臺灣博碩士論文加值系統

隨著金融控股公司如雨後春筍般的成立，集團式的金融經營模式讓金融服務更為多元化，一次購足(One Stop Shopping)式的金融服務更是業者搶佔商機以獲得消費者喜愛的關鍵，也因此引發更全面性的金融激戰。在眾多消費性金融產品中，信用卡則是受到消費者的青睞，大幅的取代現金的使用，致使銀行爭相投入信用卡發卡市場；也因此，以顧客為導向的「顧客關係管理」便繼網際網路風潮後，成為全世界企業主所共同關切的熱門話題。
發卡機構為做好顧客關係管理，目前的研究大都集中於信用卡核卡準則分析及偽卡交易的偵測，或將現有的信用卡資料作一個分類或輪廓分析。然而，對於信用卡獲利有實質貢獻的族群探討，及此一族群因時間變動的消費行為模式，這兩個重要議題卻是一知半解且被乎略，以致於管理者做決策時產生困擾。有鑑於此，本研究針對信用卡VIP族群進行二個不同時間區段的消費行為分析與探討。首先，我們將所要分析的二個不同時間區段的VIP資料（包含顧客基本資料及消費資料）篩選出，接著利用關聯法則演算法進行資料的挖掘，以瞭解每一時間的關聯規則。接著我們將挖掘出的二個不同時間區段關聯規則，根據三種不同類型的定義（即Emerging Patten Rule、Unexpected Change Rule、Added∕Perished Rule）計算其相似性、差異性及調整差異性的量測值，同時運用自訂的規則比對門檻（RMT）的值以找出所有不同類型的規則。之後，再運用每種類型的程度改變之量測值找出顯著改變的規則。
在本研究中，我們運用COBOL、JCL、IBM Intelligent Miner工具、VB程式、及Access資料庫成功地將上述的系統開發完成。在我們的實驗及分析過程中，我們發現大多數信用卡VIP族群的消費多集中在百貨公司、超級市場、加油站、餐飲業、家庭用品及休閒娛樂。此外，本研究所找出的顯著Emerging Patten Rule、Unexpected Change Rule、Added∕Perished Rule中，根據此三種類型規則的趨勢變化，我們可以有效地偵測出顧客的目前行為以及可能改變的行為趨勢，讓管理者能在大量資料中發現一些可能的改變，及早提供顧客所需的產品及服務以擴大顧客群及避免顧客的流失。同時在瞭解顧客的可能改變及消費趨勢走向後，決策人員便能將有限的資源做最有效的運用，以制訂出適合不同顧客群的行銷策略。

In the recent year, financial groups in Taiwan are allowed to provide diverse financial services. One stop shopping service has become the key on which a financial enterprise can survive under extensive competitions. Among all consumer-banking products, credit card is most attractive to consumers. The magnificent increase in credit card market leads banks to put more efforts in understanding the behavior of customers. Therefore, customer-oriented Customer Relationship Management (CRM) turns into one of the most important topic for the enterprises.
In order to conduct better CRM, most credit card related researches focus on issuing principle decision, fraud transaction detection, and customer profile description. However, few efforts are conducted upon the discussion of the consumption behavior changes over time of the consumer group, which contribute most in the credit card business. To bridge the gap, this research aims at the analysis of the consumption behaviors of the very important person (VIP) in two different time intervals. First, VIP data, including customer profiles and purchase transactions, of two time intervals are screened for this analysis. Then apriori algorithm is used to generate association rules for each time interval. The rules in the two time intervals are then calculated for their respective similarity measure, difference and modified difference measures according to three types of rules : Emerging Pattern Rule, Unexpected Change Rule, Added/Perished Rule. Meanwhile, the rules for all different types are found using a user-defined rule match threshold (RMT). Finally, significantly changed rule set is found using evaluation for degree of change measure for each types.
The system mentioned above has been successfully built using COBOL, JCL, IBM Intelligent Miner, VB program, and Access database. In this study, it was found that the VIP group often visits department stores, supermarkets, gas stations, restaurants, home appliance stores, and recreation sites. In addition, the customers’ consuming behaviors are detected based on the three mentioned rule types. This allows managers to find critical changes of VIP customers from a large amount of data. The decision planners can benefit by the finding and maximize the utility of their limited resources to establish suitable marketing strategies for different types of customers.

第一章 緒論 1
1.1 研究背景 1
1.2 問題描述 3
1.3 研究目的 5
1.4 論文架構與研究流程 5
第二章 文獻探討 7
2.1 顧客關係管理（Customer Relationship Management） 7
2.1.1 顧客關係管理定義及架構 7
2.1.2 顧客關係管理企業運作模式及建置 12
2.1.3 顧客關係管理文獻探討 13
2.2 關係行銷(Relationship Marketing) 15
2.3 信用卡(Credit Card) 17
2.3.1 信用卡的起源 17
2.3.2 信用卡的基本概念 18
2.3.3 信用卡之運作流程 19
2.4 資料挖掘(Data Mining) 20
2.4.1 資料挖掘定義、分類及相關演算法 21
2.4.2 資料挖掘相關文獻探討 23
第三章 研究方法 26
3.1 系統架構 26
3.2 VIP（Very Important Person）定義及規則 28
3.3 關聯式演算法 29
3.3.1 關聯式演算法定義及相關名詞 30
3.3.2 Apriori演算法 32
3.3.3 規則集的修正 35
3.4 資料分析 35
3.4.1 定義變數及各種不同類型的特徵 35
3.4.2 計算相似性(Similarity)和差異性(Difference)方法 38
第四章 系統開發 47
4.1 資料來源敘述 47
4.2 資料選取 47
4.2.1 原始資料結構分析 48
4.3 關聯規則產生 54
4.3.1 Intelligent Miner簡介 54
4.3.2 Intelligent Miner組成的架構 55
4.3.3 關聯規則挖掘 56
4.3.4 關聯規則的修正 59
4.4 資料挖掘結果分析 60
第五章 實驗結果及分析 63
5.1 初步結果分析 63
5.2 分析欄位再修正 65
5.3 修正後的結果 69
5.4 有趣發現 72
5.4.1 Significant Emerging Patterns 73
5.4.2 Significant Unexpected Changes 75
5.4.3 Significant Added/Perished Rule 77
第六章 結論 80
6.1 論文總結與論文貢獻 80
6.2 未來研究方向 81
中文參考文獻 83
英文參考文獻 85

中文參考文獻
[1]OVUM，IDC，GartnerGroup，資策會MIC 經濟部ITIS計畫整理，2000年11月。
[2]中華民國財政部金融局網站：http://www.boma.gov.tw/。
[3]比爾‧蓋茲(民88)。數位神經系統－與思想等快的明日世界。（樂為良譯）。台北市：商週。（原著出版年：1998年）。
[4]王婉珊（民91年10月）。金控業如何建置DW、導入CRM。資訊與電腦，267，42-48。
[5]王朝煌（民90）。應用資料探勘技術於道路交通事故資料分析之研究。國立中央警察大學資訊管理學系研究所碩士論文。
[6]史博言（民90年5月）。2001年度台灣業者電子化之顧客關係管理報告。電子化企業--企業經理人報告，21，66 -68。
[7]宋裕民（民91）。模糊類神經網路理論於信用之識別。國立交通大學電資學院學程碩士論文。
[8]李雪雯（民87年1月）。聰明使用信用卡。台北市：商週。
[9]花伴柱（民91）。資料探勘技術在藥品行銷應用之研究-以國內某製藥公司為例。國立中正大學資訊管理學系研究所碩士論文。
[10]邱義堂（民90）。通信資料庫之資料探勘：顧客流失預測之研究。國立中山大學資訊管理研究所碩士論文。
[11]信用卡業務管理辦法（民86.05.23修正）。
[12]科技資訊網。民90年3月21日，取自http://www.taiwan.cnet.com/ebusiness/guides/
[13]翁龍珠（民91）。應用資料探勘於目標行銷之研究-以製藥業為例。國立雲林科技大學資訊管理學系碩士論文。
[14]財團法人財金資訊股份有限公司網站：http://www.fisc.com.tw/。
[15]張文彬（民90）。顧客關係管理的核心活動在企業界應用過程之探討。私立中原大學企業管理學系研究所碩士論文。
[16]張永固（民91）。資料探勘在目標行銷之研究-以通信用戶為例。國立雲林科技大學資訊管理學系碩士論文。
[17]張菁雅(民90年7月)。商戰故事。新新聞，629，89-93。
[18]張瑋倫（民89）。應用資料挖掘學習方法探討顧客關係管理問題。私立天主教輔仁大學資訊管理學系碩士論文。
[19]張勳騰（民88）。資料探採在通信資料庫上目標行銷的應用。國立中山大學資訊管理學系碩士論文。
[20]莫乃健（民89年1月）。贏得顧客一世忠誠。天下雜誌，224，152-157。
[21]陳心瑜（民91）。顧客知識管理內容與關係行銷之研究。國立中正大學企業管理學系碩士論文。
[22]陳世源（民88）。資料採礦技術在病例與藥品關連性之研究。國立中山大學資訊管理學系研究所碩士論文。
[23]陳淑萍（民91）。促銷策略對台灣地區信用卡持卡人使用行為之影響。國立交通大學管理科學學系研究所碩士論文。
[24]陳嘉玲（民91）。從顧客關係管理的觀點來探討信用卡持有者顧客忠誠度之研究─以台北縣市為例。私立銘傳大學管理科學學系研究所碩士論文。
[25]陳鴻文（民90）。資料挖掘技術於個人化輔助教學系統的應用。大業大學資訊管理學系研究所碩士論文。
[26]廖雅郁（民91）。應用資料探採於我國西藥行銷之研究。國立交通大學經營管理研究所碩士論文。
[27]編輯部（民90年5月）。你的顧客終身價值是多少。世界經理文摘，177，44-48。
[28]蔡永恆（民89）。應用資料挖掘技術研究銀行顧客消費行為。私立靜宜大學資訊管理研究所碩士論文。
[29]鄭仲義（民88年6月）。談信用卡冒刷及風險管理。華銀月刊，581，14-26。
[30]鄭旭峰（民90）。運用資料挖掘技術於個人化網路廣告系統之建置。私立逢甲大學企業管理學系碩士論文。
[31]蘇鈞監（民87）。信用卡管理之研究。國立政治大學財政研究系碩士論文。
英文參考文獻
[1]Aggarwal, C. C., Sun, Z., Yu, P. S.（1998）. Online algorithms for finding profile association rules. Proceedings of the 1998 ACM CIKM International Conference on Information and Knowledge Management, pages 86 — 95.
[2]Alfred,S.B.（1981）. Market Segmentation by Personal values and Salient Product Attributes. Journal of AdvertisingResearch, 21（1）,pages 29-35.
[3]Areawal, R. Srikant, R.（1994）. Fast Alorithm for Mining Association Rules in Large Databases, In Proc Int’l Conf. VLDB, pages 487 — 499 , Santiago, Chile.
[4]Berry, M. J.A., and Linoff, G.S.（1997）. Data Mining Techniques: For Marketing, Sales, and Customer Support. John Wiley & Sons, Inc.
[5]Brause, R.; Langsdorf, T.; Heepp, M.（1999）. Neural data mining for credit card fraud detection Tools with artificial intelligence. Proceedings.11th IEEE Internation conference on Pages 103-106.
[6]Chan, P.K.; Fan, W.; Prodromidis, A.L.; Stolfo, S.J.（1999）. Distributed data mining in credit card fraud detection. IEEE Intelligent Systems, 14（6）, pages 67-74.
[7]Cohen, E , Datar, M. Fujiwara, S, Gionis, A, Indyk, P, Motwani, R, Ullman, J, D, Yang, C.,（2000） Finding Interesting Associations without Support Pruning, Data Engineering, Proceedings. 16th International Conference on Pages 489 — 500.
[8]David W.（1999）.Data warehousing:Winning the loyalty game. Telecommunications, 33（8）, S68-S74.
[9]Dong, G. Li, J.（1999）.Efficient Mining of Emerging Pattern：Discovering Trends and Differences. Proceedings of he Fifth International Conference on Konwledge Discovery and Data Mining（KDD-99）, Pages 43 — 52.
[10]Fayyad, U.M.,Shapi, G.P., Smyth,P. and Uthursamy, R.（1996） Advances in Knowledge Discovery and Data Mining. AAAI Press/The MIT Press, Menlo Park, CA.
[11]Gerritsen,R.（1999）. Assessing loan risks : a data mining case study. IT Professional, 1（6）, pages 16-21.
[12]Han, J., and Kamber, M.（1999）.Data Mining：Concepts and Techniques, Simon Fraser University.
[13]Hussain, F., Liu, H., Suzuki, E., Lu, H.（2000）. Exception rule mining with a relative interestingness measure. Proceedings of Pacific Asia Conference on Knowledge Discovery in Databases（PAKDD）, Pages 89 — 97.
[14]Kotler,P.（1998）.Marketing Management：Analysis，Planning，Implementation and control（9th ed.）. Prentice-Hall Inc.
[15]Lanquillon, C.（1999）. Information filtering in changing domain. Proceedings of the International Joint Conference on Artifical Intelligence（IJCAI99）, Pages 41 — 48.
[16]Liu, B., and Hsu, W.（1996）. Post-analysis of learned rules. Proceedings of the Thirteenth National Conference on Artificial Intelligence（AAAI-96）, Pages 828 — 834.
[17]Marcus（1975）. Modern Marketing. N.Y Ran House.
[18]Padmanabhan, B., and Tuzhilin, A.（1999）. Unexpectedness as a measure of interestingness in Knowledge Discovery. DECISION support System,27, Pages 303 — 318.
[19]Peter Cabena, Pablo Hadjinian, Rolf Stadler, Japp Verhees, and Alessandro Zanasi,（1997）.Discovering Data Mining From Concept to Implementation, Prentice Hall PTR.
[20]Roger, J.,Calanton, Alan G. Sawyer.（1978） The Stability of BenefitSegments. Journal of Marketing Research, 15, Aug., pages 395-404.
[21]Shaw, M. J., and Subramaniam, C., and Tan, G. W. and Welge, M. E. （2001）.Knowledge management and data mining for marketing, Decision Support Systems 31, 2001,pages 127-137.
[22]Song H. S., Kim J. K. and Kim S. H.（2001）.Mining the change of customer behavior in an internet shopping mall. Expert Systems with Applications 21, 2001, pages 157-168.
[23]Suzuki, E.（1997）. Autunomous discovery of reliable exception rules. Proceedings of the Third International Conference on Knowledge Discovery and Data Mining（KDD-97）, Pages 259 — 262.
[24]VUM.（2003）.2003/04/08 From http://purcard.uvm.edu/Documents/MCC%20Codes/index.html
[25]Wendell,R.S.（1956）. Product Differentiation and Market Seg-mentation as Alternative Marketing Strategies. Journal of Marketing, 21, pages 3-8.
[26]Wind.Y.（1978）. Issues and Advances in Segmentation Research. Jouranl of Marketing Research, 15, pages 217-337.