學術產出-Theses
Article View/Open
Publication Export
-
題名 以決策樹與判別分析進行顧客分群：以A公司為例之RFM分析架構
A Study of Decision Tree and Discriminant Analysis on Customer Segmentation: RFM Analytical Framework of Company A作者 陳彥君
Chen, Yen-Chun貢獻者 李易諭
陳彥君
Chen, Yen-Chun關鍵詞 顧客關係管理
資料探勘
RFM模型
集群分析
決策樹
線性判別分析日期 2021 上傳時間 2-Mar-2021 14:59:19 (UTC+8) 摘要 隨著顧客資料庫建置得越發完善，如何透過各種方法將顧客資料進行分析已成為如今企業最重要的議題之一。而從過往至今的研究顯示，開發新顧客的成本為維繫既有顧客成本約五倍，針對既有顧客行銷產品成功的機率亦相較新顧客來得高。因此，近年來各行業意識到比起花費更多資源吸引新顧客，如何進行顧客關係管理來維繫原有顧客反而能帶來更多價值。其中，顧客分群可以說是顧客關係管理中關鍵的第一步。透過顧客分群除了能找出對於企業來說最具有價值或值得進行開發的重要顧客，亦能藉由了解不同顧客群體的消費行為與輪廓，確實地擬定相關行銷策略與顧客精準地進行互動，在節省公司行銷費用的同時亦大大提高成功銷售的機率。本研究將使用A公司之顧客交易資料，以最近購買日(R)、消費頻率(F)以及消費金額(M)作為變數，結合資料探勘方法來建立完整顧客分群過程。首先將進行資料清理與變數擷取，接下來利用二階段集群分析中華德法與K-means集群分析將顧客分成四個具有顯著差異的群體。探討各分群消費行為特徵後，將四個群體的分群結果作為類別型目標變數，分別建立CART決策樹與線性判別分析兩種預測模型。比較兩模型各項準確率與各分群的分類錯誤率後，發現整體而言兩模型表現皆優良，唯有在不同分群之錯誤率略有不同。 參考文獻 一、中文文獻1.山口達輝、松田洋之(2020)。機器學習和深度學習的技術與原理，碁峰出版有限公司。2.田智安(2016)。應用社會網路分析在保險業RFM資料之研究，國立勤益科技大學資訊管理系碩士班學位論文。3.吳宗育(2020)。結合公開資料與資料探勘於藥物耗用預測，國立中正大學資訊管理學系碩士班學位論文。4.吳振晃(2003)。資料採礦技術於銀行授信之應用—以消費者貸款為例，中國文化大學資訊管理研究所碩士論文。5.宋美慧(2011)。資料探勘攝護腺癌分類模式之建構-決策樹分析法之應用，輔仁大學管理學研究所碩士論文。6.林祥生(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)，197-235。7.許智為(2006)。應用巢狀式群集分析方法改善顧客區隔效度之研究，國立臺北科技大學工業工程與管理系碩士班學位論文。8.陶冶、馬建(2005)。基於聚類分析的IPO定價實證研究，湖南大學學報，20(4)，74–78。9.郭若宣(2020)。應用資料探勘技術於RFM顧客價值區隔之研究，銘傳大學應用統計與資料科學學系碩士班學位論文。10.郭瀚揚(2019)。資料探勘應用之研究:零售業的RFM分析架構，國立臺灣師範大學全球經營與策略研究所碩士論文。11.翁慈宗(2009)。資料探勘的發展與挑戰，科學發展期刊，442，33-39。12.陳民祐(2012)。應用資料探勘探討線上訂票乘客行為-以台鐵西幹線為例，國立中興大學行銷學系碩士班學位論文。13.陳信宏(2004)。利用非動態資料庫之銀行顧客分群研究，國立臺灣大學商學研究所碩士論文。14.陳慈慧(2009)。以近期購物的連特徵修正RFM模型，淡江大學統計學系碩士班學位論文。15.張心馨、蔡獻富(2004)。以Data Mining技術結合SOM和K-means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。16.張聆真(2018)。利用大數據分析調查內科患者之住院天數，國立中正大學企業管理系研究所碩士論文。17.黃明輝(2001)。資料探勘在財務領域的運用-以債券型基金之績效評估為例，輔仁大學金融研究所碩士論文。18.曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯(2008)。資料探勘，旗標出版有限公司。19.葉子維(2018)。顧客消費行為分析及行動銀行使用預測-決策樹、隨機森林與判別分析之比較，國立臺北大學統計學系碩士班學位論文。20.葉建良(2006)。利用CART分類與迴歸樹建立消費者信用貸款違約風險評估模型之研究-以國內A銀行為例，輔仁大學應用統計學研究所碩士學位論文。21.蔣文育(2012)。應用顧客價值模型與資料探勘技術於資料庫行銷規劃－咖啡連鎖店為例，觀光旅遊研究學刊，7(2)，59–69。22.廖述賢、溫志皓(2009)。資料採礦與商業智慧，雙葉書廊出版有限公司。23.蘇冠豪(2006)。應用資料探勘技術於醫療行銷之研究，國立雲林科技大學資訊管理學系碩士班學位論文。二、英文文獻1.Berry, M. and Linoff, G. (1997). Data Mining Technique: For Marketing, Sales and Customer Relationship Management. John Wiley and Sons, Inc.2.Berry, M. and Linoff, G. (2000). Mastering Data Mining: The Art and Science of Customer Relationship Management. John Wiley and Sons, Inc.3.Bob Stone (1995). Successful Direct Marketing Methods. NTC Business Bolls.4.Breiman, L., Friedman, J. H., Olshen, R. A. and Stone, C. J. (1984). Classification and Regression Trees. Wadsworth.5.Colombo, R. and Jiang, W. (1999). A stochastic RFM model. Journal of Interactive Marketing, 13(3), 2-12.6.Fayyad, U. M., Shapi, G. P., Smith, P., and Uthursamy, R. (1996). Advances in Knowledge Discovery and Data Mining. Menlo Park.7.Goodman, J. (1992). Leveraging the customer database to your competitive advantage. Direct Marketing, 55(8), 26-27.8.Gregory, P. and William, F. (1991). Knowledge Discovery in Databases. MIT Press.9.Griffin, J. and Lowenstein, M. W. (2001). Customer Winback: How to Recapture Lost Customers-and keep them Loyal. Jossey-Bass.10.Hall, C. (1995). The Deville’s in the Detail: Techniques, Tool, and Application for Data Mining and Knowledge Discovery-Part II. Intelligent Software Strategies, 6(9), 1-16.11.Hartigan, J. A. and Wong, M. A. (1979). A K-means clustering algorithm. Applied Statistics, 28(1), 100-108.12.Hughes, A. (1994). Strategic Database Marketing. Probus Publishing.13.J. N. Sheth and Bruce Newman (1999). Customer Behavior: Consumer Behavior and Beyond. Dryden Press.14.Loh, W. Y. and Y. S. Shih. (1997). Split Selection Methods for Classification trees. Statist. Sinica. 7(1), 815-840.15.Maria, H., Yannis, B., and Michalis, V. (2001). On Clustering Valdation Techniques. Journal of Intelligence Information Systems, 17(2), 107-145.16.Miglautsch, J. R. (2000). Thoughts on RFM scoring. Journal of Database Marketing and Customer Strategy Management, 8(1), 67-72.17.R.C. de Amorim (2015). Feature Relevance in Ward`s Hierarchical Clustering Using the Lp Norm. Journal of Classification, 32(1), 46–62.18.Reinartz, W. and Kumar, V. (2000). On the profitability of long-life customers in a non-contractual setting: An Empirical Phase and Implications for Marketing. Journal of Marketing, 64(4), 17-36.19.Shaw, Michael J., Chandrasekar, Tan, Gek Woo and Welge (2001). Knowledge management and Data Mining for marketing. Journal of Decision Support System, 31. 描述 碩士
國立政治大學
企業管理研究所(MBA學位學程)
107363080資料來源 http://thesis.lib.nccu.edu.tw/record/#G0107363080 資料類型 thesis dc.contributor.advisor 李易諭 zh_TW dc.contributor.author (Authors) 陳彥君 zh_TW dc.contributor.author (Authors) Chen, Yen-Chun en_US dc.creator (作者) 陳彥君 zh_TW dc.creator (作者) Chen, Yen-Chun en_US dc.date (日期) 2021 en_US dc.date.accessioned 2-Mar-2021 14:59:19 (UTC+8) - dc.date.available 2-Mar-2021 14:59:19 (UTC+8) - dc.date.issued (上傳時間) 2-Mar-2021 14:59:19 (UTC+8) - dc.identifier (Other Identifiers) G0107363080 en_US dc.identifier.uri (URI) http://nccur.lib.nccu.edu.tw/handle/140.119/134213 - dc.description (描述) 碩士 zh_TW dc.description (描述) 國立政治大學 zh_TW dc.description (描述) 企業管理研究所(MBA學位學程) zh_TW dc.description (描述) 107363080 zh_TW dc.description.abstract (摘要) 隨著顧客資料庫建置得越發完善，如何透過各種方法將顧客資料進行分析已成為如今企業最重要的議題之一。而從過往至今的研究顯示，開發新顧客的成本為維繫既有顧客成本約五倍，針對既有顧客行銷產品成功的機率亦相較新顧客來得高。因此，近年來各行業意識到比起花費更多資源吸引新顧客，如何進行顧客關係管理來維繫原有顧客反而能帶來更多價值。其中，顧客分群可以說是顧客關係管理中關鍵的第一步。透過顧客分群除了能找出對於企業來說最具有價值或值得進行開發的重要顧客，亦能藉由了解不同顧客群體的消費行為與輪廓，確實地擬定相關行銷策略與顧客精準地進行互動，在節省公司行銷費用的同時亦大大提高成功銷售的機率。本研究將使用A公司之顧客交易資料，以最近購買日(R)、消費頻率(F)以及消費金額(M)作為變數，結合資料探勘方法來建立完整顧客分群過程。首先將進行資料清理與變數擷取，接下來利用二階段集群分析中華德法與K-means集群分析將顧客分成四個具有顯著差異的群體。探討各分群消費行為特徵後，將四個群體的分群結果作為類別型目標變數，分別建立CART決策樹與線性判別分析兩種預測模型。比較兩模型各項準確率與各分群的分類錯誤率後，發現整體而言兩模型表現皆優良，唯有在不同分群之錯誤率略有不同。 zh_TW dc.description.tableofcontents 圖目錄 IV表目錄 V第一章 緒論 1第一節 研究背景與動機 1第二節 研究目的 2第三節 研究流程 3第四節 論文架構 4第二章 文獻探討 6第一節 RFM模型 6第二節 資料探勘與機器學習 10第三節 集群、分類與判別分析 16第三章 研究設計 23第一節 研究架構 23第二節 研究方法 24第四章 研究分析 36第一節 資料預處理 36第二節 集群分析 39第三節 建立預測模型 46第五章 結論與建議 60第一節 研究結論 60第二節 管理意涵 61第三節 研究限制與建議 62參考文獻 63 zh_TW dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0107363080 en_US dc.subject (關鍵詞) 顧客關係管理 zh_TW dc.subject (關鍵詞) 資料探勘 zh_TW dc.subject (關鍵詞) RFM模型 zh_TW dc.subject (關鍵詞) 集群分析 zh_TW dc.subject (關鍵詞) 決策樹 zh_TW dc.subject (關鍵詞) 線性判別分析 zh_TW dc.title (題名) 以決策樹與判別分析進行顧客分群：以A公司為例之RFM分析架構 zh_TW dc.title (題名) A Study of Decision Tree and Discriminant Analysis on Customer Segmentation: RFM Analytical Framework of Company A en_US dc.type (資料類型) thesis en_US dc.relation.reference (參考文獻) 一、中文文獻1.山口達輝、松田洋之(2020)。機器學習和深度學習的技術與原理，碁峰出版有限公司。2.田智安(2016)。應用社會網路分析在保險業RFM資料之研究，國立勤益科技大學資訊管理系碩士班學位論文。3.吳宗育(2020)。結合公開資料與資料探勘於藥物耗用預測，國立中正大學資訊管理學系碩士班學位論文。4.吳振晃(2003)。資料採礦技術於銀行授信之應用—以消費者貸款為例，中國文化大學資訊管理研究所碩士論文。5.宋美慧(2011)。資料探勘攝護腺癌分類模式之建構-決策樹分析法之應用，輔仁大學管理學研究所碩士論文。6.林祥生(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)，197-235。7.許智為(2006)。應用巢狀式群集分析方法改善顧客區隔效度之研究，國立臺北科技大學工業工程與管理系碩士班學位論文。8.陶冶、馬建(2005)。基於聚類分析的IPO定價實證研究，湖南大學學報，20(4)，74–78。9.郭若宣(2020)。應用資料探勘技術於RFM顧客價值區隔之研究，銘傳大學應用統計與資料科學學系碩士班學位論文。10.郭瀚揚(2019)。資料探勘應用之研究:零售業的RFM分析架構，國立臺灣師範大學全球經營與策略研究所碩士論文。11.翁慈宗(2009)。資料探勘的發展與挑戰，科學發展期刊，442，33-39。12.陳民祐(2012)。應用資料探勘探討線上訂票乘客行為-以台鐵西幹線為例，國立中興大學行銷學系碩士班學位論文。13.陳信宏(2004)。利用非動態資料庫之銀行顧客分群研究，國立臺灣大學商學研究所碩士論文。14.陳慈慧(2009)。以近期購物的連特徵修正RFM模型，淡江大學統計學系碩士班學位論文。15.張心馨、蔡獻富(2004)。以Data Mining技術結合SOM和K-means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。16.張聆真(2018)。利用大數據分析調查內科患者之住院天數，國立中正大學企業管理系研究所碩士論文。17.黃明輝(2001)。資料探勘在財務領域的運用-以債券型基金之績效評估為例，輔仁大學金融研究所碩士論文。18.曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯(2008)。資料探勘，旗標出版有限公司。19.葉子維(2018)。顧客消費行為分析及行動銀行使用預測-決策樹、隨機森林與判別分析之比較，國立臺北大學統計學系碩士班學位論文。20.葉建良(2006)。利用CART分類與迴歸樹建立消費者信用貸款違約風險評估模型之研究-以國內A銀行為例，輔仁大學應用統計學研究所碩士學位論文。21.蔣文育(2012)。應用顧客價值模型與資料探勘技術於資料庫行銷規劃－咖啡連鎖店為例，觀光旅遊研究學刊，7(2)，59–69。22.廖述賢、溫志皓(2009)。資料採礦與商業智慧，雙葉書廊出版有限公司。23.蘇冠豪(2006)。應用資料探勘技術於醫療行銷之研究，國立雲林科技大學資訊管理學系碩士班學位論文。二、英文文獻1.Berry, M. and Linoff, G. (1997). Data Mining Technique: For Marketing, Sales and Customer Relationship Management. John Wiley and Sons, Inc.2.Berry, M. and Linoff, G. (2000). Mastering Data Mining: The Art and Science of Customer Relationship Management. John Wiley and Sons, Inc.3.Bob Stone (1995). Successful Direct Marketing Methods. NTC Business Bolls.4.Breiman, L., Friedman, J. H., Olshen, R. A. and Stone, C. J. (1984). Classification and Regression Trees. Wadsworth.5.Colombo, R. and Jiang, W. (1999). A stochastic RFM model. Journal of Interactive Marketing, 13(3), 2-12.6.Fayyad, U. M., Shapi, G. P., Smith, P., and Uthursamy, R. (1996). Advances in Knowledge Discovery and Data Mining. Menlo Park.7.Goodman, J. (1992). Leveraging the customer database to your competitive advantage. Direct Marketing, 55(8), 26-27.8.Gregory, P. and William, F. (1991). Knowledge Discovery in Databases. MIT Press.9.Griffin, J. and Lowenstein, M. W. (2001). Customer Winback: How to Recapture Lost Customers-and keep them Loyal. Jossey-Bass.10.Hall, C. (1995). The Deville’s in the Detail: Techniques, Tool, and Application for Data Mining and Knowledge Discovery-Part II. Intelligent Software Strategies, 6(9), 1-16.11.Hartigan, J. A. and Wong, M. A. (1979). A K-means clustering algorithm. Applied Statistics, 28(1), 100-108.12.Hughes, A. (1994). Strategic Database Marketing. Probus Publishing.13.J. N. Sheth and Bruce Newman (1999). Customer Behavior: Consumer Behavior and Beyond. Dryden Press.14.Loh, W. Y. and Y. S. Shih. (1997). Split Selection Methods for Classification trees. Statist. Sinica. 7(1), 815-840.15.Maria, H., Yannis, B., and Michalis, V. (2001). On Clustering Valdation Techniques. Journal of Intelligence Information Systems, 17(2), 107-145.16.Miglautsch, J. R. (2000). Thoughts on RFM scoring. Journal of Database Marketing and Customer Strategy Management, 8(1), 67-72.17.R.C. de Amorim (2015). Feature Relevance in Ward`s Hierarchical Clustering Using the Lp Norm. Journal of Classification, 32(1), 46–62.18.Reinartz, W. and Kumar, V. (2000). On the profitability of long-life customers in a non-contractual setting: An Empirical Phase and Implications for Marketing. Journal of Marketing, 64(4), 17-36.19.Shaw, Michael J., Chandrasekar, Tan, Gek Woo and Welge (2001). Knowledge management and Data Mining for marketing. Journal of Decision Support System, 31. zh_TW dc.identifier.doi (DOI) 10.6814/NCCU202100365 en_US
