| dc.contributor.advisor | 鄭宇庭 | zh_TW |
| dc.contributor.author (Authors) | 陳一慈 | zh_TW |
| dc.contributor.author (Authors) | Chen, I-Tzu | en_US |
| dc.creator (作者) | 陳一慈 | zh_TW |
| dc.creator (作者) | Chen, I-Tzu | en_US |
| dc.date (日期) | 2021 | en_US |
| dc.date.accessioned | 4-Aug-2021 16:40:05 (UTC+8) | - |
| dc.date.available | 4-Aug-2021 16:40:05 (UTC+8) | - |
| dc.date.issued (上傳時間) | 4-Aug-2021 16:40:05 (UTC+8) | - |
| dc.identifier (Other Identifiers) | G0108363104 | en_US |
| dc.identifier.uri (URI) | http://nccur.lib.nccu.edu.tw/handle/140.119/136741 | - |
| 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) | 108363104 | zh_TW |
| dc.description.abstract (摘要) | 隨著電子商務零售市場成長，為因應競爭加劇的環境，無論在強化顧客關係管理或擬定產品銷售策略皆是業者需要考量的重點項目，RFM模型是在顧客分群最廣泛應用的方法之一，而購物籃分析可協助商家找出常被消費者購買的產品組合。 本研究以一間販售美妝用品的電子商務業者為例，藉由分析顧客的購買日期、金額、消費頻率建立RFM模型，從原始資料中找出一群回購率高、且為研究對象帶來高銷售額的常貴客，並利用購物籃分析從40,772件商品中找出1,049組有機率被消費者購買的產品組合。 除了RFM模型與購物籃分析，本研究亦配合敘述性統計使用，發現研究對象存在顧客流失率高、產品銷售效率低的問題，因此針對顧客關係管理、產品銷售兩面向提出建立在顧客分群結果為主的顧客忠誠計畫，與產品銷售策略上的建議作法。 | zh_TW |
| dc.description.abstract (摘要) | As the e-commerce retail market grows, in order to respond to the increasingly competitive environment, both strengthening customer relationship management or product sales strategies are the key items that every business owner needs to consider. The RFM model is one of the most widely used methods for customer segmentation. Marketing basket analysis can assist merchants in identifying product combinations that are frequently purchased by consumers.The study tried to find people who have created high revenue and repurchased more frequently by analyzing every consumers’ recency, frequency, monetary and combinations of items that occur together frequency in transactions in an e-commerce cosmetic shop. Besides the analysis of above, the study also did some research about the target shop’s operating performance and found the fact that the shop suffered from lack of selling efficiency and high customer churn rate. Therefore, the study offered some advices about customer relationship management and product sales strategies. | en_US |
| dc.description.tableofcontents | 目 錄 4表目錄 6圖目錄 7第壹章 緒論 8第一節 研究背景與動機 8一、 研究背景 8二、 研究動機 8第二節 研究目的 9第三節 研究流程 9第貳章 文獻探討 11第一節 資料採礦 11一、 資料採礦的意義 11二、 資料採礦的應用 11第二節 RFM模型文獻回顧 13一、顧客關係管理基本概念 13二、RFM模型理論 14三、RFM模型的限制 15第三節 購物籃分析文獻回顧 16一、購物籃分析概述 16二、購物籃分析方法 16三、購物籃分析的限制 17第參章 研究方法 18第一節 資料來源 18第二節 分析架構 18第三節 操作性變數定義 20第四節 分析方法與研究限制 21一、 RFM模型分析研究方法 21二、 購物籃分析研究方法 22三、 研究限制 24第肆章 實證分析 25第一節 資料前處理 25一、 資料清理 25二、 RFM模型欄位建立 26三、 購物籃分析欄位建立 27第二節 RFM模型 28一、說明 28二、敘述性統計 28三、RFM資料分組 30四、RFM評分模型與作圖 32第三節 購物籃分析 37一、說明 37二、敘述性統計 38三、購物籃分析運算 38第伍章 結論與建議 41第一節 結論 41一、 研究對象顧客與銷售分析 41二、研究對象產品與策略分析 44第二節 建議 46一、產品銷售策略建議 46二、顧客關係管理建議 49參考文獻 51 | zh_TW |
| dc.format.extent | 2141851 bytes | - |
| dc.format.mimetype | application/pdf | - |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#G0108363104 | en_US |
| dc.subject (關鍵詞) | 顧客關係管理 | zh_TW |
| dc.subject (關鍵詞) | 顧客分群 | zh_TW |
| dc.subject (關鍵詞) | RFM分析 | zh_TW |
| dc.subject (關鍵詞) | 購物籃分析 | zh_TW |
| dc.subject (關鍵詞) | 關聯規則 | zh_TW |
| dc.subject (關鍵詞) | Customer relationship management | en_US |
| dc.subject (關鍵詞) | Customer segmentation | en_US |
| dc.subject (關鍵詞) | RFM analysis | en_US |
| dc.subject (關鍵詞) | Marketing basket anaylsis | en_US |
| dc.subject (關鍵詞) | Association rules | en_US |
| dc.title (題名) | 利用RFM模型與購物籃分析進行電子商務顧客分群與銷售策略之研究 | zh_TW |
| dc.title (題名) | A Research On e-commerce seller `s sales strategy using RFM Model and Market Basket Analysis | en_US |
| dc.type (資料類型) | thesis | en_US |
| dc.relation.reference (參考文獻) | 一、中文文獻1.Michael J.A. Berry、Gordon S. Linoff，(2001)，資料採礦-顧客關係與管理計電行銷之應用。台北市：數博網資訊股份有限公司。2.Michael J.A. Berry、Gordon S. Linoff，(2001)，資料採礦的理論與實務-顧客關係管理的技巧與科學。台北市：維科圖書有限公司。3.謝邦昌、鄭宇庭，(2016)，零售業資料採礦：R及Excel的應用。台北市：新陸書局股份有限公司。4.呂惠聰、強南囡、王微微，(2018)，客戶關係管理。台北市:財經前線文化出版5.經濟部統計處，(2019、2020)，零售業網路銷售額統計調查。6.行銷資料科學，常貴客？新客？ 讓RFM模型簡簡單單解釋一切！（附實現程式碼），2021年3月14日，檢自https://reurl.cc/qgmZ9y7.行銷資料科學，購物籃分析 — Python實戰：如何找出商品搭配的總體策略？(附Python程式碼)，2021年3月17日，檢自https://reurl.cc/dGV7zy8.行銷資料科學，你怎麼處理顧客交易資訊？Apriori演算法，2021年4月7日，檢自https://reurl.cc/ZGQXnW9.行銷資料科學，來為RFM 客製化，打造自己的CRM說書人-【附Python程式碼】，2021年4月18日，檢自https://reurl.cc/O0XVby二、英文文獻1.Association rules and the Apriori algorithm: A Tutorial, Retrieved May 02,2021, from:https://www.kdnuggets.com/2016/04/association-rules-apriori-algorithm-tutorial.html2.Distribution of retail website visits and orders worldwide as of 1st quarter 2019, by device, Retrieved March 28 2021, from: https://www.statista.com/statistics/568684/e-commerce-website-visit-and-orders-by-device/3.Statista, US ecommerce grows 44.0% in 2020, Retrieved March 28 2021, from: https://www.digitalcommerce360.com/article/us-ecommerce-sales/4.Statista, Global retail e-commerce sales 2014-2024, Retrieved March 30 2021, from: https://www.statista.com/statistics/379046/worldwide-retail-e-commerce-sales/5.Chelsea Haynes, True Cost of Beauty: Survey Reveals Where Americans Spend Most, Retrieved March 30 2021, from: https://www.groupon.com/merchant/trends-insights/market-research/true-cost-beauty-americans-spend-most-survey6.Leonard L. Berry, (1983). "Relationship Marketing," in Emerging Perspectives, Journal of the Academy of Marketing Science, no.23, pp236-245.7.Rakesh Agrawal, (1994). Fast Algorithms for Mining Association Rules, pp1-68.Ron Kohavi, Rajesh Parekh, (2004). Visualizing RFM Segmentation, pp1-5 | zh_TW |
| dc.identifier.doi (DOI) | 10.6814/NCCU202100799 | en_US |
