計學類
論文種類:學術論文
論文出版年:2017
畢業學年度:105
語文別:中文
論文頁數:60
中文關鍵詞:RFM模型客戶分類關聯規則決策樹集群分析
外文關鍵詞:RFM modelCustomer classificationAssociation rule learningDecision treeCluster Analysis
相關次數:
  • 被引用被引用:1
  • 點閱點閱:215
  • 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
在現今大數據的時代,由於累積龐大的客戶資料,公司企業的主要方向已從商品經營轉為客戶經營。從客戶資料中尋找高價值的客戶做積極經營,也變為現今企業常使用的策略。除了找尋高價值客戶外,若欲提高商業的利潤,企業第一個想到的策略往往是開發新客戶,但其實舊客戶的維繫更是我們應該深究的方法,因為開發一個新客戶的成本等於維繫五個舊客戶的成本,維繫好舊客戶關係更能帶來效益。本論文將客戶資料區分新舊客戶後,將舊客戶做分類,並且計算其RFM價值分數,再透過關聯規則分析、決策樹、集群分析等方式去找出舊客戶分類與客戶價值之間的關聯性,並使用一組實際資料作應用分析。
While the age of big data is coming, the new strategy of commercial companies has been switched from commodity management to customer management since many companies have huge amounts of customer data. In additon, identification of high-value customers based on customer data is also a common strategy adopted by these companies, with the consideration of increasing profits. Many companies consider exploring new customers the first priority, but the maintenance of old customers is often more important because the cost of exploring a new customer is five times greater than that of maintaining old customers.
In this study, the customer data will be divided into two major sections, old and new customers. We then classify old customers into four group and calculate their RFM score. Using association rule learning, decision tree and cluster analysis, we try to find the relationships between old customers and customer values. A real-world data application is also discussed in our study.
目錄
目錄 IV
表目錄 VI
圖目錄 VIII
第一章 緒論 1
1.1 研究動機與目的 1
1.2 論文架構 4
第二章 文獻回顧 5
2.1 80/20法則 5
2.2 長尾理論 6
2.3 客戶分類 8
2.4 RFM模型 10
2.4.1 Aruthur Hughs法 11
2.4.2 Bob stone法 12
2.4.3 Shaw法 13
2.5 連(Run)的概念 15
2.6 廣義伽瑪分配(Generalized Gamma) 17
2.7 關聯規則分析 19
2.7.1 Apriori演算法 20
2.7.2 FP-growth演算法 20
2.8 決策樹 21
2.8.1 ID3 演算法 (Iterative Dichotomiser 3) 21
2.8.2 C4.5 演算法 22
2.8.3 C5.0 演算法 22
2.9 集群分析 23
2.9.1 分層法 23
2.9.2 非分層法 24
2.9.3 二階段法 24
第三章 模擬研究與比較 25
3.1 電腦環境與模擬計算軟體配置 25
3.2 研究設計 26
3.3 廣義伽瑪分配基礎模型 27
3.4資料模擬流程 30
3.5 顧客價值計算 35
3.6 關聯規則分析比較 36
3.7 決策樹比較 42
3.8 集群分析 47
第四章 實例分析 51
4.1 資料說明與整理 51
4.2 資料分析 53
4.2.1 關聯規則分析 53
4.2.2決策樹 54
4.2.3集群分析 55
第五章 結論 56
參考文獻 58


表目錄
表2.1 客戶生命週期分類表 9
表2.2 Aruthur Hughs法之RFM模型權重 12
表2.3 Bob stone法之RFM模型權重 13
表2.4 Shaw法之RFM模型權重 14
表3.1 電腦環境與軟體配置 25
表3.2 客戶分配比例表 34
表3.3 客戶價值分數計算結果表 35
表3.4 舊客戶(9):一般客戶(1)之關聯規則分析表 36
表3.5 舊客戶(8):一般客戶(2)之關聯規則分析表 37
表3.6 舊客戶(7):一般客戶(3)之關聯規則分析表 37
表3.7 舊客戶(6):一般客戶(4)之關聯規則分析表 38
表3.8 舊客戶(5):一般客戶(5)之關聯規則分析表 38
表3.9 舊客戶(4):一般客戶(6)之關聯規則分析表 39
表3.10 舊客戶(3):一般客戶(7)之關聯規則分析表 39
表3.11 舊客戶(2):一般客戶(8)之關聯規則分析表 40
表3.12 舊客戶(1):一般客戶(9)之關聯規則分析表 40
表3.13 舊客戶(9):一般客戶(1)之混淆矩陣 42
表3.14 舊客戶(8):一般客戶(2)之混淆矩陣 42
表3.15 舊客戶(7):一般客戶(3)之混淆矩陣 43
表3.16 舊客戶(6):一般客戶(4)之混淆矩陣 43
表3.17 舊客戶(5):一般客戶(5)之混淆矩陣 43
表3.18 舊客戶(4):一般客戶(6)之混淆矩陣 44
表3.19 舊客戶(3):一般客戶(7)之混淆矩陣 44
表3.20 舊客戶(2):一般客戶(8)之混淆矩陣 44
表3.21 舊客戶(1):一般客戶(9)之混淆矩陣 45
表3.22 不同比例客戶預測正確率彙整表 45
表3.23 不同比例客戶集群分析相似比率彙整表 47
表3.24 不同比例下流失型客戶集群分析相似比率彙整表 48
表3.25 模型建立下不同比例下流失型客戶集群分析相似比率彙整表 49
表4.1顧客原始點擊資料 52
表4.2顧客原始點擊資料轉換結果 52
表4.3 網站瀏覽資料之關聯規則分析表 53
表4.4 網站瀏覽資料之混淆矩陣 54
表4.5 網站瀏覽資料之集群分析相似比率 55
表4.6網站瀏覽資料下流失型客戶之集群分析相似比率 55

圖目錄
圖1.1 研究架構 4
圖2.1 長尾圖 6
圖2.2 殘差圖 15
圖2.3 殘差圖加入連(Run)的概念 16
圖3.1 固定λ、γ參數的廣義伽瑪機率密度函數圖 27
圖3.2 固定α、γ參數的廣義伽瑪機率密度函數圖 28
圖3.3 固定α、λ參數的廣義伽瑪機率密度函數圖 29
圖3.4 平穩型一般客戶圖 30
圖3.5 集中型一般客戶圖 31
圖3.6 舊客戶圖 32
圖3.7 新客戶圖 33
圖3.8 不同比例客戶預測正確率折線圖 46
圖3.9 不同比例客戶集群分析相似比率折線圖 47
圖3.10 不同比例下流失型客戶集群分析相似比率折線圖 48
圖3.11 模型建立下不同比例下流失型客戶集群分析相似比率折線圖 50
英文文獻
[1] Anderberg, M.R(1973) Cluster Analysis for Applications. Academic Press, New
York.

[2] Bob stone(1995). Successful Direct Marketing Methods. Lincolnwood IL:NTC Business Bolls

[3] Breiman, Leo; Friedman, J. H., Olshen, R. A., & Stone, C. J(1984). Classification
and regression trees. Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software. ISBN 978-0-412-04841-8.

[4] Chris Anderson(2004). The Long Tail. Wired.

[5]Goodman, John(1992). Leveraging the customer database to your competitive advantage. Direct Marketing, Vol. 55, No. 8, pp. 26-27.

[6]Greg M. Allenby, Robert P. Leone and Lichung Jen(1999). A Dynamic Model of Purchase Timing with Application to Direct Marketing. Journal of the American Statistical Association, 365-373.

[7]Jiawei Han and Micheline Kamber (2001). Data Mining: Concepts and Techniques, Morgan Kaufmann, San Francisco, CA.

[8] Hughes, Arthur M(1994). Strategic Database Marketing. Chicago:Probus
Publishing

[9]J. B. MacQueen (1967). Some Methods for classification and Analysis of
Multivariate Observations. Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1:281-297

[10] J. Han, J. Pei, and Y. Yin(2000) “Mining Frequent Patterns without Candidate
Generation, ” Proceedings of the ACM SIGMOD International Conference on Management of Data, Dallas, USA, pp. 241-250.

[11] Joe H. Ward, Jr. (1963). Hierarchical Grouping to Optimize an Objective
Function. Journal of the American Statistical Association, 58, 236–244.

[12] Kass, G. V. (1975). Significance testing in automatic interaction detection
(A.I.D.). Applied Statistics 24 (2), 178–189.
[13] Kotler, Philip, Armstrong, Gary, Saunders, John and Wong, Veronica(1999). "Principles of Marketing" 2nd ed. Prentice Hall Europe.

[14] Mary Lou Roberts(1992). Expanding the role of the direct marketing database.
Journal of Direct Marketing, Vol. 2, No. 2, pp.51-60

[15] Michael J. Berry and Gordon Linoff(1997). Data Mining Techniques: For Marketing, Sales, and Customer Support, Wiley, NY.

[16] Quinlan, J. R(1986). Induction of Decision Trees. Mach. Learn. 1, 1,81–106

[17] Quinlan, J. R(1993). C4.5: Programs for Machine Learning. Morgan Kaufmann
Publishers.

[18] Rakesh Agrawal, Tomasz Imielinski and Arun Swami(1993). Mining association
rules between sets of items in large databases. Proceedings of ACM SIGMOD, pp. 207-216

[19] Shaw, Michael J., Subramaniam, Chandrasekar, Tan, Gek Woo & Welge, Michael E(2001). Knowledge management and data Mining for marketing. Journal of Decission Support System, 31,.

[20] Sheth & Newman(1999). Customer Behavior: Consumer Behavior and Beyond


中文文獻
[22] 謝綺蓉譯,Richard Koch 原著(1998)。『80/20法則』,台北:大塊文化。

[23] 都大明(2008)。現代酒店管理,復旦大學出版社。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊