臺灣博碩士論文加值系統

近年來隨著各式各樣不同應用之商業活動的活躍，以致多元化的資料迅速增長，產生大量化的資料量。且因各類應用的多元化，使得所產生的資料具有半結構化或非結構化等多樣化的特性，所以造成大數據(Big Data)的流行。而大數據之所以可以這麼流行，是因為它可以從一堆看似無用或難以分類觀察的大量資料中，透過相關的技術擷取出有價值的資料，並讓其具有新的用途。
電子商務相較於傳統行銷最大的不同在於可以更加方便的取得顧客的資料與交易紀錄，並透過分析幫助企業做出更好的行銷方案。由於在電子商務的經營中將獲得大量的資料，因此如何應用大數據的資料分析技術為企業創造利潤，是本研究的目的。為了獲得消費者所想要的銷售資訊，則可以透過市場區隔(Market Segmentation)後分析來達成。因此，本研究使用RFM(Recency、Frequency、Monetary)資料分析技術，將眾多顧客分為「熱門顧客」、「一般顧客」、及「冷門顧客」。
對於「熱門顧客」和「一般顧客」，本研究使用K-mean資料分群演算法將龐大的顧客資料進行分群，最後再以貝氏機率分類演算法進行顧客分類，得以幫助企業找出合適的行銷方式。而針對「冷門顧客」，本研究則使用改良後的鏈結式布隆過濾器(Linked based Bloom Filter；LBF)進行不活躍資料的儲存與後續擷取以便企業進行後續的使用。因此，本研究以大數據的資料分析應用在電子商務之市場區隔，除了可以提供企業在行銷中的相關資訊外，並且能使企業得以找出合適的行銷手法，同時也促使企業在有限的資源下，可以將行銷的效果達到最好的宣傳效果或激勵顧客的購買意願。

In recent years, with a wide range of different applications of commercial activities, so that the rapid growth of diversified information, resulting in a large amount of data. Due to the diversification of various applications, there are a lot of semi-structured or unstructured data are generated, so big data is popular. The big data can be so popular because it can be from a bunch of seemingly useless or difficult to classify a large number of data, through the relevant technology to capture valuable information, and let it have a new purpose.
The biggest difference between e-commerce and traditional marketing is that can easier to get customer data and transaction records and help companies make better marketing solutions. As the e-commerce business will get a lot of data, so how to use the analysis technology of big data for enterprises to create profits is the purpose of this study. Through the market segmentation analysis, the requirements of consumer can be gotten. Therefore, RFM (Recency, Frequency, Monetary) data analysis technology is used in this study. And, the customers will be divided into "popular customers", "general customers", and "useless customers."
In this study, for the "popular customers" and "general customers", the K-mean data clustering algorithm is used to group the big data of customers. Finally, the Bayesian probability classification algorithm is used to classify the customers to help the enterprise find the appropriate marketing method. For the "useless customers", the modified Linked Bloom Filter (LBF) is used for inactive data storage and subsequent capture for subsequent use by the company. Therefore, in this study, the data analysis of big data is used in the e-commerce market segment. The related business information in the marketing can be provided, and enable enterprises to find the right marketing practices. To enable enterprises in the limited resources, the marketing effect can be the best promotional effect or encourage customers to buy the will.

中文摘要 I
Abstract III
致謝 V
目錄 VII
圖目錄 IX
表目錄 X
第 1 章 緒論 1
1.1研究背景 1
1.2研究動機 2
1.3研究目的 3
1.4 論文之架構 4
第 2 章 文獻探討 5
2.1 大數據 5
2.2市場區隔 10
2.3 本研究所運用之相關技術 11
2.3.1 RFM資料分析技術 11
2.3.2 K-mean資料分群演算法 13
2.3.3 貝氏機率分類演算法 16
2.3.4 布隆過濾器 17
第 3 章 研究方法 19
3.1 以RFM進行顧客分類 21
3.2 對「熱門顧客」和「一般顧客」的資料分析 21
3.2.1 以K-mean進行分群 22
3.2.2 以貝氏機率分類演算法進行分類 23
3.3 對「冷門顧客」的資料分析 24
第 4 章 研究方法之執行結果 30
4.1 以RFM依顧客的交易資料進行顧客分類 30
4.2 對「熱門顧客」進行K-mean分群與貝氏機率分類 32
4.2.1 對「熱門顧客」進行K-mean分群 33
4.2.2 對「熱門顧客」進行貝氏機率分類 36
4.3 對「一般顧客」進行K-mean分群與貝氏機率分類 37
4.3.1 對「一般顧客」進行K-mean分群 38
4.3.2 對「一般顧客」進行貝氏機率分類 40
4.4 對「冷門顧客」的資料儲存與擷取 42
第 5 章 結論與未來研究 43
5.1結論 43
5.2未來研究 44
參考文獻 45

圖目錄

圖 1、大數據的 3V 6
圖 2、大數據的 4+1V 6
圖 3、K-mean 分群演算法流程圖 15
圖 4、研究架構圖 20
圖 5、鏈結式布隆過濾器的概念 25
圖 6、LBF 初始化 26
圖 7、以 LBF 進行資料檔案 A 是否存在的判定 27
圖 8、刪除資料檔案 A 之結果 28
圖 9、LBF 與相對應的儲存位置之關係 29
圖 10、顧客 RFM 價值分數 31
圖 11、RFM 顧客分佈 32
圖 12、使用 SPSS 進行 K-mean 分析圖 34
圖 13、使用 LBF 進行「冷門顧客」資料儲存 42

表目錄

表 1、「熱門顧客」之性別分群-群集中心與迭代紀錄 34
表 2、「熱門顧客」之性別分群-各群集擁有顧客數 35
表 3、「熱門顧客」之職業分群-群集中心與迭代紀錄 35
表 4、「熱門顧客」之職業分群-各群集擁有顧客數 36
表 5、「熱門顧客」貝氏機率分類-各職業對於單一產品的購買機率 37
表 6、「一般顧客」之性別分群-群集中心與迭代紀錄 39
表 7、「一般顧客」之性別分群-各群集擁有顧客數 39
表 8、「一般顧客」之職業分群-群集中心與迭代紀錄 39
表 9、「一般顧客」之職業分群-各群集擁有顧客數 40
表 10、「一般顧客」貝氏機率分類-各職業對於單一產品的購買機率 41

[1]王淑卿、王順生、嚴國慶、邱怡瑄、黃學馴(2016)，「以兩階段資料處理法改善大數據資料不可用的問題---大數據的藍海」，第十屆資訊科技國際研討會暨第六屆台灣網路智能學會學術論壇，台中，第52-61頁。
[2]朱揚勇、熊贇(2015)，「大數據是數據，技術，還是應用」，大数据，第1期，第1-11頁。
[3]林陽助，服務行銷，鼎茂出版社，2003。
[4]林寬裕、鎮明常、李慶華(2015)，「淺談巨量資料之分析與應用-以臺灣市場為例」，數據分析，第十卷，第一期，第1-16頁。
[5]徐韻淑、資韶顏(2004)，「民宿遊客市場直隔分析之研究」，餐旅暨家政學刊，第一卷，第一期，第82-95頁。
[6]連惟謙，應用資料分析技術進行顧客流失與顧客價值之研究，碩士論文，中原大學資訊管理研究所，2003。
[7]陳彤生，「運用改良RFM 提升行銷效益的實證研究」，第七屆人工智慧與應用研討會論文集，2002。
[8]陳俐雯(2012)，分群效度指標的評估分析與設計，碩士論文，國立高雄大學電機工程學系，高雄。
[9]陳昱成(2013)，「貝氏定理的應用」，科學教育月刊，第357期，第19-28頁。
[10]張躍、李葆青、胡玲芳、孟麗(2014)，「基於K-mean文本聚類的研究」，中國教育技術裝備，第十八期，第50-52頁。
[11]Antichi, G., Pietro, A.D., Ficara, D., Giordano, S., Russo, F. and Vitucci, F.(2010), “Achieving Perfect Hashing through an Improved Construction of Bloom Filters,” Proc. of IEEE International Conference on Communications, pp. 1-5.
[12]Chen, H., Chiang, R.H. and Storey, V.C.(2012), “Business Intelligence and Analytics: From Big Data to Big Impact,” MIS Quarterly, Vol. 36, No. 4, pp. 1165-1188.
[13]Gary D. Gregory, Liem Viet Ngo and Munib Karavdic(2017), Developing e-commerce Marketing Capabilities and Efficiencies for Enhanced Performance in Business-to-business Export Ventures: Industrial Marketing Management, Inc., First edition.
[14]García, M.M.R., García-Nieto, J. and Aldana-Montes1, J.F. (2016), “An Ontology-based Data Integration Approach for Web Analytics in e-commerce,” Expert Systems with Applications, Vol. 63, pp.20-34.
[15]Hughes, A.M.(1996), “Boosting Response with RFM,” Marketing Tools, 5, pp. 4-10.
[16]Kahan, R.(1998), “Using Database Marketing Techniques to Enhance Your One-to-One Marketing Initiatives,” Journal of Consumer Marketing, Vol. 15, pp. 491-493.
[17]Lu, R., Zhu, H., Liu, X., Liu, J. K. and Shao, J.(2014), “Toward Efficient and Privacy- preserving Computing in Big Data Era,” IEEE Network, Vol. 28, No. 4, pp. 46-50.
[18]Oliveira, T., Alhinhoa, M., Rita, P. and Dhillon, G. (2017), “Modelling and Testing Consumer Trust Dimensions in e-commerce,” Computers in Human Behavior, Vol. 71, pp.153-164.
[19]Papadopoulos, A. and Katsaros, D.(2011), “A-Tree: Distributed Indexing of Multidimensional Data for Cloud Computing Environments,” Proc. of Third International Conference on Cloud Computing Technology and Science, pp. 407-414.
[20]Wei, J., Jiang, H., Zhou, K. and Feng, D. (2011), “DBA: A Dynamic Bloom Filter Array for Scalable Membership Representation of Variable Large Data Sets,” Proc. of 19th International Symposium on Modeling, Analysis & Simulation of Computer and Telecommunication Systems, pp. 466-468.
[21]Wu, X., Zhu, X., Wu, G. Q. and Ding, W.(2014), “Data Mining with Big Data,” IEEE Transaction on Knowledge and Data Engineering, Vol. 26, No. 1, pp. 97-107.
[22]大數據，https://zh.wikipedia.org/wiki/%E5%A4%A7%E6%95 %B8%E6%93%9A，擷取日期：2016年6月20日。
[23]大數據簡介，www.nacs.gov.tw/.../3c2136cf0801ea10c866aaa 770aa3e94.pptx，擷取日期：2016年6月20日。
[24]大數據，不只是很大的數據：透徹瞭解、優化你的生活，http://www. techbang.com/posts/39331-data-optimize-your-life-in-perspective-not-only-is-a-lot-of-data，擷取日期：2016年6月20日。


[25]建構大數據應用的7大要素，http://www.bnext.com.tw/ext_rss/ view/id/650357，擷取日期：2016年6月20日。
[26]微軟北風資料庫範例，https://www.microsoft.com/en-us/ download/details.aspx?id=23654，擷取日期：2017年4月18日。
[27]貝氏分類法（Bayes classifier），http://taibif.tw/informatics/?p=452，擷取日期：2017年4月26日。
[28]市場區隔，http://wiki.mbalib.com/zh-tw/%E5%B8%82%E5% C% BA%E5%8C%BA%E9%9A%94，擷取日期：2017年4月26日。
[29]用SPSS來作RFM行銷分析，http://dasanlin888.pixnet.net/blog/ post/404851939-%E7%94%A8spss%E4%BE%86%E4%BD%9Crfm%E8%A1%8C%E9%8A%B7%E5%88%86%E6%9E%90(%E4%B8%80)，擷取日期2016年3月10日。
[30]貝氏定理 維基百科，https://zh.wikipedia.org/wiki/%E8%B4%9D %E5%8F%B6%E6%96%AF%E5%AE%9A%E7%90%86，擷取日期：2017年4月26日。
[31]貝氏定理淺談，http://b014.hchs.hc.edu.tw/ezfiles/14/1014/img/ 164/409339189.pdf，擷取日期：2017年5月5日。

[32]資料分群簡介https://winsys88.wordpress.com/2008/04/18/%E8 %B3%87%E6%96%99%E5%88%86%E7%BE%A4%E7%B0%A1%E4%BB%8B%EF%BC%88data-clustering%EF%BC%89/，擷取日期2016年4月8日。
[33]焦述銘(2011)，「理工男是怎樣判斷漂亮女孩是不是單身的？」，科普文章，http://fun.nmns.edu.tw/files/userfiles/%E7%90%86% E5%B7%A5%E7%94%B7%E6%98%AF%E6%80%8E%E6%A8%A3%E5%88%A4%E6%96%B7%E6%BC%82%E4%BA%AE%E5%A5%B3%E5%AD%A9%E6%98%AF%E4%B8%8D%E6%98%AF%E5%96%AE%E8%BA%AB%E7%9A%84%EF%BC%9F.pdf，擷取日期：2017年4月26日。
[34]電子商務維基百科https://zh.wikipedia.org/wiki/%E7%94%B5%E5%AD%90%E5%95%86%E5%8A%A1，擷取日期2016年4月19日。
[35]布隆過濾器維基百科https://zh.wikipedia.org/wiki/%E5%B8%83%E9%9A%86%E8%BF%87%E6%BB%A4%E5%99%A8，擷取日期2017年5月22日。
[36]Big Data權威：大資料問What比Why更重要，http://www. ithome.com.tw/news/ 88806，擷取日期：2016年6月20日。

[37]Big Data經典案例：星期五、尿布與啤酒，http://www.digitimes. com.tw/tw/dt/n/shwnws.asp?id=0000401927_J24LE0TO1NPNNH8 BRNTM8 #ixzz4Jkapv7NS，擷取日期：2016年6月20日。
[38]IBM SPSS Statistics 22 統計軟體，https://www-01.ibm.com/software/tw/analytics/spss/products/statistics/products.html，擷取日期2016年3月10日。