尋找關鍵品項購買序列以分辨 VIP 顧客之研究

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：29

、訪客IP：3.135.201.209

姓名

林彥妘(Yen-Yun Lin) 查詢紙本館藏

畢業系所

企業管理學系

論文名稱

尋找關鍵品項購買序列以分辨 VIP 顧客之研究
(Discovering Key Item Buying Sequences to Identify VIP Customers)

相關論文

★ 在社群網站上作互動推薦及研究使用者行為對其效果之影響	★ 以AHP法探討伺服器品牌大廠的供應商遴選指標的權重決定分析
★ 以AHP法探討智慧型手機產業營運中心區位選擇考量關鍵因素之研究	★ 太陽能光電產業經營績效評估－應用資料包絡分析法
★ 建構國家太陽能電池產業競爭力比較模式之研究	★ 以序列採礦方法探討景氣指標與進出口值的關聯
★ ERP專案成員組合對績效影響之研究	★ 推薦期刊文章至適合學科類別之研究
★ 品牌故事分析與比較-以古早味美食產業為例	★ 以方法目的鏈比較Starbucks與Cama吸引消費者購買因素
★ 探討創意店家創業價值之研究- 以赤峰街、民生社區為例	★ 以領先指標預測企業長短期借款變化之研究
★ 應用層級分析法遴選電競筆記型電腦鍵盤供應商之關鍵因子探討	★ 以互惠及利他行為探討信任關係對知識分享之影響
★ 結合人格特質與海報主色以類神經網路推薦電影之研究	★ 資料視覺化圖表與議題之關聯

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]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

根據80/20法則，企業有高達約80%的利潤僅來自於約20%的VIP顧客，如果能有效地分辨出這些少數的VIP顧客，企業就能夠集中資源服務重要顧客，減少重要顧客的流失率。其中，企業為了瞭解顧客需求以及消費行為，經常使用資料探勘(Data mining)的方法分析顧客的購買習慣，藉此針對不同顧客群制訂不同的行銷方案。
　　本研究延續過去藉由關鍵品項尋找VIP顧客的研究，使用台灣某中型超級市場其中一家分店某年度之顧客交易資料，利用RFM價值分析法及K-Means分群將顧客分為VIP顧客及非VIP顧客，並使用序列分析且設定適當的最小規則支持度找出VIP顧客的頻繁品項購買序列，再以適當的門檻值篩選掉不具有鑑別力的序列，僅留下足以代表VIP顧客的關鍵品項購買序列。當一位潛在顧客購買了關鍵品項序列，則該顧客有很大的機會是為VIP顧客。
　　本研究找到38組關鍵品項購買序列，驗證比率(Accuracy)約為78%。且因本研究僅需要可辨識的會員編號，故對於僅有會員編號的匿名資料探勘方法亦有相當的貢獻。

摘要(英)

According to the 80/20 Principle, about 80% of the profits of a company comes from just 20% of customers. If we are able to identify these customers, companies can invest all the efforts to serve those customers and decrease their attrition rate. This important issue has been researched by only few studies. In these studies, data are treated as sets of buying baskets.

In this study, transaction data are treated as sequence of buying baskets. The research then finding frequent item buying sequence through setting adequate minimal support in sequential analysis. Moreover, we choosing an adequate threshold value to filter only the key item buying sequences which have enough discriminability. This research discovered 38 key item buying sequence with the accuracy of 78%.

關鍵字(中)

★ 資料探勘
★ RFM價值分析
★ K-Means分群
★ 序列分析

關鍵字(英)

★ Data Mining
★ RFM
★ K-Means
★ Sequential Analysis

論文目次

中文摘要 I
ABSTRACT II
誌謝 III
目錄 IV
表目錄 VI
圖目錄 VII
一、緒論 1
1-1 研究背景 1
1-2 研究動機 3
1-3 研究目的 4
二、文獻探討 5
2-1 RFM 價值分析法 5
2-2 資料探勘(DATA MINING) 8
2-2-1 序列分析 11
2-2-2 尋找關鍵品項 13
三、研究方法 14
3-1 問題描述 14
3-2 研究流程 15
3-3 原始資料篩選 16
3-4 RFM 分析法 17
3-5 序列分析 20
3-6 篩選關鍵品項購買序列 23
3-7 序列驗證指標 25
四、實驗過程 26
4-1 資料說明與分析環境 26
4-1-1 資料描述 26
4-1-2 分析環境 27
4-2 建立VIP 顧客判斷規則 28
4-2-1 RFM 分析及K-MEANS 分群結果 28
4-2-2 序列分析結果 32
4-3 規則驗證 36
4-4 綜合分析與討論 39
五、結論與未來研究建議 41
5-1 研究貢獻 41
5-2 研究限制 41
5-3 未來研究方向 42
參考文獻 43
英文部分 43
中文部分 45

參考文獻

英文部分
1. Agrawal Rakesh and Srikant Ramakrishnan, 1995, "Mining sequential patterns", Proceedings - International Conference on Data Engineering, 3-14
2. Chen E., Cao H., Li Q., and Qian T., 2008, "Efficient strategies for tough aggregate constraint-based sequential pattern mining", Information Sciences
3. Cheng H., Yan X., Han J., 2004, "IncSpan: Incremental mining of sequential patterns in large database", KDD-2004 - Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
4. Ester M., Zhang X., 2004, "A top-down method for mining most specific frequent patterns in biological sequence data", SIAM Proceedings Series
5. EMC數位世界研究報告，2014，http://www.emc.com。
6. Heskett, J. L., Sasser, W. E., ＆ Hart, C. W., 1989, "Service breakthrough", New York: The Free Press.
7. Joong Hyuk Chang, 2010, "Mining weighted sequential patterns in a sequence database with a time-interval weight", Knowledge-Based Systems
8. Kahan, Ron, 1998, "Using Database Marketing Techniques to Enhance Your One-to-One Marketing Initiatives", Journal of Consumer Marketing
9. Kum H.-C., Chang J.H., Wang W., 2006, "Sequential pattern mining in multi-databases via multiple alignment" Data Mining and Knowledge Discovery
10. Michael J. Berry, Gordon S. Linoff, 1999, “Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management”, Wiley
11. Miglautsch John, 2000, “Thoughts on RFM Scoring”, Journal of Database Marketing
12. Newell, F., 1997, “The new rules of marketing: How to use one-to-one relationship marketing to be the leader in your industry.” , New York: McGraw-Hill
13. Reichheld, F. F.,& Sasser, W. E., 1990, “Zero defections: Quality comes to service.”, Harvard Business Review
14. Richard Koch, 1997, "The 80/20 Principle", Nicholas Brealey Publishing.
15. Stone, Bob, 1989, "Successful direct marketing methods", NTC Business Books
16. Sung Ho Ha and Sang Chan Park, 1998, “Application of data mining tools to hotel data mart on the Intrant for database marketing”, Expert Systems with　Applications
17. Tzvetkov P., Yan X., Han J., 2005, "TSP: Mining top-k closed sequential patterns", Knowledge and Information Systems
18. Vilfredo Pareto, 1906, "Manual of Political Economy"
19. Yang J., Wang W., Yu P.S., Han J., 2002, "Mining long sequential patterns in a noisy environment", Proceedings of the ACM SIGMOD International Conference on Management of Data
中文部分
1. 朱韋恩，2010，客戶重覆購買行為分析，淡江大學。
2. 李建達，2014，購物籃和顧客價值分析:以線上購買飲食行為為例，國立暨南國際大學。
3. 沈昭宏，2007，一個有效率的探勘時間間隔序列型樣方法，銘傳大學。
4. 胡世忠，2013，雲端時代的殺手級應用：Big Data海量資料分析，天下出版。
5. 郭明豪，2006，從顧客購買資料中挖掘RFM序列樣式，國立中央大學。
6. 陳佩琦，2014，尋找關鍵商品組合之研究，國立中央大學。
7. 楊子清，2003，序列樣式分析應用於課程規劃支援系統，資訊技術應用與發展研討會。
8. 溫志皓，2012，資料探勘理論與應用-以IBM SPSS Modeler為範例，博碩文化。
9. 廖一夫，2002，臺灣銀行業動態化預警模型之研究，國立成功大學。
10. 鄭承祐，2013，以關鍵商品分辨VIP客戶之研究，國立中央大學。
11. 鄭洧奇，2014，以基因演算法探討GSP 參數之研究，國立中央大學。
12. 賴春松，2002，提昇資料探勘效率於企業行銷之應用，南台科技大學。

指導教授

許秉瑜(Ping-Yu Hsu)

審核日期

2016-3-14

推文