應用群集方式找出具有高價值的顧客群之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：22

、訪客IP：18.118.186.143

姓名

李元富(Yuan-Fu Lee) 查詢紙本館藏

畢業系所

工業管理研究所

論文名稱

應用群集方式找出具有高價值的顧客群之研究
(Applying clustering method to find the high value customers)

相關論文

★ 以類神經網路探討晶圓測試良率預測與重測指標值之建立	★ 六標準突破性策略—企業管理議題
★ 限制驅導式在製罐產業生產管理之應用研究	★ 應用倒傳遞類神經網路於TFT-LCD G4.5代Cell廠不良問題與解決方法之研究
★ 限制驅導式生產排程在PCBA製程的運用	★ 平衡計分卡規劃與設計之研究-以海軍後勤支援指揮部修護工廠為例
★ 木製框式車身銷售數量之組合預測研究	★ 導入符合綠色產品RoHS之供應商管理-以光通訊產業L公司為例
★ 不同產品及供應商屬性對採購要求之相關性探討－以平面式觸控面板產業為例	★ 中長期產銷規劃之個案探討 -以抽絲產業為例
★ 消耗性部品存貨管理改善研究-以某邏輯測試公司之Socket Pin為例	★ 封裝廠之機台當機修復順序即時判別機制探討
★ 客戶危害限用物質規範研究-以TFT-LCD產業個案公司為例	★ PCB壓合代工業導入ISO/TS16949品質管理系統之研究-以K公司為例
★ 報價流程與價格議價之研究–以機殼產業為例	★ 產品量產前工程變更的分類機制與其可控制性探討-以某一手機產品家族為例

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

在微利的時代中，企業投入大量資源增加對顧客的瞭解並與顧客建立良好關係，並界定不同價值的顧客群。企業以不同的產品、不同的通路滿足不同區隔顧客的個別需求，並在關鍵時刻，持續的與不同層次的顧客溝通，強化顧客的價值貢獻，希望提高顧客滿意度(Customer Satisfaction)及顧客忠誠度(Customer Loyalty)。本研究從顧客對公司的貢獻價值方向，提出以RFMP分析模型的「最近一次的購買日期」(R)、「一段期間內的購買頻率」(F)、「一段期間內的購買金額」(M)與「一段期間內的促銷產品購買頻率」(P)為基礎，以顧客歷史交易資料進行顧客價值分析，應用倒傳遞類神經網路技術於個別顧客的購買歷史記錄進行分析，針對個別顧客的購買行為進行預測，建立顧客價值指標做為顧客價值的預測模型。最後利用發展的FN_DBSCAN群集的演算法找出一群有數量限制的高價值顧客群。

摘要(英)

In tiny profit years, enterprises are investing many resources to increase understanding of customers and establish good relationship with customers, and mark off different value customers. Enterprises use different products, different place to satisfied the different needs in separate customers. In a critical moment, keep on communicating with different level customers, to strengthen the contribution of customers, in a hope to raise customer satisfaction and customer royalty. In this thesis, based on the RFMP(Recency, Frequency, Monetary, Promotion) analysis model, we use customer history transaction data to perform customer value analysis. Apply back-propagating neural networks technology to analyse the individual customer history transaction data and forecast the consume behavior, to establish the customer value index as customer value prediction model. Finally, we use the FN_DBSCAN algorithm that developed in the thesis to find the fixed number of prior customers.

關鍵字(中)

★ RFMP分析模型
★ 倒傳遞類神經網路
★ 群集
★ 顧客價值

關鍵字(英)

★ Clustering
★ Customer value
★ Back-propagating neural networks
★ RFMP analysis model

論文目次

論文提要…………………………………………… I
目錄………………………………………………… II
圖目錄……………………………………………… IV
表目錄……………………………………………… V
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 研究架構……………………………………… 5
第二章文獻探討…………………………………… 6
2.1 顧客價值分析………………………………… 6
2.1.1 RFM定義 …………………………………… 6
2.1.2 RFM 指標分數之建構……………………… 7
2.1.3 RFM 分析模型限制………………………… 8
2.1.4 小結………………………………………… 8
2.2 倒傳遞類神經網路…………………………… 9
2.2.1 倒傳遞式類神經網路運作模式…………… 9
2.2.2 倒傳遞式類神經網路的運作階段………… 10
2.2.3 倒傳遞式類神經網路的學習評估………… 12
2.2.4 小結………………………………………… 13
2.3 資料探勘……………………………………… 13
2.3.1 群集………………………………………… 15
2.3.2 相似性評估………………………………… 16
2.3.3 小結………………………………………… 16
2.4 零售業………………………………………… 16
2.4.1 零售業概況………………………………… 16
2.4.2 促銷活動…………………………………… 17
2.4.3 小結………………………………………… 18
第三章建立顧客價值模型並找出優先級顧客群… 19
3.1 建構RFMP模型………………………………… 19
3.1.1 資料前置處理……………………………… 19
3.1.2 資料結構…………………………………… 20
3.1.3 計算RFMP的百分位數……………………… 21
3.1.4 顧客價值指標……………………………… 21
3.2 訓練倒傳遞類神經網路……………………… 21
3.3 發展FN_DBSCAN 演算法……………………… 23
3.3.1 DBSCAN演算法……………………………… 23
3.3.2 FN_DBSCAN演算法 ………………………… 23
第四章實驗建置與成果分析……………………… 26
4.1 實驗資料……………………………………… 26
4.2 建構RFMP模型………………………………… 26
4.3 倒傳遞類神經網路學習結果………………… 28
4.4 利用FN_DBSCAN 演算法找出高價值的顧客群 33
第五章結論與未來研究方向……………………… 35
5.1 結論…………………………………………… 35
5.2 未來研究方向………………………………… 35
參考文獻…………………………………………… 37

參考文獻

Berry, L. L. (1993), “Relationship Marketing：Emerging Perspective on Service
Marketing”, American Marketing Association, 1983, pp.25~28.
Stone, Bob (1995) , “Successful Direct Marketing Methods”, pp37-59, Lincolnwood,IL：NTC Business Books.
Cho, Y. H., J. K. Kim, and S. H. Kim. (2002), “A personalized recommender system based on web usage mining and decision tree induction”, Expert Systems with Applications 23.
Dash, M., H. Liu, and X. Xu. “2001. 1 +1> 2': Merging Distance and Density Based Clustering”. 7th International Conference on Database Systems for Advanced Applications.
Ester, M., H. P. Kriegel, J. Sander, and X. Xu. (1996). “A density-based algorithm for discovering clusters in large spatial databases with noise”. In Proceedings of International Conference on Knowledge Discovery and Data Mining.
Fayyad,U., (1996), “Data mining and knowledge discovery in databases”,
Communications of the ACM, Vol. 39, Iss.11,pp.22-25,
Hughes ,A.M., (1996), “Boosting response with RFM”, Marketing Tools, Vol.5, pp.4-10,
Peppers, Don and Martha Rogers, (1993), “The One to One future：Building relationships with One Customer at A Time”, Sagalyn Literary Agency.
Sander, J., M. Ester, H. P. Kriegel, and X. Xu. (1998), “Density-Based Clustering in Spatial Databases: The Algorithm GDBSCAN and its Applications.” Data Mining and KnowledgeDiscovery, An International Journal, Kluwer Academic Publishers, Vol. 2, No.2.
Sarwar, B., G. Karypis, J. Konstan, and J. Riedl. (2000). “Analysis of recommendation algorithms for e-commerce.” Proceedings of ACM Ecommerce 2000 Conference.
Schafer, J. B., J. A. Konstan, and J. Riedl. (2001). “E-commerce ecommendation
applications.” Data Mining and Knowledge Discovery, 5(1–2).
葉怡成，類神經網路模式應用與實作，儒林圖書有限公司，台北，2000 年4 月

指導教授

沈國基(Gwo-Ji Sheen)

審核日期

2004-7-13

推文